AI画像生成が5倍速く

AlibabaのQwenチームは、オープンウェイトモデルQwen-Image-2.1の高速化されたチェックポイントであるQwen-Image-2.1-Turboをリリースしました。これは、ベースモデルのデフォルトである40ステップではなく、8回のデノイズステップで画像を生成および編集します。開発者にとっては、同じ7Bアーキテクチャでデノイズステップが5分の1になり、ホストされたAPIオプションも利用できます。TL;DR サイズ: ビジュアルジェネレーターは7Bパラメーターで、Qwen3-VL 8Bテキストエンコーダーとペアになっています。動作環境: Diffusersを介してBF16でCUDA GPU上で動作します。QwenはTurboのVRAM最小要件を公開していません。Unslothは、ベースモデルがGGUFで11 GB VRAM、INT8/FP8で24 GB VRAMで動作すると推定しています。パフォーマンス: Qwen-Image-2.1と同じ2K出力と編集機能を、40ステップではなく8ステップで提供します。最良点: ベースのQwen-Image-2.1はQwen-Image-Benchで60.28を記録しており、Qwenが報告するオープンウェイトモデルの中で最高のスコアです。結論（最良点）: 8ステップでの2K生成と編集が1つのオープンチェックポイントで可能です。結論（最悪点）: 研究ライセンスのみであるため、商用での自己ホスティングには別途許可が必要です。Qwen-Image-2.1-Turboとは？Qwen-Image-2.1-Turboは、AlibabaのQwenチームによる8ステップの画像生成および編集チェックポイントです。Qwen-Image-2.1をベースに構築されています。Turboは同じ7Bのビジュアル生成アーキテクチャを維持しています。DiffusersのQwenImage21Pipelineで直接ロードできます。このチェックポイントには、推奨される8ステップのサンプリングスケジュールが保存されています。生成はデフォルトでCFG=1を使用します。プレフィックスKVキャッシングは、デノイズステップ全体でテキストと参照画像のコンテキストを再利用します。Qwen-Image-2.1-Turboはどのように機能しますか？基盤となるアーキテクチャは、32層と7Bパラメーターを持つシングルストリームのDiTです。ブロック因果アテンションを使用します。テキストトークンはトークンレベルの因果マスクを受け取り、画像はチャンクレベルの双方向マスクを使用します。テキストエンコーダー: Qwen3-VL 8Bは、指示と条件画像の両方をエンコードします。VAE: 16倍の空間圧縮を持つ64チャンネルのRGBAオートエンコーダーで、ネイティブな透明度を可能にします。スケジューラー: Euler離散スケジューリングと動的シフトを備えたFlow Matchingです。アテンションデザインがプレフィックスキャッシングを可能にしています。