Qwen Image 2.1 Turbo API
O Qwen Image 2.1 Turbo é um checkpoint acelerado por destilação da série Qwen-Image-2.1, com arquitetura de 7B parâmetros, que gera imagens em 8 etapas de amostragem e suporta edição com até 4 imagens de referência.
O Qwen Image 2.1 Turbo é um checkpoint de aceleração destilado da série Qwen-Image-2.1, construído sobre a mesma arquitetura de geração visual de 7B parâmetros do Qwen-Image-2.1. Com precisão nativa BF16 e aproximadamente 14,2 GB, ele comprime o processo de denoising para 8 etapas, mantendo a geração de imagens em nível 2K. O modelo utiliza um cronograma de amostragem dedicado de 8 etapas com CFG 1.0 e recomenda o método de amostragem euler. A resolução de geração recomendada é de cerca de 2 megapixels, por exemplo, 2048x2048 na proporção 1:1. Os pesos estão disponíveis no Hugging Face e no ModelScope, e o modelo pode ser carregado por meio do QwenImage21Pipeline do Diffusers. Quantizações GGUF da comunidade incluem variantes de 2, 4, 6, 8 e 16 bits; a quantização AD-Q4_K adiciona cerca de 150 MB e reduz a diferença em relação à saída BF16 em 21%. Para o codificador de texto, sugere-se a precisão Q8_0.
O modelo é adequado para fluxos de trabalho locais de geração de imagens de alta frequência, nos quais a velocidade é essencial. Ele também atende à criação de conteúdo visual, como pôsteres, arte conceitual e peças publicitárias, além de imagens de produtos para e-commerce e trocas de roupas em modelos. A destilação de conhecimento traz ganhos de velocidade com pouca perda aparente de qualidade, e o modelo apresenta restauração mais forte de detalhes faciais e melhor consistência de textos e texturas de produtos em novas cenas. A edição de imagens é orientada por linguagem natural e aceita até 4 imagens de referência por solicitação. A saída RGBA permite imagens com fundo transparente.
É importante observar as limitações: em quantização de 4 bits ou menos, a saída se desvia notavelmente do original; o cronograma dedicado de 8 etapas deve ser usado, pois o cronograma padrão produz imagens diferentes; codificadores de texto quantizados de maior qualidade são recomendados, pois codificadores muito quantizados degradam a saída. O modelo é distribuído sob a licença Qwen Research, que impõe restrições ao uso comercial. O serviço de API é oferecido ao lado do Qwen-Image-2.1 Pro.
Atualizado:
ID DO MODELO
qwen-image-2.1-turbo- Entrada
- text / image
- Saída
- image
Destaques
- Checkpoint destilado com 8 etapas de amostragem
- Geração de imagens em nível 2K
- Arquitetura de 7B parâmetros em BF16 nativo
- Edição com até 4 imagens de referência
- Saída RGBA com fundo transparente
- Pesos no Hugging Face e ModelScope
Provedores
Compare os preços de API entre provedores. Selecione um provedor para ver todos os preços e condições.
| Disponibilidade | |||
|---|---|---|---|
| $0 | $0.0184 |
Estatísticas históricas não são uma verificação em tempo real. Dados ausentes não indicam uma interrupção.
Benchmarks
- 60.28
Qwen-Image-Bench
Pontuação do Qwen-Image-2.1 base estimada pela Unsloth; medida em pontos.
Pontuações conforme publicadas pelo fornecedor do modelo.
Início rápido
Envie uma tarefa de imagem, consulte o status e salve as imagens. Os exemplos usam curl e a biblioteca padrão do Python 3.
POST https://openapi.felo.ai/api/v1/images/generations
1Defina sua chave de API
Crie uma chave na sua conta da Felo API Platform e defina-a como variável de ambiente.
export FELO_API_KEY="YOUR_API_KEY"2Faça sua primeira requisição
Os valores opcionais variam por modelo e não são definidos aqui. Confirme-os no Playground. Os campos ficam no mesmo nível de model e prompt, sem envolver em input.
curl --fail-with-body --max-time 60 "https://openapi.felo.ai/api/v1/images/generations" \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-o created.json \
-d '{
"prompt": "A studio product photo of a ceramic coffee cup on warm linen, soft morning light",
"model": "qwen-image-2.1-turbo"
}'3Consultar tarefa
O envio retorna task_id. Consulte a cada 3 segundos enquanto queued ou running; pare em succeeded, failed ou interrupted. Espera máxima: 30 minutos. Guarde created.json para continuar sem reenviar a tarefa.
python3 - <<'PY'
import json, os, time
from pathlib import Path
from urllib.parse import quote
from urllib.request import Request, urlopen
task = json.loads(Path("created.json").read_text())
task_id = task["task_id"]
url = "https://openapi.felo.ai/api/v1/images/generations/" + quote(task_id, safe="")
headers = {"Authorization": "Bearer " + os.environ["FELO_API_KEY"]}
deadline = time.monotonic() + 1800
while task["status"] in ("queued", "running"):
if time.monotonic() >= deadline:
raise TimeoutError(f"Keep task_id={task_id} to resume polling")
time.sleep(3)
with urlopen(Request(url, headers=headers), timeout=60) as response:
task = json.load(response)
if task.get("task_id") != task_id or task.get("kind") != "image":
raise ValueError("Unexpected task response")
print(task["status"])
if task["status"] != "succeeded":
raise RuntimeError(task.get("error") or task["status"])
if not task.get("outputs"):
raise ValueError("Task succeeded without image outputs")
Path("task.json").write_text(json.dumps(task))
print("Saved task.json")
PY4Baixar saída
Após o sucesso, salve outputs de task.json. Aceita URLs HTTPS, objetos URL e b64_json. Baixe URLs assinadas prontamente; o download não exige chave de API.
python3 - <<'PY'
import base64, json
from pathlib import Path
from urllib.request import urlopen
task = json.loads(Path("task.json").read_text())
if task.get("status") != "succeeded" or not task.get("outputs"):
raise ValueError("No completed image outputs")
extensions = {"image/png": ".png", "image/jpeg": ".jpg", "image/webp": ".webp", "image/gif": ".gif", "image/avif": ".avif"}
for index, output in enumerate(task["outputs"], 1):
item = output if isinstance(output, dict) else {}
url = output if isinstance(output, str) else item.get("url") or item.get("unsigned_url")
mime = item.get("media_type") or "image/png"
if url and url.startswith("https://"):
with urlopen(url, timeout=60) as response:
data = response.read()
mime = response.headers.get_content_type()
elif url and url.startswith("data:image/") and ";base64," in url:
header, encoded = url.split(",", 1)
mime = header[5:].split(";", 1)[0]
data = base64.b64decode(encoded, validate=True)
elif item.get("b64_json"):
data = base64.b64decode(item["b64_json"], validate=True)
else:
raise ValueError("Unrecognized image output")
path = Path(f"image-{index}" + extensions.get(mime, ".bin"))
path.write_bytes(data)
print(path)
PYinput_references
Para editar imagens, substitua a URL de exemplo por sua URL HTTPS ou uma data URL de imagem em base64. Envie uma vez e siga as mesmas etapas de consulta e salvamento.
curl --fail-with-body --max-time 60 "https://openapi.felo.ai/api/v1/images/generations" \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-o created.json \
-d '{
"prompt": "Keep the product and framing. Replace the background with a sunlit marble countertop.",
"model": "qwen-image-2.1-turbo",
"input_references": [
{
"type": "image_url",
"image_url": {
"url": "https://example.com/product.png"
}
}
]
}'Parâmetros compatíveis
- n
- seed
- resolution
- aspect_ratio
- input_references
Prefere a referência completa?
Referência da API →Perguntas frequentes
O que é Qwen Image 2.1 Turbo?
O Qwen Image 2.1 Turbo é um checkpoint de aceleração destilado da série Qwen-Image-2.1, construído sobre a mesma arquitetura de geração visual de 7B parâmetros do Qwen-Image-2.1. Com precisão nativa BF16 e aproximadamente 14,2 GB, ele comprime o processo de denoising para 8 etapas, mantendo a geração de imagens em nível 2K. O modelo utiliza um cronograma de amostragem dedicado de 8 etapas com CFG 1.0 e recomenda o método de amostragem euler. A resolução de geração recomendada é de cerca de 2 megapixels, por exemplo, 2048x2048 na proporção 1:1. Os pesos estão disponíveis no Hugging Face e no ModelScope, e o modelo pode ser carregado por meio do QwenImage21Pipeline do Diffusers. Quantizações GGUF da comunidade incluem variantes de 2, 4, 6, 8 e 16 bits; a quantização AD-Q4_K adiciona cerca de 150 MB e reduz a diferença em relação à saída BF16 em 21%. Para o codificador de texto, sugere-se a precisão Q8_0. O modelo é adequado para fluxos de trabalho locais de geração de imagens de alta frequência, nos quais a velocidade é essencial. Ele também atende à criação de conteúdo visual, como pôsteres, arte conceitual e peças publicitárias, além de imagens de produtos para e-commerce e trocas de roupas em modelos. A destilação de conhecimento traz ganhos de velocidade com pouca perda aparente de qualidade, e o modelo apresenta restauração mais forte de detalhes faciais e melhor consistência de textos e texturas de produtos em novas cenas. A edição de imagens é orientada por linguagem natural e aceita até 4 imagens de referência por solicitação. A saída RGBA permite imagens com fundo transparente. É importante observar as limitações: em quantização de 4 bits ou menos, a saída se desvia notavelmente do original; o cronograma dedicado de 8 etapas deve ser usado, pois o cronograma padrão produz imagens diferentes; codificadores de texto quantizados de maior qualidade são recomendados, pois codificadores muito quantizados degradam a saída. O modelo é distribuído sob a licença Qwen Research, que impõe restrições ao uso comercial. O serviço de API é oferecido ao lado do Qwen-Image-2.1 Pro.
Como o uso é cobrado?
Sua conta depende do provedor que você usa, dos preços dele e do seu uso. Entradas mais longas ou outras condições podem ter preços diferentes.
Quais modalidades o Qwen Image 2.1 Turbo suporta?
Ele suporta geração de imagens a partir de texto, edição de imagens orientada por linguagem natural e saída RGBA para imagens com fundo transparente.
Quantas imagens de referência posso usar na edição?
Cada solicitação de edição aceita até 4 imagens de referência adicionais.
Qual cronograma de amostragem devo usar?
O modelo deve usar seu cronograma dedicado de 8 etapas com CFG 1.0 e recomenda o método de amostragem euler. O cronograma padrão produz imagens diferentes.
Qual é a resolução de geração recomendada?
Recomenda-se cerca de 2 megapixels, por exemplo, 2048x2048 na proporção 1:1.
Como carregar o modelo?
Os pesos estão disponíveis no Hugging Face e no ModelScope, e o modelo pode ser carregado pelo QwenImage21Pipeline do Diffusers.
Quais são as limitações de quantização?
Em quantização de 4 bits ou menos, a saída se desvia notavelmente do original. Codificadores de texto quantizados de maior qualidade são recomendados, pois codificadores muito quantizados degradam a saída.