Qwen-Image-2.1-Turbo ปล่อยน้ำหนักแล้ว: 8 step แทน 40 พร้อม API บน Model Studio — เราลองบน GB10 ใน ComfyUI ได้ภาพปกในราว 5–6 วินาที เทียบกับ 12–14 วินาทีของรุ่นปกติ แต่ต้องใช้ sigma ชุดที่ Qwen ให้มา และ license ยังห้ามใช้เชิงพาณิชย์

9 ต.ค. 2026 ทีม Qwen ของ Alibaba อัปโหลด Qwen-Image-2.1-Turbo ขึ้น Hugging Face เป็น checkpoint เร่งความเร็วของ Qwen-Image-2.1 ที่ออกเมื่อ 20 ก.ย. ใช้สถาปัตยกรรม DiT 7B ตัวเดิม แต่ สร้างและแก้ไขภาพได้ใน 8 denoising step จากค่าเริ่มต้น 40 step ของรุ่นปกติ วันเดียวกัน README บน GitHub ประกาศว่า API ของ Qwen-Image-2.1 Pro และ Turbo เปิดให้ใช้บน Alibaba Cloud Model Studio แล้ว (หน้าที่ลิงก์ไปคือภูมิภาค ap-southeast-1 สิงคโปร์)

ภายในวันเดียวก็มีไฟล์ที่ชุมชนทำออกมาแล้วหลายชุด ทั้ง GGUF, NVFP4 และ FP8/int8 ของ Unsloth ส่วน Comfy-Org ก็อัปโหลดไฟล์ Turbo แบบ bf16 และ int8 (7.26 GB) เข้า repo Comfy-Org/Qwen-Image-2.1 พร้อม LoRA ที่สกัดจาก Turbo (rank เฉลี่ย 178, 913 MB) สำหรับใส่กับโมเดลหลักที่มีอยู่แล้ว ไม่ต้องโหลดโมเดลใหม่ทั้งก้อน

มีอะไรเปลี่ยนใน checkpoint

• ตาราง sampling ถูกบันทึกมาใน checkpoint model_index.json มีฟิลด์ sample_sigmas 8 ค่า (1.0, 0.978, 0.954, 0.927, 0.895, 0.845, 0.705, 0.415) ซึ่ง Diffusers จะโหลดอัตโนมัติ แต่ต้องใช้ Diffusers จาก git main ที่มี PR #14950 (merge เมื่อ 5 ต.ค.) README เตือนว่า ตั้ง num_inference_steps อย่างเดียวจะไม่เปลี่ยนตารางนี้ ถ้าจะลองตารางอื่นต้องส่ง sigmas ตอนเรียกเอง และ Qwen บอกว่ายังไม่ได้ประเมินตารางอื่น
• CFG = 1 เป็นค่าเริ่มต้น และใช้ prefix KV cache เก็บ context ของข้อความและภาพอ้างอิงไว้ใช้ซ้ำทุก step เหมือนรุ่นหลัก
• ความละเอียดที่รองรับเหมือนรุ่นหลัก ตั้งแต่ 2048×2048 ไปจนถึง 2752×1536 (16:9) และยังทำได้ทั้งภาพโปร่งใส RGBA, แก้ไขภาพ และรวมภาพจากหลายภาพอ้างอิงตามตัวอย่างใน model card
• repo ทางการมีขนาดรวมราว 32.5 GB (transformer 14.2 GB, text encoder Qwen3-VL 17.5 GB, VAE 0.68 GB) ไฟล์ VAE มีขนาดราวครึ่งหนึ่งของไฟล์ใน repo รุ่นหลัก (1.35 GB) แต่ model card ไม่ได้อธิบายว่าต่างกันอย่างไร
• ไม่มีตาราง benchmark เทียบคุณภาพกับรุ่น 40 step มีเพียงภาพตัวอย่าง

เราลองเองบน GB10: เร็วขึ้น ~2.5 เท่า แต่ต้องใช้ sigma ให้ถูก

บล็อกนี้สร้างภาพปกด้วย Qwen-Image-2.1 ผ่าน ComfyUI อยู่แล้ว เราจึงดาวน์โหลดไฟล์ qwen_image_2.1_turbo_int8_convrot.safetensors มาทดสอบกับ workflow เดิมบน NVIDIA GB10 ที่ 1216×640 ใช้ text encoder int8 ตัวเดิม และ seed 11 เหมือนกันทุกภาพ เวลาวัดจาก timestamp ใน history ของ ComfyUI โดยรวมการเข้ารหัส prompt และ VAE decode ด้วย

การตั้งค่า	เวลาต่อภาพ	ผลที่เห็น
รุ่นหลัก 25 step (ค่าที่บล็อกใช้อยู่)	12.4–13.6 วินาที	สะกดหัวข้อ+ซับไตเติลถูก 3/3
Turbo 8 step + sigma ทางการ (ใส่ผ่าน ManualSigmas)	4.8–5.8 วินาที (ภาพแรกที่ต้องโหลดโมเดล 7.8 วินาที)	สะกดถูก 3/3 องค์ประกอบภาพใกล้เคียงรุ่น 25 step มาก ตัวอักษรหนาและคมกว่า
Turbo 8 step + scheduler simple ของ ComfyUI (ลอง 1 prompt)	ใกล้เคียงกัน	สะกดถูก แต่องค์ประกอบเปลี่ยนไปจากเดิม
รุ่นหลักแค่ 8 step (ลอง 1 prompt)	—	ภาพซีด ตัวอักษรบางและท้ายคำจางหาย ใช้ไม่ได้

ข้อสังเกตจากการทดสอบ 3 prompt นี้ (ไม่ใช่ benchmark เต็มรูปแบบ):

• ถ้าจะใช้ใน ComfyUI ให้ ใส่ sigma 8 ค่าจาก model_index.json แล้วต่อท้ายด้วย 0 ผ่านโหนด ManualSigmas + SamplerCustomAdvanced จะได้ภาพที่ใกล้เคียงรุ่นหลักที่สุด
• ทั้งสองรุ่นยังมีปัญหาเดิม คือ ตัวหนังสือเล็ก ๆ ที่โมเดลแต่งขึ้นในฉาก (เช่นข้อความบนปุ่มในภาพ) มักเพี้ยน และ Turbo มีแนวโน้มใส่ชื่อแบรนด์ลงไปในวัตถุเองมากกว่า หัวข้อใหญ่ที่สั่งใน prompt ไม่มีปัญหา
• ความเร็วไม่ได้เพิ่มเป็นสัดส่วนตรงกับจำนวน step (25→8 คือ 3.1 เท่า แต่เร็วขึ้นจริงราว 2.3–2.8 เท่า) เพราะการเข้ารหัส prompt ด้วย Qwen3-VL 8B และ VAE decode ยังใช้เวลาเท่าเดิม

ภาพปกของโพสต์นี้สร้างด้วย Turbo 8 step จากการทดสอบครั้งนี้

License: เหมือนรุ่นหลักทุกข้อ

ไฟล์ LICENSE ใน repo Turbo คือ Qwen Research License Agreement ฉบับลงวันที่ 20 ก.ย. 2026 ตัวเดียวกับรุ่นหลัก อนุญาตให้ใช้ ทำซ้ำ และดัดแปลงได้ “FOR NON-COMMERCIAL PURPOSES ONLY” (นิยามว่าเพื่อการวิจัยหรือการประเมินผลเท่านั้น) ถ้าจะใช้เชิงพาณิชย์ต้องขอ license แยกจาก Alibaba ไฟล์ที่ชุมชน quantize ต่อ เช่นของ Unsloth ก็ยังอ้าง license qwen-research ตัวเดิม ทางเดียวที่ใช้ Turbo ในงานที่มีรายได้ได้โดยไม่ต้องเจรจาสัญญาแยก คือเรียกผ่าน API บน Model Studio

มุมมอง AI Curator

ที่ผ่านมา โมเดลสร้างภาพแบบเปิดมักมีคนในชุมชนทำ LoRA “4 step / 8 step” ออกมาเองก่อนเจ้าของ Qwen-Image-2.1 ก็เป็นแบบนั้น บน Hugging Face มี LoRA turbo จากชุมชนตั้งแต่ 22 ก.ย. ไม่กี่วันหลังรุ่นหลักออก การที่ Qwen ปล่อย Turbo ทางการพร้อม API ในวันเดียวกันจึงมีความหมายสองชั้น ชั้นแรกคือได้ distillation ที่ทีมผู้สร้างทำเอง พร้อมตาราง sigma ที่ผ่านการปรับมาแล้ว ชั้นที่สองคือ Alibaba กำลังแยกให้ชัดว่า น้ำหนักเปิดมีไว้ให้นักวิจัยลองและให้ชุมชนสร้างระบบนิเวศ ส่วนเงินมาจาก API โดยมี license ห้ามใช้เชิงพาณิชย์เป็นตัวแบ่ง

สำหรับนักพัฒนาในไทยและอาเซียน API ที่อยู่บนภูมิภาคสิงคโปร์ช่วยให้ latency ต่ำ ถ้าทำแอปสร้างภาพสินค้าหรือแบนเนอร์ภาษาอังกฤษเชิงพาณิชย์ ให้ใช้ API ไม่ใช่ดาวน์โหลดน้ำหนักมารันเอง แต่ถ้าเป็นงานวิจัย ต้นแบบภายใน หรือ pipeline ที่ต้องสร้างภาพจำนวนมากเพื่อประเมินผล Turbo แทบจะมาแทนรุ่นหลักได้เลย จากการทดสอบของเรา ภาพที่ได้ใกล้เคียงรุ่นหลักมากในเวลาไม่ถึงครึ่ง และถ้าใช้ไฟล์ DiT int8 (7.26 GB) คู่กับ text encoder แบบ w4a8 (6.3 GB) ก็น่าจะพอใส่การ์ด 16 GB ได้เหมือนรุ่นหลัก ข้อควรระวังคือต้องตั้ง sigma ให้ตรงกับตารางทางการ ถ้าใช้ scheduler ค่าเริ่มต้นของเครื่องมือ ผลที่ได้จะต่างไปจากที่ Qwen ทดสอบไว้ และอย่าคาดหวังว่าตัวหนังสือภาษาไทยจะดีขึ้น เพราะ Turbo เป็นการเร่งความเร็ว ไม่ได้เพิ่มความสามารถใหม่

แหล่งข่าว

• Qwen/Qwen-Image-2.1-Turbo — Hugging Face model card
• QwenLM/Qwen-Image-2.1 — GitHub (ประกาศ Turbo และ API, 9 ต.ค. 2026)
• Comfy-Org/Qwen-Image-2.1 — ไฟล์ Turbo สำหรับ ComfyUI (bf16 / int8 / LoRA)
• huggingface/diffusers PR #14950 — Configure fixed sampling sigmas on QwenImage21Pipeline