Qwen-Image-2.1을 A100 한 장에서: 셀 수 있는 것만 재고, OCR이 틀린 것을 잡았습니다

Qwen-Image-2.1을 A100 한 장에서: 셀 수 있는 것만 재고, OCR이 틀린 것을 잡았습니다

Qwen이 9월 20일에 Qwen-Image-2.1을 공개했습니다. 이미지 생성과 편집을 한 체크포인트로 하고, 가중치는 33.1GB입니다. 7B 생성부와 Qwen3-VL 인코더, VAE 셋으로 나뉩니다. 라이선스는 qwen-research이고 첫 Qwen-Image의 Apache-2.0이 아닙니다. 상업적으로 쓰기 전에 확인해야 하는 부분입니다.

A100 80GB 한 장에서 셀 수 있는 것만 쟀습니다. 시간, 메모리, 지시한 글자가 실제로 나오는지, 그리고 편집을 시켰을 때 원본이 얼마나 남는지입니다. 미감이나 지시 반영 점수는 재지 않았습니다. 사람 여럿이 붙어야 하는 값이고 저는 한 명입니다.

속도와 메모리

프롬프트를 고정하고 설정마다 시드 3개씩, bf16, diffusers는 git 판(0.41.0.dev0)입니다.

20스텝에서 40스텝으로 가면 시간이 거의 정확히 두 배입니다. 그래서 들고 다닐 숫자는 스텝당 시간이고, 1K에서 0.41초, 2K는 2.15~2.18초입니다. 이 값은 파이프라인 전체 시간을 스텝 수로 나눈 것이라 순수 디노이징 시간보다 큽니다. 픽셀이 네 배가 되면 시간은 5.3배가 됩니다. 최대 할당은 1K에서 36.8GiB, 2K에서 56.5GiB이고, 로컬 디스크에서 모델을 올리는 데 10초쯤 걸립니다.

글자 시험, 그리고 채점자를 셋으로 늘린 이유

이번 공개가 내세운 것 중 판단이 안 들어가고 확인할 수 있는 항목이 글자 렌더링입니다. 문구를 지정한 간판 열 개를 시켰습니다. OPEN 24 HOURS, Gate B12, SALE 70%, Cafe Aurora, PLATFORM 9, NO PARKING, Espresso 4.50, EXIT, Room 301, Fresh Bread Daily입니다. 시드 3개씩 30장을 만들고, 지시한 문자열이 그대로 읽히는 횟수를 셌습니다.

첫 줄은 모델에 대한 결과가 아닙니다. Tesseract는 NO PARKING을 rn PARKING으로, SALE 70%를 SALE 10"로 읽었습니다. 두 장 다 두꺼운 산세리프로 또렷하게 그려져 있습니다.

두 번째 줄은 다른 줄과 조건이 다릅니다. 정답을 알고 16가지 설정 중 성공한 것을 고른 값이라, 한 번만 전사한 시각 모델의 29/30과 나란히 읽으면 안 됩니다.

맨 아랫줄은 제가 30장을 전부 열어 확인한 결과입니다. OCR이 실패로 본 10장은 한 장씩 봤고, 나머지 20장은 네 장 묶음 대조 시트로 봤습니다. 지시한 글자는 30장 모두 그대로 있었습니다. Cafe Aurora의 필기체와 소수점이 들어간 가격도 포함해서요. 이건 사람이 읽을 수 있는 글자에 대한 이야기이지 이미지가 얼마나 좋은지에 대한 이야기가 아닙니다. 그리고 읽는 쪽이 셋으로 갈린 것이 이 절이 존재하는 이유입니다. 채점자가 대상보다 약하면 그 숫자는 대상이 아니라 채점자를 설명합니다. 저는 40%로 낼 뻔했습니다.

편집은 구도를 남기고 표면을 다시 그립니다

같은 파이프라인이 image 인자를 받습니다. 모델 카드가 안내하는 편집 방식이 그것입니다. 원본을 넣고 지시를 프롬프트로 씁니다. 나무 탁자 위 빨간 머그를 만든 뒤 지시 네 개를 시드 2개씩, 40스텝으로 줬습니다.

색을 바꾸는 것과 글자를 넣는 것은 됐습니다. MORNING은 두 시드 모두 또렷하게 나왔습니다. 물건을 더하는 것은 두 번 다 실패했습니다. 한 번은 머그 옆이 아니라 머그 안쪽에 녹색 얼룩이 생겼습니다. 제거는 다른 방식으로 실패했습니다. 한 시드에서는 머그가 그대로 남았고, 다른 시드에서는 반투명한 유령처럼 흐려진 채 그 자리에 있었습니다.

나머지는 픽셀 숫자가 말합니다. 편집 여덟 건의 바뀐 픽셀 비율은 중앙값 84%, 평균 82%, 개별로는 71%에서 91%까지였습니다. 원본 대비 PSNR은 10.8에서 15.8 사이입니다. 눈으로 보면 구도는 남습니다. 같은 구성, 같은 탁자, 같은 자리의 머그입니다. 그런데 질감과 색조는 다시 그려집니다. 한 시드에서는 머그 자체가 둥근 것에서 직선형으로, 다른 머그가 되어 돌아왔습니다. 마스크 없이 문장 지시만 준 이 여덟 건에서는 원본 픽셀이 보존되기를 기대하기 어려웠습니다. 모델 카드는 원을 치거나 칠하거나 별도 마스크를 주는 국소 편집도 지원한다고 적어 두었는데, 이번에는 재지 않았습니다. 따라서 "이 모델은 편집을 못 한다"가 아니라 "문장만 주는 방식으로는 그대로 두라는 보장이 없다"가 이번 결과입니다.

정리하면

• A100에서 스텝당 1K는 0.41초, 2K는 2.15초로 잡으십시오. 2K 40스텝이면 한 장에 1분 26초입니다. 줄일 자리는 스텝 수입니다. 배치 처리는 재지 않았습니다.
• 2K에서 최대 56.5GiB라, 48GiB 카드는 bf16으로 이 해상도를 오프로딩 없이 감당하지 못합니다.
• 짧은 간판 문구의 글자 렌더링은 실제로 좋습니다. 제가 시험한 범위가 그것입니다. 긴 문단은 다른 문제이고 재지 않았습니다.
• 문장만으로 주는 편집은 결과를 확인하고 쓰십시오. 색이나 글자는 이번 시험에서 두 번 다 얻었지만, 물건을 더하거나 빼라는 지시는 네 번 다 실패했고 나머지 화면도 같이 바뀌었습니다. 마스크를 주는 방식은 재지 않았습니다.
• 라이선스를 확인하십시오. qwen-research는 Apache-2.0이 아닙니다.

이 결과로 말할 수 없는 것

시험마다 프롬프트 계열이 하나씩이고, 간판 30장과 편집 8건, 카드 한 장, 자료형 하나입니다. 미감, 복잡한 장면에서의 지시 반영, RGBA와 다중 참조 기능은 재지 않았습니다. 편집 숫자는 이미지 전체를 비교한 것이라 지시가 가리킨 영역의 변화와 그 밖의 표류가 섞여 있습니다. 그리고 같은 30장을 읽는 쪽이 셋(Tesseract, 시각 모델, 사람)이고 채점 조건이 넷으로 갈렸다는 사실은, OCR로 채점한 이미지 벤치마크를 볼 때마다 같은 질문을 해야 한다는 뜻입니다. 그건 누가 읽었습니까.

측정 환경: Qwen/Qwen-Image-2.1, bf16, diffusers 0.41.0.dev0, torch 2.13.0+cu126, A100 80GB PCIe 한 장, 드라이버 535. 생성: 프롬프트 고정, 시드 1~3. 글자 시험: 문구 10개 × 시드 3개, 1024×1024, 40스텝. 판정은 대문자로 바꾸고 A~Z·0~9·%·마침표만 남긴 뒤, 지시 문구가 읽어낸 문자열 안에 들어 있는지를 봤습니다(전체 일치가 아니라 포함 여부입니다). 편집 시험: 시드마다 원본 한 장, 지시 4개, 40스텝. PSNR과 바뀐 픽셀 비율은 이미지 전체에서 계산했고, 어느 한 채널이라도 16/255 넘게 움직이면 바뀐 픽셀로 셌습니다. 측정일 2026-09-23.