Zuletzt aktualisiert: 13. Oktober 2026

Qwen Image 2.1 Turbo: was es ist, was es kostet, wie Sie es nutzen

Am 9. Oktober 2026 veröffentlichte Alibabas Qwen-Team Qwen-Image-2.1-Turbo, einen beschleunigten Checkpoint des Open-Weight-Modells Qwen-Image-2.1, das am 20. September erschienen war. Es erzeugt und bearbeitet Bilder in 8 statt 40 Denoising-Schritten, auf derselben 7B-Architektur. Diese Seite zeigt, was sich geändert hat, wo Sie es ausführen, was es kostet und wo der Haken bei der Lizenz liegt.

Qwen-Image-2.1-Turbo auf einen Blick

Quelle: Hugging Face Model Card

Quelle: Qwen-Image-2.1 auf GitHub

Turbo vs. Basismodell vs. Pro

Turbo ist kein kleineres Modell. Es ist dasselbe 7B-Netz, trainiert, um in weniger Schritten fertig zu werden; pro Bild braucht es daher nur etwa ein Fünftel der Denoising-Durchläufe. Pro ist die gehostete Top-Stufe bei Alibaba Cloud.

Die 60.28 des Basismodells wurden mit dem 40-Step-Checkpoint gemessen. Gehen Sie nicht davon aus, dass Turbo diesen Wert erreicht, bis Qwen oder ein unabhängiger Tester einen Turbo-Wert veröffentlicht.

Quelle: Hugging Face Model Card

Quelle: Model Studio: qwen-image-2.1-turbo

Quelle: Model Studio: qwen-image-2.1-pro

Quelle: DataNorth: Benchmark-Diagramm zu Qwen-Image-2.1

Qwen Image 2.1 Turbo Preis

Die Alibaba-Preise sind Listenpreise vor Aktionen. Runware und Venice sind Drittanbieter mit eigenen Bedingungen. Code und Details zu jedem Anbieter finden Sie im API-Leitfaden.

Qwen Image 2.1 Turbo API-Leitfaden

Quelle: Model Studio: qwen-image-2.1-turbo

Quelle: Modellseite bei Runware

Quelle: Modellseite bei Venice

So nutzen Sie Qwen Image 2.1 Turbo

• Im Browser ausprobieren. Der Qwen-Image-2.1 Demo-Space auf Hugging Face führt die Modellfamilie ohne Einrichtung aus. Auch Venice bietet das Modell an, mit einem kostenlosen Tageskontingent für neue Konten.
• ComfyUI. Laden Sie den offiziellen Qwen-Image-2.1-Workflow, setzen Sie das Turbo-Diffusionsmodell ein (oder das Basismodell plus Turbo-LoRA) und stellen Sie 8 Schritte und CFG 1 ein.
• Python (Diffusers). QwenImage21Pipeline lädt den Checkpoint direkt. Sie brauchen Diffusers aus dem Quellcode und transformers 5.17 oder neuer.
• Gehostete API. Rufen Sie qwen-image-2.1-turbo in Alibaba Cloud Model Studio auf oder nutzen Sie einen Drittanbieter wie Runware.

Leitfaden für ComfyUI und lokale Installation · API-Leitfaden

Quelle: Qwen-Image-2.1 Demo-Space

Quelle: Modellseite bei Venice

Quelle: Release-Notiz im ComfyUI Wiki

Quelle: Hugging Face Model Card

Schnellstart mit Python

Installieren Sie die Bibliotheken und erzeugen Sie dann ein Bild. Die Pipeline liest den 8-Step-Schedule aus dem Checkpoint, Sie müssen also keine Schrittzahl übergeben.

pip install "torch>=2.4.0"
pip install git+https://github.com/huggingface/diffusers.git
pip install "transformers>=5.17.0" accelerate pillow

import torch
from diffusers import QwenImage21Pipeline

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

# The 8-step schedule and CFG 1 are stored in the checkpoint: no steps argument needed.
image = pipe(
    prompt="A minimalist coffee shop poster, the words 'OPEN LATE' in bold serif type, warm evening light",
    width=1696,
    height=2528,
    use_kv_cache=True,
    generator=torch.Generator("cpu").manual_seed(42),
).images[0]
image.save("t2i.png")

num_inference_steps allein ändert den Schedule nicht; nur ein explizites sigmas-Argument überschreibt ihn, und laut Qwen sind andere Schedules nicht getestet.

Quelle: Hugging Face Model Card

Bildbearbeitung und mehrere Referenzen

Dieselbe Pipeline bearbeitet Bilder: Übergeben Sie image= zusammen mit einem Anweisungs-Prompt. Mit einer Liste kombinieren Sie bis zu 10 Referenzbilder.

import torch
from diffusers import QwenImage21Pipeline
from diffusers.utils import load_image

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

sketch = load_image("sketch.png").convert("RGBA")
image = pipe(
    prompt="Turn this sketch into a photorealistic yacht on the open sea at golden hour",
    image=sketch,  # pass a list for multi-reference editing (up to 10 images)
    width=2048,
    height=2048,
    use_kv_cache=True,
    generator=torch.Generator("cpu").manual_seed(20261009),
).images[0]
image.save("edit.png")

Quelle: Hugging Face Model Card

Quelle: Qwen-Image-2.1 auf GitHub

Empfohlene Auflösungen

Für transparente PNGs empfiehlt Qwen, im Prompt anzugeben, dass das Bild transparent ist und einen transparenten Hintergrund hat.

Quelle: Hugging Face Model Card

Quelle: Qwen-Image-2.1 auf GitHub

Benchmarks: was Qwen veröffentlicht hat und was nicht

Qwen hat für die 2.1-Familie nur ein einziges Diagramm veröffentlicht, auf dem hauseigenen, nicht öffentlichen Qwen-Image-Bench. Alle Werte gelten für das 40-Step-Basismodell.

• Qwen hat keinen Turbo-Wert und keine Angaben zu Latenz oder Durchsatz veröffentlicht.
• Qwen nennt weder eine Aufschlüsselung nach Kategorien noch die Methodik hinter dem Diagramm.
• Runware gibt etwa 23 Sekunden pro Anfrage auf der eigenen Infrastruktur an; darin ist Wartezeit enthalten, es ist kein GPU-Benchmark.

Quelle: DataNorth: Benchmark-Diagramm zu Qwen-Image-2.1

Quelle: Modellseite bei Runware

Darf man es kommerziell nutzen?

Die offenen Gewichte stehen wie beim Basismodell unter dem Qwen Research License Agreement. Forschung und private Experimente sind erlaubt; wer das Modell für ein Unternehmen auf eigenen Servern betreibt, braucht eine gesonderte Vereinbarung mit Alibaba. Bilder, die über Alibaba Cloud Model Studio oder einen kostenpflichtigen Drittanbieter entstehen, unterliegen stattdessen den Bedingungen des jeweiligen Dienstes; lesen Sie diese vor dem Einsatz.

Quelle: Hugging Face Model Card

Quelle: Qwen-Image-2.1 auf GitHub

Unabhängiger Leitfaden, nicht mit Alibaba oder dem Qwen-Team verbunden. Preise, Lizenzen und Dateinamen ändern sich; prüfen Sie die verlinkten offiziellen Seiten, bevor Sie darauf aufbauen.