Qwen-Image-2.1-Turbo bruker åtte steg – fart krever riktig oppsett

Qwen lanserte Qwen-Image-2.1-Turbo 9. oktober 2026 som et eget kontrollpunkt for bildegenerering og bilderedigering med åtte denoising-steg, mot 40 i grunnmodellens standardoppsett. Den visuelle delen har samme arkitektur med 7 milliarder parametere som Qwen-Image-2.1. Samme dag ble Turbo- og Pro-API-ene tilgjengelige i Alibaba Cloud Model Studio.

For å kjøre den publiserte Turbo-konfigurasjonen er ikke stegtallet alene nok. Qwens modellkort beskriver en lagret samplingsplan som lastes med kontrollpunktet, og CFG er satt til 1 som standard. En eldre arbeidsflyt blir derfor ikke Turbo bare ved å velge åtte steg: kontrollpunktet, planen og CFG-innstillingen må høre sammen.

Turbo er et eget kontrollpunkt

Turbo bygger på Qwen-Image-2.1, men lastes som et eget kontrollpunkt. Begge kan lage et bilde fra en tekstinstruksjon og redigere et eksisterende bilde etter en instruksjon. At den visuelle arkitekturen er den samme, betyr ikke at vektene og kjøreoppsettet er identiske. Turbo-utgaven er tilpasset den publiserte samplingsplanen med færre denoising-overganger.

Det skillet betyr noe for en eksisterende arbeidsflyt. Hvis den fortsetter å laste grunnmodellen og bare får et lavere stegtall, er det fortsatt grunnmodellen som kjøres. Et resultat fra en slik kjøring sier derfor ikke hvordan Turbo-kontrollpunktet oppfører seg. Den dokumenterte lokale veien laster «Qwen/Qwen-Image-2.1-Turbo» i QwenImage21Pipeline, slik at modell og tilhørende innstillinger kommer fra samme utgivelse.

Qwens redigeringseksempel viser også hva den felles pipelinen gjør i de to oppgavene. Ved bildegenerering får den en tekstinstruksjon; ved redigering får den i tillegg et kildebilde. I eksemplet brukes en skisse av en motorjakt som utgangspunkt for et realistisk fartøy på åpent hav. Kildebildet gir modellen et motiv og en struktur å arbeide videre med, mens teksten beskriver endringen som ønskes.

Samplingsplanen bestemmer hvilke steg som tas

Stegtallet angir hvor mange denoising-overganger som utføres. Samplingsplanen angir støynivåene modellen skal følge gjennom disse overgangene. To kjøringer kan dermed ha like mange steg og likevel bruke forskjellige forløp. Turbo-kontrollpunktet har den anbefalte planen lagret sammen med modellen, og Diffusers laster den automatisk når programvaren støtter dette.

En teknisk gjennomgang fra Yix publisert 10. oktober forklarer hvorfor det ikke holder å redusere stegtallet i en eldre arbeidsflyt: Turbo-kontrollpunktet, den lagrede planen og CFG 1 utgjør det anbefalte utgangspunktet. Gjennomgangen beskriver konfigurasjonen, men oppgir ingen generell måling av hvor mange sekunder en kjøring sparer på en bestemt maskin.

Modellkortet presiserer en detalj som lett kan overses: Å sette «num_inference_steps» alene overstyrer ikke planen som følger kontrollpunktet. Et eksplisitt «sigmas»-argument ved kjøring gjør derimot det. Brukes slike egne samplingsverdier, er kjøringen endret fra den publiserte standardkonfigurasjonen; alternative planer er heller ikke evaluert for kontrollpunktet i modellkortet.

Den lokale installasjonen forutsetter dessuten en CUDA-kompatibel PyTorch-versjon, en nyere Diffusers-kildeversjon som kan lese samplingsverdier konfigurert i pipelinen, og Transformers 5.17.0 eller nyere. Kravet til Diffusers er vesentlig: Uten støtte for den lagrede planen er riktig modellnavn og riktig stegtall ikke nok til å følge Qwens eksempel. Den dokumenterte pipelinen lar planen følge kontrollpunktet uten at verdiene må tastes inn manuelt.

API og publiserte vekter gir ulike kjøreveier

Alibaba Cloud Model Studio tilbyr et vertsbasert Turbo-API, mens de publiserte vektene kan lastes og kjøres i eget miljø med Diffusers. Via API-et sender en applikasjon forespørselen til en driftet tjeneste. Ved lokal kjøring står brukeren selv for programvare, modellinnlasting og maskinvare. Tilgangen til samme modellnavn innebærer derfor ikke at ventetid eller driftsforhold kan sammenlignes direkte.

Skillet er også praktisk ved valg av filer. Grunnmodellens kontrollpunkt, det offisielle Turbo-kontrollpunktet og en separat akselerasjonsadapter er forskjellige utgangspunkter. En arbeidsflyt som er laget for én av dem, kan ha andre valg for modell, samplingsplan og CFG. For den dokumenterte lokale Turbo-kjøringen er den direkte Diffusers-ruten tydeligst, fordi kontrollpunktet selv leverer samplingsplanen til pipelinen.

Et API-kall omfatter transport til tjenesten og eventuell ventetid der, mens en lokal måling påvirkes av blant annet modellinnlasting og maskinens ressurser. Det må derfor være klart om en oppgitt tid gjelder selve bildegenereringen eller hele tiden fra forespørsel til ferdig bilde. Modellkortet oppgir ingen universell responstid som kan overføres mellom disse kjøreveiene.

Hva en sammenligning av fart og kvalitet må holde fast

Færre denoising-steg betyr færre overganger i den publiserte Turbo-konfigurasjonen. Det alene fastsetter ikke hvor lenge brukeren venter. Tekst og eventuelle kildebilder skal behandles, resultatet skal dekodes, og større bilder krever andre ressurser enn mindre. Første kjøring kan dessuten omfatte innlasting som senere kjøringer slipper.

En sammenligning med grunnmodellen bør la hver modell bruke sitt anbefalte oppsett og holde selve oppgaven lik: samme tekstinstruksjon, samme kildebilde ved redigering, samme bildestørrelse og samme maskinvare. Da kan kjøretid og bildekvalitet vurderes hver for seg. Hvis også samplingsplan, CFG eller programvare endres uten å bli oppgitt, kan en forskjell i resultatet ikke tilskrives Turbo-kontrollpunktet alene.

For en lokal kjøring er følgen av lanseringen konkret: Lastes Turbo-kontrollpunktet i en Diffusers-versjon som leser den lagrede planen, følger samplingsoppsettet modellen uten manuelle verdier. En måling fra en eldre arbeidsflyt med bare redusert stegtall beskriver derimot den eldre arbeidsflyten.

Les også:

• Cal.com eller Calendly: gratisplanen vinner, men oppsettet koster tid
• OBS eller Streamlabs: enklere oppsett kan koste opptil 28 prosent mer CPU
• Anthropic bruker 100 millioner dollar på KI-trening – Novo er med fra start