Qwen-Image-2.1
Qwen-Image-2.1 braucht mit der Stufe Q4_K rund 16,0 GB Speicher und passt auf 233 von 527 geführten Geräten.
Eine Zeit je Bild rechnen wir nicht. Ein Bildmodell hängt an der Rechenleistung, nicht an der Speicherbandbreite, und für einen Abgleich fehlen uns Messungen.
Gerechnet für ein Bild mit 1024 × 1024 Pixeln: Bildteil, Text-Encoder Qwen3-VL-8B-Instruct Q4_K_M und VAE zusammen, dazu der Rechenpuffer, den wir an Qwen-Image-2.1 gemessen haben.
- Anbieter
- Alibaba
- Parameter des Bildteils
- 7,1 Mrd.
- Erschienen
- 14. September 2026
- Lizenz
- qwen-research
- Text-Encoder
- Qwen3-VL-8B-Instruct Q4_K_M, 5,0 GB
- VAE
- qwen_image_2.1_vae_bf16.safetensors, 0,7 GB
- Ollama
- führt dieses Modell nicht
Startbefehl mit stable-diffusion.cpp
$ sd-cli --diffusion-model qwen_image_2.1-Q4_K.gguf --vae qwen_image_2.1_vae_bf16.safetensors --llm Qwen3VL-8B-Instruct-Q4_K_M.gguf -p "Ihr Bildwunsch" -o bild.pngLizenz
Nur für nicht-kommerzielle Zwecke. Die Lizenz (qwen-research) sagt dazu wörtlich:
to use, reproduce, distribute, copy, create derivative works of, and make modifications to the Materials FOR NON-COMMERCIAL PURPOSES ONLY.
Für den Einsatz im Unternehmen kommt Qwen-Image-2512 in Frage, das laut Modellkarte unter apache-2.0 steht.
Das ist keine Rechtsberatung. Maßgeblich ist der Lizenztext selbst.
Unsere Messung
Auf einer AMD Radeon AI PRO R9700 mit 32 GB unter Vulkan dauerte ein Bild mit 1024 × 1024 Pixeln bei 20 Schritten 113 Sekunden, bei höchstens 22.139 MiB belegtem Grafikspeicher. Bildteil und Text-Encoder in Q8_0, stable-diffusion.cpp, gemessen am 21. September 2026.
Eine Messung auf einer Karte. Für andere Karten rechnen wir daraus keine Zeit hoch.
Geräte, auf die es passt
Die zehn mit dem kleinsten Speicher, der reicht. Größte Stufe heißt: die genaueste, die noch in den Speicher passt.
Grafikkarten, in deren Speicher es passt
| Grafikkarte | Nutzbarer Speicher | Größte Stufe |
|---|---|---|
| NVIDIA RTX 4000 Ada Generation, 20 GB | 19,2 GB | Q6_K |
| AMD Radeon RX 7900 XT, 20 GB | 19,2 GB | Q6_K |
| NVIDIA GeForce RTX 3090, 24 GB | 23,2 GB | Q8_0 |
| NVIDIA GeForce RTX 3090 Ti, 24 GB | 23,2 GB | Q8_0 |
| NVIDIA GeForce RTX 4090, 24 GB | 23,2 GB | Q8_0 |
| NVIDIA RTX A5000, 24 GB | 23,2 GB | Q8_0 |
| NVIDIA RTX 4500 Ada Generation, 24 GB | 23,2 GB | Q8_0 |
| NVIDIA RTX PRO 4000 Blackwell, 24 GB | 23,2 GB | Q8_0 |
| AMD Radeon RX 7900 XTX, 24 GB | 23,2 GB | Q8_0 |
| NVIDIA GeForce RTX 5090, 32 GB | 31,2 GB | Q8_0 |
Stufen des Bildteils
Speicherbedarf je Stufe, jeweils mit Text-Encoder, VAE und Rechenpuffer.
| Variante | Datei | Speicherbedarf |
|---|---|---|
| Q3_K | 3,3 GB | 15,1 GB |
| Q4_K | 4,2 GB | 16,0 GB |
| Q5_0 | 5,1 GB | 16,9 GB |
| Q6_K | 6,0 GB | 17,8 GB |
| Q8_0 | 7,7 GB | 19,5 GB |
Quelle: https://huggingface.co/Qwen/Qwen-Image-2.1 · Qwen3VL-8B-Instruct-Q4_K_M.gguf
Weitere Ratgeber
- gpt-oss: OpenAIs offenes Modell auf dem eigenen Rechnergpt-oss gibt es in zwei Größen. Die kleine läuft auf 319 von 527 geführten Geräten flüssig, die große auf 69. Was Sie brauchen und wo das Modell nicht passt.
- Grafikkarte für KI: Worauf es bei lokalen Modellen ankommtFür KI zählt an einer Grafikkarte zuerst der Speicher, dann das Tempo. Welche Speicherklasse wie viele Modelle trägt und warum 24 GB der wichtigste Schritt ist.
- KI selbst hosten: Was sich ändert, sobald mehrere zugreifenSelbst hosten heißt, dass einer betreibt und mehrere nutzen. Was dafür nötig ist, warum die Voreinstellungen dafür nicht gemacht sind und welche Fragen ab dem zweiten Nutzer keine Technikfragen mehr sind.
- Lokale KI-Modelle: Welches läuft auf Ihrer Hardware?Ob ein lokales KI-Modell auf Ihrem Rechner läuft, entscheidet der Speicher. Wie Sie die richtige Zahl finden und was die Stufen hinter dem Namen bedeuten.
- Lokale KI: Was das heißt, was Sie brauchen, was sie kannLokale KI heißt, dass die Modelldatei auf Ihrem Gerät liegt und die Rechenarbeit dort stattfindet. Was Sie dafür brauchen, was heute gut funktioniert und wo die Grenzen liegen.
- Open Source KI: Welche Modelle wirklich offen sindDie meisten Modelle, die „Open Source KI“ heißen, geben nur die fertigen Modelldateien frei, nicht den Weg dorthin. Was der Begriff bedeutet, welche Familien es gibt und was davon auf eigener Hardware läuft.
- KI lokal betreiben, ohne Terminal: So läuft ein Sprachmodell auf Ihrem RechnerLokale KI-Modelle brauchen auf Mac und Windows keine Befehlszeile mehr. Was Sie an Hardware brauchen, wie die Einrichtung Schritt für Schritt gelingt und wo die Grenzen liegen.
- Ollama oder LM Studio: Was ist der Unterschied, und welches passt zu Ihnen?Beide laden offene Sprachmodelle auf Ihren Rechner und rechnen mit demselben Unterbau. Was sie wirklich unterscheidet, was sie kosten und welche Daten dabei Ihr Haus verlassen.
- Was ist Ollama, und welche Alternativen gibt es?Ollama, LM Studio, llama.cpp und vLLM tauchen in vielen Anleitungen für lokale KI auf. Was jedes davon ist, wie die vier zusammenhängen und welches Sie wofür brauchen.
- Was kostet ChatGPT wirklich, und ab wann lohnt sich eigene Hardware?Die Rechnung hat vier Posten, und drei davon stehen auf keiner Preisliste. Was ein Modell über die Schnittstelle kostet, was eigene Hardware dagegenstellt, und ab welchem Punkt sich der Wechsel rechnet.
- DSGVO-konforme KI: Welche Daten verlassen bei welchem Aufbau Ihr Haus?Lokal heißt nicht telemetriefrei, und eine EU-Zusage hängt am Bereitstellungstyp. Was bei vier gängigen Aufbauten wirklich übertragen wird, mit Zitaten aus den Datenschutzerklärungen der Anbieter.