Суть обновления: скорость против качества
Команда Alibaba Qwen представила Qwen-Image-2.1-Turbo — оптимизированный чекпоинт своей открытой модели генерации изображений. Главная инновация заключается в сокращении количества шагов денормализации (denoising steps) с 40 до 8. При этом архитектура визуального генератора остается прежней — 7 миллиардов параметров на базе Single-stream DiT с 32 слоями.
Технически ускорение стало возможным благодаря использованию Prefix KV caching. Текстовые токены и контекст референсных изображений вычисляются только на первом шаге, а затем кэш переиспользуется на последующих 7 шагах. Это радикально снижает вычислительную нагрузку, позволяя генерировать изображения в формате 2K (2048×2048) за счет 8 шагов вместо стандартных 40.
Технические характеристики и архитектура
Модель использует связку из визуального генератора (7B) и текстового энкодера Qwen3-VL 8B. Для кодирования изображений применяется VAE с 64 каналами RGBA, что обеспечивает нативную поддержку прозрачности. Процесс генерации управляется через Flow Matching с дискретным планировщиком Euler.
Для запуска требуется библиотека Diffusers (с поддержкой PR #14950) и трансформеры версии >=5.17.0. Модель работает на CUDA GPU в формате BF16. Хотя Alibaba не публикует строгих требований к VRAM для Turbo-версии, оценки Unsloth для базовой модели указывают на запуск на 11 ГБ VRAM (с GGUF) или 24 ГБ (INT8/FP8).
Сравнение с базовой версией и конкурентами
Qwen-Image-2.1-Turbo сохраняет весь функционал базовой модели, включая редактирование изображений по маске, трансформацию и композицию до 10 референсных изображений. Ниже приведено сравнение ключевых параметров новой Turbo-версии с базовой моделью и другими быстрыми решениями на рынке.
| Параметр | Qwen-Image-2.1-Turbo | Qwen-Image-2.1 (Base) | Z-Image-Turbo | FLUX.2 klein 9B |
|---|---|---|---|---|
| Размер генератора | 7B | 7B | 6B | 9B |
| Текстовый энкодер | Qwen3-VL 8B | Qwen3-VL 8B | Не раскрыт | Qwen3 8B |
| Шаги генерации (по умолчанию) | 8 | 40 | 8 NFEs | Не указано |
| Редактирование | Да, мульти-референс | Да, до 10 референсов | Нет (отдельная модель) | Да, мульти-референс |
| Прозрачность (RGBA) | Да | Да | Не раскрыто | Не раскрыто |
| Нативное разрешение | 2K (2048×2048) | 2K (2048×2048) | 1024×1024 | 1024×1024 |
| Лицензия | Qwen Research | Qwen Research | Apache 2.0 | FLUX Non-Commercial |
Стоимость API и доступность
Alibaba Cloud Model Studio предлагает два тарифных плана для облачного доступа. Qwen-Image-2.1-Turbo стоит 0.1 юаня за изображение с лимитом 120 запросов в минуту (RPM). Для сравнения, версия Pro стоит 0.25 юаня и ограничена 20 RPM. Таким образом, Turbo-версия в 2.5 раза дешевле и позволяет обрабатывать в 6 раз больше запросов.
Важно отметить: модель распространяется под лицензией Qwen Research License. Это означает, что для коммерческого использования и самохостинга (self-hosting) требуется отдельное разрешение от разработчиков. На данный момент специфических бенчмарков именно для Turbo-версии не опубликовано, но базовая модель Qwen-Image-2.1 демонстрирует результат 60.28 на Qwen-Image-Bench, являясь лидером среди открытых весов.
Источник: MarkTechPost ↗