Qwen-Image-2.1-Turbo：同一个 7B 生成器，只做八步去噪

时间线

1. 2026年9月14日

   Qwen-Image-2.1 仓库出现在 Hugging Face 上。它的模型卡介绍说，这是一个统一的文生图和图像编辑模型，视觉生成部分有 7B 参数，由 32 层单流 DiT 构成，具备原生透明度，编辑最多可参考 10 张图，并提供名为 QwenImage21Pipeline 的 Diffusers 流水线。它的示例调用要求 40 步推理。

   Qwen/Qwen-Image-2.1 model card

2. 2026年10月9日

   Qwen-Image-2.1-Turbo 仓库出现。模型卡称它是 Qwen-Image-2.1 的加速检查点，去噪 8 步，架构仍是同一个 7B，默认 CFG=1，并使用前缀 KV 缓存，同时说明需要从源码安装 Diffusers。

   Qwen/Qwen-Image-2.1-Turbo model card

先说基础模型，因为 Turbo 只有放在它旁边才讲得通

9 月 14 日，Hugging Face 上出现了一个名为 Qwen-Image-2.1 的仓库，模型卡开头的一句话很谦虚：团队很高兴开源 Qwen 系列里一个统一的文生图和图像编辑模型。接下来的细节，才是真正要运行它的人关心的。视觉生成部分只有 7B 参数，由 32 层单流 DiT 搭成，模型卡把整次发布定位为在质量、效率和通用性之间取得平衡，而没有去争最大的模型。

模型卡列出了四项改进。一是紧凑的架构，带有混合粒度注意力和前缀 KV 缓存复用，目的是以较低的计算成本提供画质。二是原生透明度：同一个模型可以从文字生成普通或透明（RGBA）图像，编辑透明图层，并从照片中提取主体。三是编辑支持最多 10 张参考图，局部编辑可以用圆圈、手绘标注或单独的蒙版来指定，并保持人物和商品的身份一致。最后，作者称它在文字排版、人像光线和细节上更好。这些是作者的说法；模型卡没有给出我们能核对的基准表，我们也没有运行这个模型。

示例代码对使用成本很坦白。文生图调用要求在 2048×2048 下推理 40 步，对预算更紧的用户，模型卡给了一条内存提示：对流水线调用 enable_model_cpu_offload。Turbo 想要改进的，就是这个基线。

四周之后：“加速”是什么意思

四周后的 10 月 9 日，第二个仓库出现了：Qwen-Image-2.1-Turbo。模型卡的第一段只有一句密集的话：它是 Qwen-Image-2.1 的加速检查点，用于文生图和图像编辑，去噪 8 步，沿用同样的 7B 视觉生成架构，可以通过 Diffusers 里同一个 QwenImage21Pipeline 直接加载。架构没有任何变化，变的是生成一张图要把模型跑多少次。

没接触过这个术语的读者可以这样理解：扩散模型从噪声出发，反复精修来生成图像。每一次精修叫一个去噪步，每一步都是一次完整的网络前向，所以步数是决定一张图要多久的首要因素。基础模型卡的示例用 40 步，Turbo 的用 8 步。前向次数少了五倍，标题也就很好写。但我们要谨慎，正因为步数并不等于实际耗时。分辨率、硬件、缓存的上下文，以及网络之外的一切都会影响耗时，而模型卡没有给出任何计时。把“更快”当作预期的结果，不要当作测出来的结果。

第二个变化不那么显眼。模型卡说生成默认使用 CFG=1。无分类器引导（classifier-free guidance）的常见做法是，把模型跑两次，一次带你的提示词，一次不带，再把结果推离不带提示词的那个答案。引导系数为 1，就是把这额外的一推关掉，这是一般性的背景知识，模型卡并没有写明，它也是蒸馏出来的少步模型往往成本低的原因之一。模型卡确实说了的是：检查点自带推荐的采样调度，你不需要自己配置调度器，前缀 KV 缓存会在各个去噪步之间复用文字和参考图的上下文。道理很简单：提示词和参考图在各步之间不会变，它们的中间结果就可以算一次、重复使用。

会让你栽跟头的部分：安装配置

固定过库版本的人都知道，Turbo 模型卡里最要紧的是哪一句。这个检查点需要一个支持由流水线配置采样 sigma 的 Diffusers 版本，这项支持是在 Diffusers 的拉取请求 14950 中加入的，也就是说要从源码仓库安装 Diffusers，不能用正式发布的版本。它还要求 transformers 5.17.0 或更高版本，外加 accelerate 和 pillow，以及兼容 CUDA 的 PyTorch。实际含义是：基于 Turbo 的部署，依赖一项可能还没进入你的构建系统默认拉取的软件包的改动。请把提交锁定。

采样说明里还有第二个陷阱。保存下来的 8 步调度会自动加载，模型卡说，只设置 num_inference_steps 并不会覆盖它。如果你想试验，就必须在调用时显式传入 sigmas 参数，模型卡也坦率地说，这个检查点没有评估过其他调度。换句话说，8 步的方案是受支持的路径，偏离它就由你自己负责。习惯了为提高质量而调高步数的人，会发现这个旋钮的表现和预期不同。

模型卡里的两个完整示例，显示了作者心目中的典型用法。文生图示例要求生成一张竖版的教育海报，尺寸 1696×2528，用一个很长的提示词规定了版面、颜色和每一行文字，其中包括一个完整写出的化学方程式。这是对文字排版有意为之的压力测试。编辑示例取一张机动游艇的草图，要求生成 2048×2048 的写实照片，提示词里规定了船体颜色、烟囱颜色、舷窗和海况。模型卡还列出了支持的宽高比，从 2048×2048 的 1:1 到 1536×2752 的 9:16，以及一个按人像摄影、人物姿势与动作、透明图像生成、文字排版与海报设计、单图变换、多参考图合成和四图室内合成分组的展示。

许可证才是该读的部分

两张模型卡的底部都有一行字，决定了这是玩具还是零件：模型采用 Qwen Research License Agreement 许可。这不是 OSI 意义上的开源许可证，所以“开放权重”是准确的描述，而“可以随产品发布”不能想当然。如果你在做商业产品，请读协议本身，我们这里没有概括它的条款，也不会去猜。

采用情况从页面上能看到。Hugging Face 显示有 31 个 Spaces 使用 Turbo 检查点，基础模型是 100 个，这说明有人在试，却说明不了效果如何。Turbo 的模型卡还通过一份官方表单征集反馈，把用户连到 Qwen Image 研究团队，请大家分享提示词、图像和工作流。这是判断成熟度的一个有用迹象：团队还在收集失败案例。

如果有空闲的 GPU，我们会怎么测

评估蒸馏检查点的老实办法，是让其他一切保持不变。挑二十条对你重要的提示词，如果需要，其中至少一条带嵌入文字，一条带透明背景，固定随机种子，分别在基础模型上跑 40 步，在 Turbo 上跑 8 步。用你自己的显卡，在你实际使用的分辨率下，对两者计时。然后对比每一对图，找你的产品最在意的那种失败：文字乱码、编辑中身份漂移，还是透明边缘的毛边。模型卡并没有声称两者质量相当，你也不要这样假定。

我们的看法

Turbo 对交互式使用很有意思，也就是人在反复调整提示词、等每个结果的场景。先快速生成许多草稿，再用基础模型渲染选中的那几张，是一种合理的工作流，两个检查点正是为此而做。如果你围绕它搭建工具，对尚未发布的 Diffusers 改动的依赖最可能出问题，而研究用许可证最可能拦住上线。两者都不构成忽略这个模型的理由，却都是先读安装配置那一节、后看展示的理由。配套的文章基础模型新增了什么：透明度和编辑讲的是故事的另一半。

这个图像模型旁边的语言模型产品线，写在 Qwen 模型发布时间线 上。

继续阅读

全部文章按时间倒序排列在 Front 博客首页。

• Qwen Image 2.1 的透明图像与编辑: Qwen Image 2.1 的透明图像和编辑功能。
• Ling 3.1 Flash：运行它需要什么: 运行 Ling 3.1 Flash 所需的硬件。
• Reflection Beam 501B 时间线: Reflection Beam 501B 权重发布的带日期时间线。
• 如何选择 Blender 的替代品: 3D 工具的完整选择指南。
• Qwen 模型发布时间线: Qwen 从 Qwen-7B 到 Qwen3-Coder，含许可与上下文。

常见问题

更新记录

• 2026年10月17日 — 首次发布。

来源

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