Dernière mise à jour: 13 octobre 2026

Qwen Image 2.1 Turbo : ce que c’est, ce que ça coûte, comment l’utiliser

Le 9 octobre 2026, l’équipe Qwen d’Alibaba a publié Qwen-Image-2.1-Turbo, un checkpoint accéléré du modèle à poids ouverts Qwen-Image-2.1 sorti le 20 septembre. Il génère et modifie des images en 8 étapes de débruitage au lieu de 40, avec la même architecture de 7B. Cette page explique ce qui change, où l’exécuter, ce qu’il coûte et le piège de la licence.

Qwen-Image-2.1-Turbo en un coup d’œil

Source: Fiche du modèle sur Hugging Face

Source: Qwen-Image-2.1 sur GitHub

Turbo face au modèle de base et à Pro

Turbo n’est pas un modèle plus petit. C’est le même réseau de 7B entraîné pour terminer en moins d’étapes : chaque image demande environ un cinquième des passes de débruitage. Pro est le niveau hébergé haut de gamme sur Alibaba Cloud.

Le score de 60.28 du modèle de base a été mesuré sur le checkpoint en 40 étapes. Ne supposez pas que Turbo fait aussi bien tant que Qwen ou un testeur indépendant n’a pas publié de score pour Turbo.

Source: Fiche du modèle sur Hugging Face

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

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

Source: DataNorth : graphique de benchmark de Qwen-Image-2.1

Prix de Qwen Image 2.1 Turbo

Les prix d’Alibaba sont des prix catalogue, hors promotions. Runware et Venice sont des hébergeurs tiers avec leurs propres conditions. Consultez le guide de l’API pour le code et le détail de chacun.

Guide de l’API Qwen Image 2.1 Turbo

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

Source: Page du modèle sur Runware

Source: Page du modèle sur Venice

Comment utiliser Qwen Image 2.1 Turbo

• L’essayer dans le navigateur. Le Space de démonstration de Qwen-Image-2.1 sur Hugging Face fait tourner la famille de modèles sans installation. Venice le propose aussi, avec un quota quotidien gratuit pour les nouveaux comptes.
• ComfyUI. Chargez le workflow officiel de Qwen-Image 2.1, remplacez le modèle de diffusion par Turbo (ou utilisez le modèle de base avec la LoRA Turbo), puis réglez 8 étapes et CFG 1.
• Python (Diffusers). QwenImage21Pipeline charge directement le checkpoint. Il faut Diffusers installé depuis les sources et transformers 5.17 ou plus récent.
• API hébergée. Appelez qwen-image-2.1-turbo sur Alibaba Cloud Model Studio, ou passez par un hébergeur tiers comme Runware.

Guide ComfyUI et installation locale · Guide de l’API

Source: Space de démonstration de Qwen-Image-2.1

Source: Page du modèle sur Venice

Source: Note de version sur ComfyUI Wiki

Source: Fiche du modèle sur Hugging Face

Démarrage rapide en Python

Installez les bibliothèques, puis générez une image. Le pipeline lit le planning en 8 étapes depuis le checkpoint : inutile d’indiquer un nombre d’étapes.

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")

Modifier seulement num_inference_steps ne change pas le planning ; seul un argument sigmas explicite le remplace, et Qwen précise que les autres plannings n’ont pas été testés.

Source: Fiche du modèle sur Hugging Face

Retouche d’images et références multiples

Le même pipeline retouche les images : passez image= avec un prompt d’instruction. Passez une liste pour combiner jusqu’à 10 images de référence.

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")

Source: Fiche du modèle sur Hugging Face

Source: Qwen-Image-2.1 sur GitHub

Résolutions recommandées

Pour des PNG transparents, Qwen recommande d’indiquer dans le prompt que l’image comporte de la transparence et un fond transparent.

Source: Fiche du modèle sur Hugging Face

Source: Qwen-Image-2.1 sur GitHub

Benchmarks : ce que Qwen a publié et ce qui manque

Qwen n’a publié qu’un seul graphique pour la famille 2.1, sur son propre Qwen-Image-Bench, qui n’est pas public. Tous les scores concernent le modèle de base en 40 étapes.

• Qwen n’a publié aucun score, aucune latence ni aucun débit pour Turbo.
• Qwen ne fournit ni détail par catégorie ni méthodologie pour ce graphique.
• Runware indique environ 23 secondes par requête sur sa propre infrastructure ; cela inclut la file d’attente et ne constitue pas un benchmark GPU.

Source: DataNorth : graphique de benchmark de Qwen-Image-2.1

Source: Page du modèle sur Runware

Peut-on l’utiliser commercialement ?

Les poids ouverts sont sous Qwen Research License Agreement, comme le modèle de base. La recherche et les expérimentations personnelles sont autorisées ; l’exploiter pour une entreprise sur vos propres serveurs nécessite un accord distinct avec Alibaba. Les images produites via Alibaba Cloud Model Studio ou un hébergeur tiers payant relèvent des conditions de ce service : lisez-les avant de mettre en production.

Source: Fiche du modèle sur Hugging Face

Source: Qwen-Image-2.1 sur GitHub

Guide indépendant, sans lien avec Alibaba ni l’équipe Qwen. Les prix, les licences et les noms de fichiers évoluent : consultez les pages officielles en lien avant de bâtir dessus.