通义图像 Turbo 将去噪压至 8 步

人工智能

Alibaba 的 Qwen 团队发布了 Qwen-Image-2.1-Turbo，这是其开放权重模型 Qwen-Image-2.1 的加速版 checkpoint。它只需 8 个去噪步骤即可生成和编辑图像，而基础模型默认需要 40 步。对开发者来说，这意味着在相同的 7B 架构上，去噪步数降至原来的五分之一，同时还可以选择托管 API。

规模：视觉生成器有 7B 参数，搭配 Qwen3-VL 8B text encoder。

运行环境：通过 Diffusers，以 BF16 精度在 CUDA GPU 上运行。Qwen 未公布 Turbo 的最低显存要求。Unsloth 估算，基础模型使用 GGUF 时需要 11 GB 显存，使用 INT8/FP8 时需要 24 GB。

性能：保留 Qwen-Image-2.1 的 2K 输出能力和全部编辑功能，将去噪步数从 40 步减少到 8 步。

最佳表现：基础模型 Qwen-Image-2.1 在 Qwen-Image-Bench 上得分 60.28，是 Qwen 公布的开放权重模型中的最高分。

核心优势：一个开放 checkpoint 即可完成 8 步 2K 图像生成和编辑。

主要限制：仅采用研究许可，商业用途的自行部署需要另行获得授权。

什么是 Qwen-Image-2.1-Turbo？

Qwen-Image-2.1-Turbo 是 Alibaba Qwen 团队推出的图像生成与编辑 checkpoint，只需 8 步即可完成采样。它基于 Qwen-Image-2.1 构建，保留了相同的 7B 视觉生成架构，可以在 Diffusers 中通过 QwenImage21Pipeline 直接加载。

checkpoint 内置了推荐的 8 步采样调度。生成时默认使用 CFG=1。Prefix KV caching 会在各个去噪步骤之间复用文本和参考图像的上下文。

Qwen-Image-2.1-Turbo 如何工作？

底层架构是一个拥有 32 层、7B 参数的单流 DiT，采用 block-causal attention。文本 token 使用 token 级 causal mask，图像则使用 chunk 级 bidirectional mask。

Text encoder：Qwen3-VL 8B 同时编码指令和条件图像。

VAE：一个 64 通道的 RGBA autoencoder，空间压缩倍率为 16 倍，支持原生透明度。

Scheduler：采用 Flow Matching，结合 Euler 离散调度和 dynamic shifting。

这种 attention 设计使 prefix caching 成为可能。输入图像和文本只在第一步计算一次，之后每一步都复用这份缓存。在总共只有 8 步的情况下，缓存的 prefix 可以覆盖条件处理的大部分计算开销。

它能生成和编辑什么？

Turbo 的 model card 展示了 8 类示例，包括人像、人体姿态、透明图像、文字排版与海报，以及 UI 布局。编辑示例包括单图转换、多参考图组合，以及使用 4 张图像进行室内场景组合。基础模型最多支持 10 张参考图，还可以通过圈选、涂画标注或 mask 进行局部编辑。

如何运行 Qwen-Image-2.1-Turbo？

环境配置需要从源码安装 Diffusers，并安装 transformers>=5.17.0。该 checkpoint 需要 Diffusers PR #14950，其中新增了由 pipeline 配置采样 sigmas 的能力。

import torch
from diffusers import QwenImage21Pipeline

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16
).to("cuda")

image = pipe(
    prompt="A ceramic teapot on a wooden table, soft window light",
    width=2048, height=2048, use_kv_cache=True,
).images[0]

进行编辑时，传入 image=input_image，并提供指令 prompt。支持的预设尺寸从 2048×2048 的正方形，到 16:9 的 2752×1536。

这里有一点需要注意：仅设置 num_inference_steps 并不会覆盖已保存的采样调度。只有显式传入 sigmas 参数才能覆盖它，而且 Qwen 表示其他调度方案尚未经过测试。

API 费用是多少？

Alibaba Cloud Model Studio 现已托管 Turbo 和 Pro 两个版本。在大多数地区，qwen-image-2.1-turbo 每张图像收费 0.1 元人民币，请求速率上限为 120 RPM。qwen-image-2.1-pro 每张图像收费 0.25 元人民币，上限为 20 RPM。Turbo 的单张图像费用是 Pro 的五分之二，也就是便宜 2.5 倍，允许的请求速率则是 Pro 的 6 倍。

Qwen-Image-2.1-Turbo 与其他快速图像模型的对比

特性	Qwen-Image-2.1-Turbo	Qwen-Image-2.1	Z-Image-Turbo	FLUX.2 klein 9B
所属机构	Alibaba Qwen	Alibaba Qwen	Alibaba Tongyi-MAI	Black Forest Labs
生成器规模	7B	7B	6B	9B
Text encoder	Qwen3-VL 8B	Qwen3-VL 8B	未披露	Qwen3 8B
默认步数	8	40	8 NFEs	4
编辑能力	支持，多参考图	支持，最多 10 张参考图	不支持，另有独立 Edit 模型	支持，多参考图
透明 RGBA 输出	支持	支持	未披露	未披露
原生分辨率	2K（2048×2048）	2K（2048×2048）	示例为 1024×1024	示例为 1024×1024
硬件参考	未披露	GGUF 需要 11 GB / FP8 需要 24 GB（Unsloth 估算）	可在 16 GB 显存中运行	约 29 GB 显存，RTX 4090+
许可	Qwen Research License	Qwen Research License	Apache 2.0	FLUX Non-Commercial
Qwen-Image-Bench	未披露	60.28（厂商公布）	未披露	未披露
托管 API	每张图像 0.1 元人民币	Pro：每张图像 0.25 元人民币	未披露	BFL API

Qwen-Image-2.1-Turbo 在相同的 7B 架构上，将去噪步数从 40 步减少到 8 步。

一个 checkpoint 即可处理 2K 文生图、多参考图编辑和透明 RGBA 输出。

API 每张图像收费 0.1 元人民币，比 Pro 便宜 2.5 倍。

模型权重采用研究许可，因此商业用途的自行部署需要另行获得授权。

目前还没有针对 Turbo 的专门 benchmark；基础模型 Qwen-Image-2.1 在 Qwen-Image-Bench 上得分为 60.28。

欢迎查看 ModelScope 页面、Hugging Face 页面，以及 Pro API 和 Turbo API。所有功劳都归于该项目的研究人员。也欢迎在 Twitter 上关注我们，别忘了加入我们拥有超过 15 万成员的 ML SubReddit，并订阅我们的 Newsletter。等等！你用 Telegram 吗？现在也可以在 Telegram 上加入我们。

Asif Razzaq 是 Marktechpost AI Media Inc. 的 CEO。作为一位富有远见的创业者和工程师，Asif 致力于利用人工智能的潜力造福社会。他最近的项目是推出人工智能媒体平台 Marktechpost。该平台以深入报道 machine learning 和 deep learning 新闻而见长，内容既保持技术上的严谨，也能让广泛的读者群体轻松理解。平台每月浏览量超过 200 万，体现了它在读者中的受欢迎程度。