PrunaAI beschleunigt Qwen Image 2.1 mit neuen LoRA Adaptern

Ein Geschwindigkeits-Upgrade für Qwen-Image-2.1

Mit Pruna-Qwen-Image-2.1 ist eine Optimierung für das offene Bildmodell Qwen-Image-2.1 erschienen, die vor allem auf eine Verkürzung der Inferenzzeit zielt. Im Mittelpunkt stehen zwei sogenannte LoRA-Adapter. Sie sollen es ermöglichen, Bilder nicht mehr mit rund 40, sondern mit lediglich fünf oder acht Diffusionsschritten zu erzeugen oder zu bearbeiten.

PrunaAI beziffert den möglichen Geschwindigkeitsgewinn mit bis zu dem Faktor 6,3. Diese Angabe ist als Herstellerangabe einzuordnen. Wie stark sich die Beschleunigung in der Praxis auswirkt, hängt unter anderem von der verwendeten Hardware, der Bildauflösung, den gewählten Einstellungen, der Pipeline und dem jeweiligen Anwendungsfall ab. Für Unternehmen ist deshalb weniger der Spitzenwert als die Frage entscheidend, ob sich bei vergleichbarer Qualität ein stabiler Durchsatzvorteil im eigenen Betrieb erzielen lässt.

Die Veröffentlichung ist vor allem deshalb relevant, weil Bildmodelle in professionellen Workflows häufig nicht an der reinen Modellqualität, sondern an Kosten, Latenz und Skalierbarkeit gemessen werden. Ein Modell, das mehrere Varianten eines Motivs in kurzer Zeit erstellen kann, lässt sich leichter in Produktionssysteme, Content-Pipelines, Agenten oder interaktive Anwendungen integrieren.

Was hinter den neuen Adaptern steckt

LoRA als modularer Optimierungsansatz

LoRA steht für „Low-Rank Adaptation“. Dabei wird ein bestehendes Modell nicht vollständig neu trainiert oder ersetzt. Stattdessen werden zusätzliche, vergleichsweise kompakte Gewichtskomponenten geladen, die das Verhalten des Basismodells für eine bestimmte Aufgabe verändern.

Im Fall von Pruna-Qwen-Image-2.1 dienen die Adapter dazu, Qwen-Image-2.1 auf eine deutlich geringere Zahl von Inferenzschritten auszurichten. Das Basismodell bleibt dabei die Grundlage für Textverständnis, Bildverarbeitung und die eigentliche Generierung. Laut Modellbeschreibung werden der bestehende Ablauf, der Text-Encoder und der Variational Autoencoder nicht ausgetauscht.

Dieser modulare Aufbau kann für Betreiber und Entwickler praktische Vorteile haben. Die Adapter lassen sich separat vom Basismodell verwalten und in bestehende Implementierungen integrieren. Gleichzeitig bleibt die Abhängigkeit vom Ausgangsmodell bestehen: Wer den Adapter einsetzen möchte, benötigt weiterhin eine kompatible Qwen-Image-2.1-Umgebung und muss die jeweiligen technischen sowie lizenzrechtlichen Bedingungen prüfen.

Distillation mit DMD

PrunaAI beschreibt das Training der Adapter als auf DMD basierend. Gemeint ist eine Form der Modellverdichtung, bei der ein schnellerer Prozess das Verhalten eines aufwendigeren Referenzprozesses möglichst weitgehend nachbilden soll. Im Bereich der Diffusionsmodelle bedeutet dies typischerweise, dass ein Modell mit wenigen Schritten Ergebnisse erzeugt, für die das ursprüngliche Verfahren deutlich mehr Zwischenschritte benötigt.

Die Reduzierung der Schritte ist technisch nicht kostenlos. Weniger Schritte bedeuten, dass jede einzelne Aktualisierung einen größeren Anteil des Generierungsprozesses abbilden muss. Dadurch kann sich die Balance zwischen Geschwindigkeit, Detailtreue, Kompositionsstabilität und Textqualität verändern. Genau diese Abwägung spiegelt sich in den zwei veröffentlichten Varianten wider.

Fünf oder acht Schritte: Die beiden Varianten im Vergleich

Die fünfstufige Version

Die fünfstufige Variante ist auf maximale Geschwindigkeit ausgelegt. Sie kann insbesondere für Entwürfe, schnelle Ideensammlungen, interaktive Anwendungen und hohe Anfragevolumina interessant sein. In einem kreativen Prozess lassen sich damit beispielsweise zahlreiche Bildrichtungen erzeugen, bevor eine kleinere Auswahl in höherer Qualität ausgearbeitet wird.

Nach den Angaben im Modell-Repository geht die kürzere Inferenz jedoch mit einer sichtbar geringeren visuellen Qualität einher. Das kann sich je nach Motiv unterschiedlich bemerkbar machen. Bei einfachen Kompositionen oder großflächigen Formen kann die Differenz weniger auffallen. Feine Strukturen, kleine Beschriftungen, komplexe Hintergründe, Hände, Produktdetails oder lokale Bildänderungen können dagegen stärker von der reduzierten Schrittzahl betroffen sein.

Die achtstufige Version

Der achtstufige Adapter wird als Standardempfehlung beschrieben. Er soll ein ausgewogeneres Verhältnis zwischen Geschwindigkeit und Ergebnisqualität bieten. Im Vergleich zur fünfstufigen Variante stehen dem Generierungsprozess zusätzliche Schritte zur Verfügung, um Bildstruktur und Details stabiler zu entwickeln.

Für professionelle Anwendungen ist diese Version daher zunächst die naheliegendere Ausgangsbasis. Sie kann für die Produktion von Marketingmotiven, redaktionellen Illustrationen, Produktvisualisierungen oder die Bearbeitung bestehender Bilder geeigneter sein, sofern die Ergebnisse die unternehmensinternen Qualitätsanforderungen erfüllen.

Beide Varianten tragen laut Repository die Versionsnummer 0.1. Es handelt sich damit um eine frühe Veröffentlichung. Die Entscheidung zwischen fünf und acht Schritten sollte nicht allein anhand der Rechenzeit getroffen werden. Unternehmen sollten eigene Vergleichstests mit realen Prompts, typischen Referenzbildern und den später tatsächlich eingesetzten Hardwareprofilen durchführen.

Unterstützte Aufgaben und Funktionen

Text-zu-Bild-Generierung

Pruna-Qwen-Image-2.1 kann für die klassische Generierung aus Textbeschreibungen eingesetzt werden. Nutzerinnen und Nutzer formulieren dabei eine Anweisung, aus der das System ein neues Bild erstellt. Die Geschwindigkeit kann insbesondere dann relevant sein, wenn mehrere Varianten eines Prompts benötigt werden oder wenn eine Anwendung Bilder unmittelbar während einer Interaktion erzeugt.

In B2B-Szenarien zählen dazu beispielsweise die Entwicklung von Kampagnenmotiven, die Erstellung von Varianten für unterschiedliche Zielgruppen, die Visualisierung von Produktideen oder die automatisierte Produktion von Bildmaterial für digitale Kanäle. Die schnelle Inferenz ersetzt dabei nicht die Prüfung durch Fachabteilungen. Sie verschiebt jedoch den Schwerpunkt: Statt lange auf einzelne Ergebnisse zu warten, können Teams mehr Varianten erzeugen und anschließend kuratieren.

Einzel- und Mehrbildbearbeitung

Neben der Neugenerierung unterstützt der Adapter laut den vorliegenden Angaben auch Bildbearbeitung. Dabei kann ein vorhandenes Bild als Grundlage dienen, um Änderungen anhand einer Textanweisung vorzunehmen. Möglich sind beispielsweise Anpassungen von Stil, Hintergrund, Farbgebung oder einzelnen Bildelementen.

Die achtstufige Variante soll Bearbeitungen mit einem oder mehreren Eingabebildern unterstützen. Genannt werden bis zu drei Referenzbilder bei einer Auflösung von 1K. Referenzen können dazu beitragen, Personen, Produkte, Gestaltungselemente oder eine bestimmte visuelle Richtung konsistenter zu berücksichtigen. In produktiven Umgebungen muss dennoch geprüft werden, wie zuverlässig Identität, Perspektive, Proportionen und Markenmerkmale erhalten bleiben.

Der Nutzen einer schnellen Bildbearbeitung zeigt sich insbesondere in iterativen Prozessen. Ein Kreativteam kann Änderungen an einem Entwurf zügiger prüfen, ein E-Commerce-System kann Varianten für unterschiedliche Kontexte erzeugen, und ein Redaktionssystem kann Bildmaterial für verschiedene Formate anpassen. Je stärker die Ausgabe automatisiert wird, desto wichtiger werden Prüfmechanismen für Inhalt, Rechte, Markenrichtlinien und technische Qualität.

Technische Besonderheiten der Inferenz

Eigener Zeitplan für die Diffusion

Die Adapter verwenden jeweils einen optimierten Sigma-Zeitplan. In Diffusionsmodellen steuert ein solcher Zeitplan, wie sich der Generierungsprozess von einem stark verrauschten Zustand zu einem strukturierten Bild entwickelt. Die Wahl und Anordnung der Schritte beeinflusst, wie effizient das Modell die verfügbaren Inferenzschritte nutzt.

Ein Adapter, der für fünf Schritte trainiert wurde, sollte nicht automatisch mit den Einstellungen der achtstufigen Variante betrieben werden. Die unterschiedlichen Adapter sind auf ihre jeweilige Schrittzahl und ihren eigenen Zeitplan ausgelegt. Für Entwickler bedeutet dies, dass nicht nur die Gewichtedatei, sondern auch die zugehörige Konfiguration und der vorgesehene Scheduler berücksichtigt werden müssen.

Verzicht auf CFG

Die veröffentlichten Adapter laufen ohne Classifier-Free Guidance, kurz CFG. CFG wird bei vielen Diffusionsmodellen verwendet, um die Übereinstimmung zwischen Prompt und Bild zu verstärken. Der Verzicht auf diesen zusätzlichen Mechanismus kann den Inferenzablauf vereinfachen und Rechenaufwand reduzieren. Gleichzeitig verändert sich das Verhalten des Modells, weshalb Eingabeaufforderungen und Parameter möglicherweise anders abgestimmt werden müssen als beim Basismodell.

Für Unternehmen ist dieser Punkt bei der Integration relevant. Bestehende Workflows, die auf CFG-Werten oder bestimmten Prompting-Konventionen beruhen, sollten nicht ohne Tests übernommen werden. Auch automatisierte Systeme müssen prüfen, ob die Bildinhalte weiterhin zuverlässig den jeweiligen Vorgaben entsprechen.

Der mögliche Nutzen für Unternehmen

Geringere Latenz bei interaktiven Anwendungen

Bei Anwendungen mit direkter Nutzerinteraktion ist die Antwortzeit ein wesentlicher Faktor. Lange Wartezeiten können die Akzeptanz von Bildfunktionen reduzieren, insbesondere wenn Nutzer mehrere Entwürfe ausprobieren möchten. Eine Inferenz mit fünf oder acht Schritten kann die Zeit bis zum ersten brauchbaren Ergebnis verkürzen und damit interaktive Design- oder Content-Prozesse unterstützen.

Das gilt etwa für interne Kreativplattformen, automatisierte Kampagnenwerkzeuge, Produktkonfiguratoren oder Anwendungen, in denen Bilder als Teil einer größeren Antwort eines KI-Systems entstehen. Die konkrete Wirkung hängt jedoch davon ab, ob die verfügbare Hardware und die gesamte Softwarepipeline die reduzierte Modelllaufzeit auch tatsächlich ausnutzen.

Mehr Durchsatz bei gleichbleibender Infrastruktur

Eine verkürzte Inferenz kann bei konstanten Ressourcen eine höhere Zahl von Anfragen ermöglichen. Alternativ kann ein Unternehmen versuchen, dieselbe Auslastung mit weniger Rechenkapazität zu bewältigen. Daraus können sich Unterschiede bei Infrastrukturkosten, Wartezeiten und der Skalierungsplanung ergeben.

Eine belastbare Wirtschaftlichkeitsrechnung sollte neben der reinen Modelllaufzeit weitere Faktoren einbeziehen:

• GPU-Typ, Grafikspeicher und Auslastung
• Initialisierungs- und Ladezeiten für Basismodell und Adapter
• Bildauflösung und Seitenverhältnis
• Anzahl der erzeugten Varianten pro Anfrage
• Speicher- und Netzwerkzugriffe
• Qualitätskontrolle und manuelle Nachbearbeitung
• Kosten der API-, Cloud- oder On-Premises-Infrastruktur

Mehr Iterationen in kreativen Workflows

In vielen Designprozessen entsteht das beste Ergebnis nicht mit dem ersten Prompt. Teams testen unterschiedliche Bildaufbauten, Perspektiven, Farbwelten und Referenzen. Schnellere Modelle können die Zahl dieser Iterationen erhöhen. Das ist besonders dann von Bedeutung, wenn ein Bild nicht vollständig automatisiert werden soll, sondern als Ausgangspunkt für eine menschliche Weiterbearbeitung dient.

Die Zeitersparnis sollte daher nicht nur als technischer Benchmark betrachtet werden. Sie kann auch die Organisation kreativer Arbeit verändern. Mitarbeitende können früher Varianten vergleichen, Entscheidungen auf einer breiteren Grundlage treffen und repetitive Zwischenschritte schneller abschließen.

Qualität bleibt der entscheidende Prüfpunkt

Die Modellbeschreibung von PrunaAI enthält eine wichtige Einschränkung: Die Version 0.1 erreicht nach Angaben des Anbieters noch nicht in jedem Fall die visuelle Qualität des Basismodells. Diese Einordnung ist für eine sachliche Bewertung zentral. Eine höhere Geschwindigkeit ist nur dann wirtschaftlich wertvoll, wenn die Ausgaben für den jeweiligen Zweck ausreichend zuverlässig sind.

Qualität ist dabei mehrdimensional. Neben der allgemeinen Ästhetik sollten Unternehmen unter anderem folgende Kriterien untersuchen:

• Übereinstimmung mit der Textanweisung
• Komposition und räumliche Anordnung
• Darstellung von Händen, Gesichtern und kleinen Objekten
• Lesbarkeit und korrekte Wiedergabe von Text
• Konsistenz von Personen, Produkten und Markenmerkmalen
• Erhalt unveränderter Bildbereiche bei Editierungen
• Farbtreue und technische Eignung für die vorgesehene Ausgabe
• Stabilität bei wiederholten Durchläufen mit ähnlichen Eingaben

Gerade bei Bildbearbeitungen kann die Qualitätsbewertung anspruchsvoller sein als bei einer vollständig neuen Generierung. Ein Ergebnis kann auf den ersten Blick überzeugend wirken, aber dennoch ungewollte Veränderungen an Produktlogos, Proportionen oder identitätsprägenden Merkmalen enthalten. Für den Einsatz in Werbung, Handel, Medien oder Unternehmenskommunikation sind deshalb Freigabeprozesse weiterhin erforderlich.

Einordnung gegenüber dem Basismodell Qwen-Image-2.1

Qwen-Image-2.1 bildet die technische Grundlage für die Adapter. Das Modell wird als einheitliches System für Text-zu-Bild-Generierung und Bildbearbeitung beschrieben. Nach den vorliegenden Informationen umfasst die visuelle Generierungskomponente sieben Milliarden Parameter und basiert auf 32 Single-Stream-DiT-Schichten.

Zu den Funktionen des Basismodells zählen unter anderem die Erzeugung regulärer und transparenter RGBA-Bilder, die Bearbeitung transparenter Ebenen sowie die Extraktion von Motiven aus Fotografien. Außerdem werden mehrere Referenzbilder und lokale Bearbeitungen über Markierungen, Kreise oder Masken unterstützt. Die konkrete Verfügbarkeit einzelner Funktionen im Zusammenspiel mit den Pruna-Adaptern sollte jedoch anhand der jeweiligen Implementierung geprüft werden.

Pruna-Qwen-Image-2.1 ist daher nicht als vollständig neues Bildmodell zu verstehen. Es handelt sich vielmehr um eine auf Geschwindigkeit optimierte Ergänzung für das bestehende Modell. Diese Unterscheidung ist für technische Bewertungen wichtig, weil Leistungsmerkmale des Basismodells nicht automatisch in identischem Umfang für jede Adapterkonfiguration garantiert werden können.

Integration in bestehende Entwicklungsumgebungen

Die Veröffentlichung auf Hugging Face richtet sich vor allem an Entwicklerinnen und Entwickler, die Modelle lokal oder in eigenen Inferenzumgebungen betreiben. Die Adapter werden als Safetensors-Dateien bereitgestellt. Für einen produktiven Einsatz müssen sie in eine kompatible Pipeline eingebunden und mit dem passenden Scheduler sowie den vorgesehenen Schrittzahlen verwendet werden.

In der Praxis sind zunächst mehrere technische Fragen zu klären:

• Welche Versionen von Diffusionsbibliotheken und Abhängigkeiten werden unterstützt?
• Welche Grafikkarte oder Beschleunigerhardware ist für die gewünschte Auflösung erforderlich?
• Wie hoch ist der Speicherbedarf beim parallelen Betrieb mehrerer Anfragen?
• Wie werden Modell und Adapter beim Start eines Dienstes geladen?
• Wie lässt sich die Auslastung bei vielen gleichzeitigen Anfragen steuern?
• Welche Monitoring- und Protokollierungsfunktionen sind für den Betrieb vorgesehen?
• Wie werden Eingabebilder, Referenzen und erzeugte Inhalte gespeichert und gelöscht?

Für ComfyUI- oder vergleichbare visuelle Workflows können Adapter in entsprechende Knoten und Vorlagen eingebunden werden. In den vorliegenden Informationen wird zudem auf eine Konvertierung in ein ComfyUI-kompatibles Format durch Dritte hingewiesen. Solche externen Workflows sollten vor dem Einsatz in Unternehmen auf Herkunft, Aktualität, Kompatibilität und Sicherheitsrisiken geprüft werden.

Lizenz, Datenschutz und Governance

Bei Open-Source- oder offen bereitgestellten Modellen ist die technische Zugänglichkeit nicht mit einer uneingeschränkten kommerziellen Nutzung gleichzusetzen. Unternehmen sollten die Lizenz des Basismodells, die Bedingungen der Adapter und mögliche Vorgaben für die Weitergabe oder den Betrieb prüfen. Auch die Bezeichnung „Open Source“ kann je nach Lizenztext unterschiedliche praktische Konsequenzen haben.

Für die Nutzung von Referenzbildern gelten zusätzlich datenschutz- und urheberrechtliche Anforderungen. Werden Fotos von Mitarbeitenden, Kunden oder anderen identifizierbaren Personen verarbeitet, müssen Zweck, Rechtsgrundlage, Aufbewahrung und Zugriff geregelt sein. Bei Produktbildern, Markenbestandteilen oder lizenzierten Motiven sind die jeweiligen Nutzungsrechte zu beachten.

Ein belastbarer Governance-Prozess sollte daher mindestens folgende Punkte abdecken:

• Dokumentation der verwendeten Modell- und Adapterversion
• Prüfung der Lizenzbedingungen vor dem kommerziellen Einsatz
• Regeln für personenbezogene Eingabebilder und Referenzen
• Kontrolle auf Marken-, Urheber- und Persönlichkeitsrechtsverletzungen
• Protokollierung automatisierter Bildänderungen
• Freigabestufen für externe Veröffentlichungen
• Definition zulässiger und unzulässiger Anwendungsfälle

Wie Unternehmen die Lösung sinnvoll testen können

Ein Vergleichstest sollte nicht ausschließlich die schnellste Laufzeit messen. Empfehlenswert ist ein mehrstufiges Evaluationsverfahren, das technische, qualitative und wirtschaftliche Kriterien verbindet. Zunächst kann ein repräsentativer Datensatz aus realen Aufgaben zusammengestellt werden. Dazu gehören typische Prompts, häufige Bildformate, Produktdarstellungen, Änderungswünsche und Referenzbilder.

Anschließend sollten das Basismodell, die fünfstufige und die achtstufige Variante unter möglichst gleichen Bedingungen ausgeführt werden. Zu messen sind unter anderem die Zeit bis zum Ergebnis, die Zahl erfolgreicher Durchläufe, der Speicherbedarf und der Anteil der Ausgaben, die ohne manuelle Korrektur verwendet werden können.

Für einen aussagekräftigen Vergleich sollten Sie außerdem qualitative Bewertungen durch Fachanwender einholen. Ein Bild kann technisch schnell erzeugt sein, aber für eine Kampagne ungeeignet bleiben. Umgekehrt kann eine geringfügig längere Inferenz wirtschaftlich sinnvoll sein, wenn dadurch Nachbearbeitung und Ausschuss deutlich zurückgehen.

Als pragmatische Teststrategie bietet sich an:

• Die achtstufige Variante als Ausgangspunkt für Qualitätsvergleiche verwenden.
• Die fünfstufige Variante für Entwürfe und hohe Durchsatzanforderungen testen.
• Generierung und Bearbeitung getrennt bewerten.
• Textdarstellung, kleine Details und Referenzkonsistenz gezielt prüfen.
• Durchläufe mit identischen Parametern wiederholen, um die Stabilität zu messen.
• Die Ergebnisse mit den tatsächlichen Kosten pro verwendbarem Bild vergleichen.

Was die Veröffentlichung für die Entwicklung generativer Bildsysteme zeigt

Die Adapter verdeutlichen einen allgemeinen Trend in der Entwicklung generativer Bildmodelle: Fortschritte entstehen nicht nur durch größere Basismodelle, sondern auch durch Verfahren, die deren Nutzung effizienter machen. Distillation, optimierte Zeitpläne, reduzierte Schrittzahlen und modulare Adapter können dazu beitragen, leistungsfähige Modelle für mehr Anwendungsszenarien zugänglich zu machen.

Für B2B-Anbieter ist diese Entwicklung besonders relevant. Ein Modell muss in der Praxis nicht nur überzeugende Bilder erzeugen, sondern auch vorhersehbare Antwortzeiten, kalkulierbare Kosten und eine geeignete Integrationsmöglichkeit bieten. Schnellere Adapter können diese Anforderungen unterstützen, führen aber zu einer stärkeren Notwendigkeit, Qualität und Zuverlässigkeit systematisch zu messen.

Die aktuelle Veröffentlichung ist dabei als früher Entwicklungsstand zu verstehen. PrunaAI kündigt weitere Verbesserungen der Distillation an. Ob spätere Versionen die Qualitätsdifferenz zum Basismodell verringern, zusätzliche Auflösungen unterstützen oder weitere Bearbeitungsfunktionen stabilisieren, bleibt von künftigen Aktualisierungen abhängig.

Fazit

Pruna-Qwen-Image-2.1 verfolgt einen klaren Ansatz: Qwen-Image-2.1 soll mithilfe von zwei LoRA-Adaptern mit deutlich weniger Diffusionsschritten betrieben werden können. Die fünfstufige Konfiguration priorisiert Geschwindigkeit, während die achtstufige Version als ausgewogenerer Standard vorgesehen ist. Laut Anbieter sind bis zu 6,3-fache Beschleunigungen möglich; diese Angabe sollte von Unternehmen unter den eigenen technischen Bedingungen überprüft werden.

Der potenzielle Nutzen liegt in kürzeren Wartezeiten, höherem Bilddurchsatz und schnelleren kreativen Iterationen. Gleichzeitig weist die frühe Versionsnummer 0.1 auf einen noch nicht abgeschlossenen Entwicklungsstand hin. Die Modellqualität kann laut Anbieter unter der des Basismodells liegen, insbesondere bei anspruchsvollen Motiven oder Bearbeitungen.

Für Unternehmen empfiehlt sich deshalb ein kontrollierter Pilotbetrieb. Die achtstufige Variante bietet sich als erster Qualitätsmaßstab an, während die fünfstufige Version für schnelle Entwürfe und stark skalierte Prozesse untersucht werden kann. Erst wenn Bildqualität, Rechtefragen, Datenschutz, Integrationsaufwand und Kosten im konkreten Anwendungsszenario bewertet wurden, lässt sich die Eignung für einen produktiven Einsatz belastbar beurteilen.

Bibliografie

PrunaAI: „PrunaAI/Pruna-Qwen-Image-2.1“, Hugging Face. https://huggingface.co/PrunaAI/Pruna-Qwen-Image-2.1

Qwen: „Qwen/Qwen-Image-2.1“, Hugging Face. https://huggingface.co/Qwen/Qwen-Image-2.1

QwenLM: „Qwen-Image-2.1“, GitHub. https://github.com/QwenLM/Qwen-Image-2.1

PrunaAI: „P-Image LoRA: Training and Inference“, Dokumentation. https://docs.pruna.ai/en/stable/docs_pruna_endpoints/general/p_image_loras.html

PrunaAI: „Qwen-Image“, API-Dokumentation. https://docs.api.pruna.ai/guides/models/qwen-image

Inference Shell: „Pruna Qwen Image Generation on inference shell“. https://inference.sh/blog/tools/pruna-qwen-image-generation

Inference Shell: „qwen-image-fast API – pruna/qwen-image-fast“. https://inference.sh/apps/pruna/qwen-image-fast

AK: Beitrag zu Pruna-Qwen-Image-2.1 auf X, 24. September 2026. https://x.com/_akhaliq/status/2103201617004949888