Cómo Qwen-Image-2.1-Turbo genera imágenes en solo 8 pasos
Standfirst: El punto de control acelerado de Alibaba reduce el ruido 5 veces usando la misma arquitectura de 7B, prefetching de KV y CFG desactivado.

Un programa gratis que convierte texto en imágenes más rápido de lo normal, sin repetir tanto trabajo.
- Escribe una descripción en texto de la imagen que quieras
- El modelo lee tu texto una sola vez y lo guarda
- Genera la imagen con solo ocho vueltas de dibujo
- Recibes una imagen lista, con transparencias incluidas si las pediste
Qué cambió
Alibaba lanzó Qwen-Image-2.1-Turbo como un checkpoint acelerado de su modelo Qwen-Image-2.1 de pesos abiertos. El generador visual permanece en 7 000 millones de parámetros, pero el programa de muestreo por defecto baja de 40 pasos de denoising a solo 8 1. Eso es una reducción quintuple sin cambiar a un modelo más pequeño ni alterar la arquitectura subyacente.
El checkpoint viene con su plan de 8 pasos ya configurado de serie, por lo que los usuarios no necesitan ajustar manualmente el sampler. La generación se ejecuta con CFG en 1 por defecto, lo que significa que se omite la guía sin clasificador y cada paso requiere solo un forward pass en lugar de dos 2.
Cómo funciona la velocidad
El modelo emplea un DiT de flujo único con 32 capas y atención causal por bloques. Los tokens de texto reciben una máscara causal a nivel de token, mientras que los tokens de imagen usan una máscara bidireccional a nivel de bloque 1. El codificador de texto es Qwen3-VL, un modelo multimodal de 8 000 millones de parámetros que gestiona tanto instrucciones como imágenes de condición.
La verdadera ganancia de velocidad proviene del prefix KV caching. La pipeline computa el prompt de texto y cualquier imagen de referencia una sola vez en el primer paso de denoising y luego reutiliza ese tensor en caché de claves y valores en todos los pasos restantes 2. Con solo ocho pasos en total, el prefijo cacheado cubre la mayor parte del coste de condicionamiento en lugar de recalcularlo en cada iteración.
Un autoencoder variacional RGBA de 64 canales con compresión espacial 16× permite el soporte nativo de transparencia, de modo que el modelo puede generar imágenes con canales alfa sin posprocesado 1.
Qué puede hacer
Turbo maneja tanto la generación de imágenes a partir de texto como la edición de imágenes en una única tubería. La tarjeta del modelo muestra retratos, posturas humanas, tipografía, carteles, diseños de interfaces y composición de objetos transparentes 1. Las capacidades de edición incluyen transformación de una sola imagen, composición con múltiples referencias y ediciones locales mediante anotaciones o máscaras pintadas.
El modelo base admite hasta 10 imágenes de referencia y produce salidas a resoluciones de hasta 2048×2048 píxeles, con ajustes que llegan hasta 2752×1536 para proporciones 16:9 1. El Qwen-Image-2.1 base puntúa 60,28 en Qwen-Image-Bench, que es la puntuación más alta reportada entre los generadores de imágenes de pesos abiertos .
Ejecutarlo de forma local
Para ejecutar Turbo de forma local necesitas Diffusers desde el código fuente junto con transformers versión 5.17.0 o posterior. La tubería requiere el pull request 14950 de Diffusers, que añade sigmas de muestreo configurables por tubería 1. Configurar num_inference_steps por sí solo no sobrescribe el plan guardado; hay que pasar un argumento sigmas explícito en su lugar.
El checkpoint funciona en GPUs CUDA con precisión BF16. Unsloth estima que el modelo base necesita unos 11 GB de VRAM con cuantización GGUF o 24 GB con variantes INT8 o FP8 1. Los pesos están licenciados bajo la Qwen Research License, por lo que el alojamiento comercial propio requiere un permiso separado de Alibaba .
Los datos clave
- 8 pasos de denoising frente a 40 del modelo base
- Mismo generador visual de 7B con codificador de texto Qwen3-VL de 8B
- Prefix KV caching recalcula el condicionamiento solo una vez
- CFG=1 por defecto ahorra un forward pass por paso
- Coste de API: CNY 0,1 por imagen en Alibaba Cloud
Fuentes
Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes
Sigue leyendo
Nuevos modelosAlibaba lanza Qwen4-Max, una IA que construye videojuegos y escenas 3D y lee libros completos de golpeHerald of AI
Alibaba lanza Qwen4-Max, una IA que construye videojuegos y escenas 3D y lee libros completos de golpe
El nuevo modelo maneja documentos enormes, ejecuta flujos de trabajo complejos de forma más rápida y económica, y ayuda a crear escenas 3D y juegos.
Cómo funcionaQwen3-1.7B mapea miles de conversaciones en barrios visualesHerald of AI
Qwen3-1.7B mapea miles de conversaciones en barrios visuales
Un nuevo atlas interactivo revela cómo se ve el mismo tema de forma distinta dentro del modelo según el idioma que se utilice.
Nuevos modelosMiniMax H3 y Alibaba Wan 3.0 lideran los mejores modelos de video con IA en 2026 —con una sorpresa de pesos abiertosHerald of AI
MiniMax H3 y Alibaba Wan 3.0 lideran los mejores modelos de video con IA en 2026 —con una sorpresa de pesos abiertos
Una nueva clasificación muestra cuáles pueden convertir palabras o fotos en video, cuánto cuestan por segundo y por qué un modelo abierto es ahora la base de la mayoría de los grandes nombres.