「Qwen-Image-2.1-Turbo」8ステップで高速生成する画像生成モデル:必要VRAM 48GB〜


基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | Qwen/Qwen-Image-2.1-Turbo |
| まとめページ | Qwen-Image-2.1 のまとめ(記事5本) |
| 公開元のまとめ | Alibaba(Qwen) のモデルとライセンスのまとめ |
| 公開日 | 2026-10-09 |
| ライセンス | qwen-research |
| 配布形式 | safetensors |
| 出典の種類 | 公開元の一次情報(公式HuggingFaceリポジトリ(Qwen)から直接取得) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
Qwenチームより、テキストからの画像生成および画像編集に対応したオープンウェイトモデル「Qwen-Image-2.1-Turbo」が公開されました。
本モデルは、先行して公開されていた「Qwen-Image-2.1」をベースにした高速化チェックポイントです。テキストプロンプトや入力画像を与えることで、わずか8ステップのデノイジング処理で高品質な画像を生成できます。
スペック
公開資料に記載されている主な仕様は以下の通りです。
- パラメータ数・アーキテクチャ: ビジュアル生成コンポーネントに7Bパラメータを採用しています。元モデルであるQwen-Image-2.1と同様に、32層のSingle-Stream DiT(Diffusion Transformer)構成と混合粒度アテンション(mixed-granularity attention)を引き継いでいます
- 推論ステップ数: 8ステップ(推奨のサンプリングスケジュールがあらかじめチェックポイント内に保存されており、自動で読み込まれます)
- ガイダンススケール: デフォルトでCFG(Classifier-Free Guidance)= 1を使用します
- コンテキスト処理: プレフィックスKVキャッシュ(prefix KV caching)に対応しており、デノイジングステップ間でテキストおよび参照画像のコンテキストを効率的に再利用します
- 出力解像度: 2048解像度レベルに対応しています。アスペクト比ごとの具体的な解像度プリセットは以下の通りです
- 1:1: 2048 × 2048 – 4:3: 2400 × 1792 – 3:4: 1792 × 2400 – 3:2: 2528 × 1696 – 2:3: 1696 × 2528 – 16:9: 2752 × 1536 – 9:16: 1536 × 2752
- 入力・編集機能: テキストからの新規画像生成に加え、入力画像を指定した指示ベースの画像編集に対応しています
- ライセンス: qwen-researchライセンスが適用されています
性能・品質
公開資料内に客観的な数値によるベンチマーク比較表は記載されていませんが、公開元は8ステップという少ないステップ数で高い表現力を維持できる点をアピールしています。
元モデルのQwen-Image-2.1では標準で40ステップを要していましたが、本Turboモデルでは専用に調整された8ステップのサンプリングスケジュールを用いることで、大幅な推論の短縮を実現しています。また、CFG=1での生成に最適化されているため、ネガティブプロンプト計算に伴う追加のパスを必要としません。
公開元が提示しているショーケースのカテゴリによると、以下のような幅広い表現や編集タスクを8ステップでカバーできるとされています。
- ポートレート写真(自然な人物描写やライティング)
- 人物の複雑なポーズやダイナミックな動きの描写
- アルファチャンネルを含む透過画像(RGBA)の生成
- タイポグラフィおよびポスターデザイン(文字の正確なレンダリングとレイアウト)
- UIデザインおよび図解・インフォメーションレイアウトの描画
- 単一の参照画像からのスタイル・質感変換(スケッチから写実的な写真への変換など)
- 複数のリファレンス画像を組み合わせた構図合成や、多視点からの室内構成
元モデルであるQwen-Image-2.1が持つ繊細なディテール描写や正確な文字レンダリング、柔軟な画像編集能力を損なうことなく、8ステップという少ない計算コストで実用的な出力を得られる点が本モデルの大きな強みとなっています。
得意なこと・想定用途
Qwen-Image-2.1-Turboは、元モデルであるQwen-Image-2.1の汎用的な生成・編集能力を維持したまま、わずか8ステップでの高速な推論を実現したチェックポイントです。そのため、生成のイテレーションを高速に回したい制作現場や、対話的な画像生成ワークフローに適しています。
本モデルの具体的な得意領域および想定用途は以下の通りです。
- 高解像度でのテキストからの画像生成(Text-to-Image)
2048×2048(1:1)をはじめ、16:9(2752×1536)や9:16(1536×2752)といった多様なアスペクト比に対応し、2048レベルの高精細な画像を直接出力できます。ポートレート写真、人物の細やかなポーズや動きの描写、複雑な情景描写をシャープな質感で表現することに向いています。 - 精密なタイポグラフィとUI・図解レイアウト
画像内の文字描画(タイポグラフィ)やポスター制作、UIモックアップ、フローチャートやレシピ図解のような情報レイアウトの生成に強みを持っています。プロンプトで指定した詳細なテキスト配置や図解要素を破綻なく配置できます。 - 透過画像(RGBA)の直接生成
アルファチャンネルを含む背景透過画像を直接出力可能です。イラスト素材、スタンプ画像、製品の切り抜き素材などを後処理なしで生成したい用途に適しています。 - 多彩な画像編集・変換(Image Editing)
手描きのスケッチを写実的な写真へと変換する単一画像のスタイル変換や、複数のリファレンス画像を組み合わせた構図合成、室内の空間レイアウト構成などに対応しています。プレフィックスKVキャッシュにより、参照画像のコンテキストを効率的に再利用しながら編集を行えます。
類似モデルとの違い
Qwen-Image-2.1をベースとした派生モデルとしては、過去に当サイトでも取り上げた複数のモデルが存在します。それらと本モデルには以下のような違いがあります。
まず、同じく高速化を目指したモデルとして、Viggleが公開した蒸留モデル 「Qwen-Image-2.1-viggle-turbo」4ステップの高速画像生成・編集モデル:必要VRAM 48GB〜 があります。Viggle版はDistribution Matching Distillation(DMD)を用いてわずか4ステップ(4パス)での生成を追求しているのに対し、今回のQwen-Image-2.1-Turboは公式のQwenチームが提供する8ステップ仕様の高速化チェックポイントです。極限のステップ短縮を狙うViggle版に対し、公式Turboは8ステップと独自のサンプリングスケジュールを採用することで、生成速度と緻密なディテール描写のバランスを狙った設計となっています。
また、特定のタスクに特化したアダプターとしては、カメラアングルの自由な操作を可能にする 「QI_2.1_AnyAngle」カメラアングル操作LoRA:必要VRAM 48GB〜・配布ファイル一覧 があります。QI_2.1_AnyAngleは3Dモデル等の粗いリファレンスと組み合わせて視点を変換するLoRA拡張であるのに対し、Qwen-Image-2.1-Turboは特定の画角操作に特化したものではなく、元モデルの持つテキスト生成・画像編集・透過画像生成といった幅広い機能をまるごと8ステップに短縮するベースモデルの代替チェックポイントとして位置づけられます。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 7.1B
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| RTX 6000 Ada / A6000 など 48GB | BF16 | 30.2GB | 36.3GB |
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は safetensors です。
ライセンス qwen-research(商用利用不可): Alibaba の Qwen Research License です。研究・評価目的に限られ、商用利用には別途ライセンスの取得が必要です(第1条i・第2条b)。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
当サイトでの実測
ライセンスの都合で行っていない実測
このモデルのライセンス(qwen-research)は商用利用を認めていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。
同クラスの既報モデル
当サイトが最近取り上げた、パラメータ数 4〜15B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。
→ 横にスクロールできます
| モデル | パラメータ数 | 最小のVRAM階層 | ライセンス | 記事 |
|---|---|---|---|---|
| lodestones/Kromoss | 5.1B | 32GB | apache-2.0 | 「Kromoss」1024px画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧(2026-11-17) |
| briaai/Fibo-2.0-dev | 8.1B | 32GB | bria-fibo | 「Fibo-2.0-dev」長文構造化キャプション対応の画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧(2026-11-17) |
| unsloth/MOSS-Image-SFT-GGUF | 5.1B | 32GB | apache-2.0 | 「MOSS-Image-SFT-GGUF」5.1Bのテキスト画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧(2026-11-17) |
配布ファイル
Qwen/Qwen-Image-2.1-Turbo で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ |
|---|---|
text_encoder/model.safetensors |
17.53GB |
transformer/diffusion_pytorch_model-*-of-00002.safetensors |
14.23GB(2分割) |
vae/diffusion_pytorch_model.safetensors |
676MB |
入手方法
Qwen-Image-2.1-Turboは、Hugging Faceにてsafetensors形式で公開されています。ゲート付きモデル(Gated Model)ではないため、利用規約等への個別同意なしで直接ダウンロードして利用できます。
本モデルを利用するには、Diffusersライブラリの最新開発版が必要です。チェックポイントに設定されたサンプリングシグマ(sigmas)をパイプライン側で読み込む機能(DiffusersのPR #14950で実装)が必要となるため、Diffusersのリポジトリから最新のソースコードを直接インストールする必要があります。
必要なパッケージの導入コマンドは以下の通りです。
pip install git+https://github.com/huggingface/diffusers.git
pip install "transformers>=5.17.0" accelerate pillow
PythonコードからDiffusersのQwenImage21Pipelineを使用してパイプラインを構築します。
import torch
from diffusers import QwenImage21Pipeline
pipe = QwenImage21Pipeline.from_pretrained(
"Qwen/Qwen-Image-2.1-Turbo",
dtype=torch.bfloat16,
).to("cuda")
image = pipe(
prompt="Your text prompt here",
width=2048,
height=2048,
use_kv_cache=True,
generator=torch.Generator("cpu").manual_seed(20261008),
).images[0]
image.save("output.png")
推奨される8ステップのサンプリングスケジュールはチェックポイント内にあらかじめ保存されており、読み込み時に自動で適用されます。そのため、パイプラインの引数で明示的にスケジューラを設定する必要はありません。なお、引数でnum_inference_stepsを指定しても保存されたスケジュールは上書きされず、スケジュールを変更したい実験時には呼び出し時にsigmasを明示的に指定する必要があります。
派生版・量子化版
→ 横にスクロールできます
| 追記日 | 配布元 | 形式 | リポジトリ | 最小のVRAM階層(量子化・必要メモリの目安) |
|---|---|---|---|---|
| 2026-10-11 | unsloth | GGUF | unsloth/Qwen-Image-2.1-Turbo-GGUF | BF16 36.3GB(48GB VRAMで動作) |
| 2026-10-11 | unsloth | FP8 | unsloth/Qwen-Image-2.1-Turbo-FP8 | BF16 36.3GB(48GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- unsloth/Qwen-Image-2.1-Turbo-GGUF の量子化: BF16 30.2GB
- unsloth/Qwen-Image-2.1-Turbo-FP8 の量子化: BF16 30.2GB
このほか、上記以外の投稿者による変換版が 48 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。
この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。
関連記事
- 「Qwen-Image-2.1-viggle-turbo」4ステップの高速画像生成・編集モデル:必要VRAM 48GB〜
- Qwen-Image-2.1用オブジェクト除去LoRA:PrunaAI製アダプターとComfyUIワークフロー
- 「QI_2.1_AnyAngle」カメラアングル操作LoRA:必要VRAM 48GB〜・配布ファイル一覧
- 画像生成・編集モデル「Qwen-Image-2.1」公開、透過処理や高度なマルチ画像編集に対応
次に読むなら
- GPUのVRAMから探す(このモデルは48GBの階層から動きます) → VRAM別 ローカルモデル早見表
- 同じモデル系統を調べる → Qwen-Image-2.1 系統のまとめ(記事5本・変換版2件)
- このモデルを入手できる形式を調べる → GGUF形式の解説と対応モデル / FP8形式の解説と対応モデル
- 公開元について調べる → Alibaba(Qwen) のモデル・ライセンス・記事のまとめ
- 同じ用途の他のモデルを探す → 画像生成・編集のモデル一覧

