Qwen-Image-2.1-Turbo：同じ 7B 生成器で、ノイズ除去はたった 8 ステップ

タイムライン

1. 2026年9月14日

   Qwen-Image-2.1 のリポジトリが Hugging Face に現れます。カードの説明では、テキストからの画像生成と画像編集を統合したモデルで、視覚生成部分は 32 層のシングルストリーム DiT からなる 7B パラメータ、ネイティブな透過、最大 10 枚の参照画像からの編集に対応し、QwenImage21Pipeline という Diffusers のパイプラインがあります。例の呼び出しは 40 ステップの推論を求めています。

   Qwen/Qwen-Image-2.1 model card

2. 2026年10月9日

   Qwen-Image-2.1-Turbo のリポジトリが現れます。カードは、Qwen-Image-2.1 の高速化チェックポイントで、ノイズ除去は 8 ステップ、アーキテクチャは同じ 7B、CFG=1 が既定で、プレフィックス KV キャッシュを使うと説明し、Diffusers をソースからインストールする必要があると述べています。

   Qwen/Qwen-Image-2.1-Turbo model card

まずベースモデル。Turbo はそれと並べて初めて意味が通る

9 月 14 日、Hugging Face に Qwen-Image-2.1 というリポジトリが現れ、カードは控えめな一文で始まります。Qwen ファミリーの、テキストからの画像生成と画像編集を統合したモデルをオープンソースにできて嬉しい、というものです。続く細部は、実際に動かす人にとって重要なものです。視覚生成部分は 7B パラメータだけで、32 層のシングルストリーム DiT でできています。カードはリリース全体を、最大のモデルを競うより、品質、効率、汎用性のバランスを取ったものとして位置づけています。

カードは四つの改良を挙げています。一つ目は、混合粒度のアテンションとプレフィックス KV キャッシュの再利用を備えたコンパクトなアーキテクチャで、低い計算コストで画質を出すことを狙っています。二つ目はネイティブな透過で、一つのモデルでテキストから通常または透過（RGBA）の画像を生成し、透過レイヤーを編集し、写真から被写体を抽出できます。三つ目は編集で、最大 10 枚の参照画像に対応し、局所編集は円、手描きの注釈、別のマスクで指定でき、人物や商品のアイデンティティが保たれます。最後に、作者は文字組み、ポートレートの照明、細部が良くなったと主張しています。これらは作者の主張です。カードには私たちが確かめられるベンチマークの表はなく、モデルも動かしていません。

例のコードは、使うコストについて率直です。テキストから画像への呼び出しは、2048×2048 で 40 ステップの推論を求めており、メモリの予算が厳しい場合のためにカードはヒントを一つ載せています。パイプラインで enable_model_cpu_offload を呼ぶことです。これが、Turbo が改善しようとした基準線です。

四週間後：「高速化」とは何か

四週間後の 10 月 9 日に、二つ目のリポジトリが現れました。Qwen-Image-2.1-Turbo です。カードの最初の段落は、凝縮された一文です。Qwen-Image-2.1 の高速化チェックポイントで、テキストからの画像生成と画像編集のために、ノイズ除去を 8 ステップで行い、同じ 7B の視覚生成アーキテクチャを使い、Diffusers の同じ QwenImage21Pipeline で直接読み込めます。アーキテクチャには何の変更もありません。変わったのは、一枚の画像を作るのにモデルを何回走らせるかです。

この用語に馴染みのない読者のために説明すると、拡散モデルはノイズから出発し、それを繰り返し磨いて画像を作ります。一回の磨きがノイズ除去の 1 ステップで、各ステップはネットワークを一回通る完全な処理なので、ステップ数は一枚にかかる時間を決める第一の要因です。ベースのカードの例は 40 ステップで、Turbo の例は 8 ステップです。通す回数が五分の一になるので、見出しは書きやすくなります。だからこそ慎重になります。ステップ数は実時間ではありません。解像度、ハードウェア、キャッシュされたコンテキスト、ネットワーク以外のすべてが時間に影響し、カードは計測値を示していません。「速い」は予想される帰結にとどまり、測定で確かめたものではないと考えてください。

二つ目の変更はあまり目立ちません。カードは、生成が既定で CFG=1 を使うと述べています。分類器なしガイダンス（classifier-free guidance）は、通常の定式化では、モデルをプロンプトありとなしで一回ずつ走らせ、結果をプロンプトなしの答えから遠ざける手法です。ガイダンススケールが 1 なら、その余分な押しがオフになります。これは一般的な背景知識でカードが明記しているわけではありませんが、蒸留された少ステップモデルが安価になりやすい理由の一つです。カードがはっきり述べているのは、チェックポイントに推奨のサンプリングスケジュールが付いていてスケジューラを自分で設定する必要がないこと、プレフィックス KV キャッシュがノイズ除去のステップをまたいでテキストと参照画像のコンテキストを再利用することです。理屈は単純です。プロンプトと参照画像はステップ間で変わらないので、その中間結果は一度計算して使い回せます。

つまずくところ：セットアップ

ライブラリのバージョンを固定したことがある人なら、Turbo のカードで最も重要な一文が分かるでしょう。このチェックポイントは、パイプラインで設定するサンプリングシグマに対応した Diffusers のバージョンを必要とします。これは Diffusers のプルリクエスト 14950 で追加されたもので、リリース版は使えず、ソースリポジトリから Diffusers をインストールする必要があるということです。transformers 5.17.0 以降、accelerate と pillow、CUDA 対応の PyTorch も求められています。実際には、Turbo を使ったデプロイが、ビルドシステムが既定で取得するパッケージにまだ入っていないかもしれない変更に依存するということです。コミットを固定してください。

サンプリングの説明にはもう一つの罠があります。保存された 8 ステップのスケジュールは自動的に読み込まれ、カードによれば num_inference_steps を設定するだけでは上書きされません。試したければ、呼び出し時に明示的に sigmas 引数を渡さなければならず、カードは、このチェックポイントでは他のスケジュールを評価していないと率直に述べています。つまり 8 ステップのレシピが対応済みの道で、そこから外れるのは自己責任です。品質のためにステップ数を上げることに慣れている人は、このつまみが期待どおりに働かないことに気づくでしょう。

カードの二つの実例は、作者が典型的な使い方と考えるものを示しています。テキストから画像への例は、縦向きの教育用ポスターを 1696×2528 で求め、レイアウト、色、すべての行の文字、化学式を丸ごと書き出した非常に長いプロンプトで指定します。文字組みへの意図的な負荷テストです。編集の例は、モーターヨットのスケッチを受け取り、2048×2048 の写実的な写真を求め、プロンプトで船体の色、煙突の色、舷窓、海の状態を指定します。カードは対応するアスペクト比も挙げていて、2048×2048 の 1:1 から 1536×2752 の 9:16 まであります。ショーケースは、ポートレート写真、人物のポーズと動き、透過画像の生成、文字組みとポスターデザイン、一枚画像の変換、複数参照の合成、四枚画像のインテリア合成に分かれています。

読むべきはライセンス

どちらのカードの下部にも、これがおもちゃか部品かを決める一行があります。このモデルは Qwen Research License Agreement の下でライセンスされています。OSI の意味でのオープンソースライセンスではないので、「オープンウェイト」は正確な表現ですが、「製品に載せて自由に出荷できる」と考えてはいけません。商用のものを作るなら、契約そのものを読んでください。ここでは条項を要約しておらず、推測もしません。

採用の兆しはページから見えます。Hugging Face は Turbo のチェックポイントを使う Spaces が 31 件で、ベースモデルが 100 件だと示しています。試している人がいることは分かりますが、どれだけうまく動くかは分かりません。Turbo のカードは公式フォームでもフィードバックを募っていて、Qwen Image の研究チームにつなぎ、プロンプト、画像、ワークフローの共有を求めています。成熟度の手がかりとして有用です。チームはまだ失敗例を集めている最中です。

GPU が空いていたら、こう試す

蒸留されたチェックポイントを評価する素直な方法は、それ以外のすべてを動かさないことです。自分にとって重要なプロンプトを二十個選びます。文字を埋め込むものと透過背景のものが必要なら、少なくとも一つずつ含めます。シードを固定し、それぞれをベースモデルで 40 ステップ、Turbo で 8 ステップでレンダリングします。実際に使う解像度で、自分のカードで両方の時間を測ります。それから、組になった画像を並べて、自社製品にとって重要な失敗を探します。文字の崩れでも、編集でのアイデンティティのずれでも、透過の縁のフリンジでも構いません。カードは同等だとは主張していないので、そう思い込まないでください。

私たちの見方

Turbo は対話的な使い方で面白い存在です。人がプロンプトを繰り返し調整し、毎回の結果を待つ場面です。たくさんの下書きを素早く生成し、採用するものだけをベースモデルでレンダリングする流れは理にかなっていて、二つのチェックポイントはそのために作られています。周辺のツールを作るなら、未リリースの Diffusers の変更への依存がいちばん壊れやすく、研究用ライセンスがいちばんリリースを止めやすいでしょう。どちらもこのモデルを無視する理由にはなりません。ただ、ショーケースを見る前にセットアップの節を読む理由にはなります。ベースモデルが加えたもの、透過と編集の記事が、話のもう半分を扱っています。

この画像モデルの隣にある言語モデルの系列は、Qwen モデルのリリース時系列にある。

あわせて読みたい

全記事は新しい順に Front ブログ一覧 にあります。

• Qwen Image 2.1 の透過画像と編集: Qwen Image 2.1 の透過画像と編集機能。
• Ling 3.1 Flash：動かすのに何が要るか: Ling 3.1 Flash を動かすために必要なハードウェア。
• Reflection Beam 501B の時系列: Reflection Beam 501B の重みの公開を日付順にまとめたもの。
• Blender の代替ツールの選び方: 3D ツール選びの総合ガイド。
• Qwen モデルのリリース時系列: Qwen を Qwen-7B から Qwen3-Coder まで、ライセンスとコンテキスト付きで。

よくある質問

更新履歴

• 2026年10月17日 — 初回公開。

出典

• Qwen/Qwen-Image-2.1-Turbo model card
• Qwen/Qwen-Image-2.1 model card