阿里 Qwen 发布 Qwen-Image-2.1-Turbo：7B 架构把去噪步数从 40 步压到 8 步，API 每张 0.1 元
来源MarkTechPost查看原文
速览
- 同一 7B 架构下把去噪步数从 40 步降到 8 步，是这次发布的核心变化。
- 一个 checkpoint 同时覆盖 2K 文生图、多参考图编辑与透明 RGBA 输出。
- API 每张 0.1 元，比 Pro 版便宜 2.5 倍，请求速率高 6 倍。
- 权重为研究许可，商用自托管需另行获得授权。
- Turbo 暂无专属 benchmark，基础模型 Qwen-Image-Bench 得分 60.28。
- 对比 Z-Image-Turbo 的 8 NFEs、FLUX.2 klein 9B 的 4 步，步数并非最低。
- Z-Image-Turbo 用 Apache 2.0，FLUX.2 klein 9B 为非商用许可，授权条款各不相同。
- 原生分辨率 2K，高于 Z-Image-Turbo 与 FLUX.2 klein 9B 示例中的 1024×1024。
- 设置 num_inference_steps 不会覆盖内置采样计划，需显式传 sigmas。
- Qwen 未公布 Turbo 显存门槛，硬件需求仍不明确。
阿里 Qwen 团队发布 Qwen-Image-2.1-Turbo，这是开源权重模型 Qwen-Image-2.1 的加速版本。它沿用同一套 7B 视觉生成架构，但把去噪步数从基础模型默认的 40 步降到 8 步，官方称相当于在相同架构上减少 5 倍去噪步数。模型同时提供自托管权重和阿里云 Model Studio 托管 API 两种使用方式。Turbo 保留了基础模型的 2K 输出与编辑能力，包括多参考图编辑和原生透明 RGBA 输出。API 定价为每张图 0.1 元人民币，限速 120 RPM；同系列的 Pro 版本为每张 0.25 元、20 RPM，Turbo 单张便宜 2.5 倍、请求速率高 6 倍。需要注意的是，Turbo 权重采用 Qwen Research License，商用自托管需要另行获得授权。
关键事实
- Qwen-Image-2.1-Turbo 是 Qwen-Image-2.1 的加速 checkpoint，去噪步数从基础模型默认的 40 步降至 8 步，官方口径为 5 倍更少的去噪步数。
- 模型沿用 7B 视觉生成架构，搭配 Qwen3-VL 8B 文本编码器，通过 Diffusers 的 QwenImage21Pipeline 加载，在 CUDA GPU 上以 BF16 运行。
- 架构为 32 层单流 DiT，采用 block-causal attention：文本 token 用 token 级因果掩码，图像用 chunk 级双向掩码；VAE 为 64 通道 RGBA 自编码器，16 倍空间压缩，支持原生透明输出。
- 采样器为 Flow Matching 配 Euler 离散调度与动态偏移，默认 CFG=1，checkpoint 内置推荐的 8 步采样计划；prefix KV caching 在去噪各步复用文本与参考图上下文。
- 基础模型 Qwen-Image-2.1 在 Qwen-Image-Bench 上得分为 60.28，是 Qwen 报告的开源权重最高分；Turbo 本身尚无专属 benchmark 数据。
- 阿里云 Model Studio 同时托管 Turbo 与 Pro：qwen-image-2.1-turbo 每张 0.1 元、120 RPM；qwen-image-2.1-pro 每张 0.25 元、20 RPM。
本站视角
对国内做图像生成应用的团队来说，这次发布最直接的价值在成本结构上。每张 0.1 元、120 RPM 的托管 API，比同系列 Pro 便宜 2.5 倍、速率高 6 倍，意味着批量出图类产品（电商主图、海报批量生成、UI 稿生成）的单张成本被压到一毛钱量级，同时 120 RPM 的限速对中小规模线上服务基本够用。如果走自托管路线，8 步相比 40 步在推理时间上大致是数量级的差异，对需要低延迟交互的场景（实时预览、编辑器内联生成）是实质性改善，而不只是参数上的好看。 我们的判断是：这是一次工程优化性质的发布，不是能力跃迁。Qwen 没有换架构、没有换文本编码器、没有提升分辨率，改的是采样步数和缓存策略，输出规格与基础模型一致。这类「同架构加速版」的价值取决于加速后的质量损失有多大，而原文恰恰没有给出 Turbo 的任何 benchmark 数据——Qwen-Image-Bench 的 60.28 分是基础模型的成绩，不能直接套到 Turbo 头上。在第三方评测出来之前，把 8 步等同于「质量不变、速度 5 倍」是过度解读，需要观察的是少步数采样在文字排版、多参考图一致性这些难点上的退化程度。 对做 Agent 和内容工具的团队，更值得关注的是编辑能力与透明输出的组合。多参考图编辑加原生 RGBA 透明通道，在同一个 checkpoint 里同时具备的模型并不多：Z-Image-Turbo 不支持编辑，FLUX.2 klein 9B 支持编辑但未披露透明输出且显存门槛约 29 GB。如果 Turbo 的编辑质量站得住，它在「抠图 + 合成 + 透明素材产出」这类工作流里有实际位置。 需要直接指出的两点可疑之处。第一，授权条款是硬约束：Qwen Research License 意味着商用自托管必须单独拿授权，而竞品 Z-Image-Turbo 是 Apache 2.0，对想私有化部署又不想走商务流程的团队，这个差别可能比价格更重要。第二，硬件信息缺失：Qwen 没有公布 Turbo 的显存最低要求，原文引用的 11 GB / 24 GB 是 Unsloth 对基础模型的估算，不是 Turbo 的官方数据，把它当作 Turbo 的部署门槛是不准确的。另外，原文的对比表格里 Turbo 一行的 Qwen-Image-Bench 标注为「未披露」，这本身就说明厂商在加速版上没有可对外的质量证据，读者不宜自行补全。
背景与影响
Qwen-Image-2.1 是阿里 Qwen 团队的开源权重图像生成与编辑模型，基础版本默认 40 步去噪，在 Qwen-Image-Bench 上拿到 60.28 分，是 Qwen 报告的开源权重最高分。Turbo 版本的做法不是换架构，而是在同一套 7B 单流 DiT 上把采样步数压到 8 步，并依靠 prefix KV caching 复用文本与参考图上下文来摊薄条件计算成本——注意力设计（文本 token 级因果掩码、图像 chunk 级双向掩码）正是这套缓存能生效的前提。这意味着 Qwen 选择用「少步数 + 缓存」而不是「换更小模型」来提速，输出规格（2K、多参考图编辑、透明 RGBA）基本保持不变。 放到竞争格局里看，快速图像模型这条线上已经有多个玩家：阿里自家 Tongyi-MAI 的 Z-Image-Turbo 是 6B、8 NFEs，但不支持编辑（编辑由单独的 Edit 模型承担），采用 Apache 2.0；Black Forest Labs 的 FLUX.2 klein 9B 是 9B、4 步，支持多参考图编辑，但采用 FLUX 非商用许可，硬件门槛约 29 GB 显存、建议 RTX 4090 以上。Qwen-Image-2.1-Turbo 的差异点在于把 2K 原生分辨率、编辑能力和透明输出打包进同一个 checkpoint，同时给出每张 0.1 元的托管 API。 需要观察的是授权与硬件两条线。Turbo 沿用 Qwen Research License，商用自托管要单独拿授权，这对想私有化部署的企业是实际约束；而 Qwen 没有公布 Turbo 的显存最低要求，目前只有 Unsloth 对基础模型的估算（GGUF 11 GB、INT8/FP8 24 GB）可作参考，Turbo 是否同样适用尚无官方说法。此外 Turbo 没有专属 benchmark，只能参照基础模型的 60.28 分，加速后的质量损失幅度目前无法从公开数据判断。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
