企业官网建设流程全解析

Qwen-Image-2.1-viggle-turbo速览：6步AI图像生成快5倍，画质竟难分伯仲

Qwen-Image-2.1-viggle-turbo是一个构建在 Qwen-Image-2.1 大模型之上的少步蒸馏 LoRA 加速适配器：仅用6 步完成 AI 图像生成（基础模型需要 40 步），端到端快约 5 倍，同时支持 1–3 张参考图的指令式图像编辑，画质与 40 步基础模型"难分伯仲"。它还自带开箱即用的 ComfyUI 工作流，新手也能快速上手。

一、viggle-turbo 是什么？让 40 步模型"提前毕业"的 LoRA

由 Viggle 团队用**分布匹配蒸馏（DMD）**训练，本质是教一个"学生"模型把老师模型 40 步的采样过程压缩成 6 步：

• 形态：LoRA 适配器，运行时加载到 Qwen-Image-2.1 的基础 transformer 上，不是独立的完整模型；
• 速度：6 步 vs 40 步，且全程无需 CFG（无分类器引导），每一步只需一次前向计算，端到端快约 5 倍；
• 能力：文生图（T2I）+ 指令驱动图像编辑（1–3 张参考图）双修。

官方在 96 条留出用户请求上，对比 v0.2.1（6 步）与基础模型（40 步）：

早期 v0.1 版本存在"布局坍缩"问题，迭代到 v0.2.1 后基本消除，官方 32 组对比样例中多数提示词下两者肉眼难分。

二、仓库内容速览：该用哪个文件

三、6步AI图像生成：6 条参数铁律

模型卡里最重要的部分（Rules that matter），新手照抄即可：

💡改步数的小窍门：只允许在"高噪声端"增减步数。比如渲染密集小字的场景，改成 8 步（sigmas=[1, 0.9375, 0.875, 0.75, 0.625, 0.5, 0.25, 0.125]）文字明显更清晰。千万不要动0.875 / 0.75 / 0.5 / 0.25这四个低噪声节点，否则整图会肉眼可见地变软。

四、两大用法：文生图 + 多图参考编辑

用法 1 · 文本生图（T2I）：输入一段提示词即可。训练主力分辨率为 1024²、2048² 面积（如 1024×1024、1376×768 的 16:9、2048×1152 等）。建议开启官方提示词增强（PE）——学生模型正是用"增强后的提示词"做蒸馏目标的，开了 PE 构图更好。

用法 2 · 指令驱动编辑：一次传入 1–3 张参考图，在提示词中按顺序称呼它们image 1、image 2（即<image1>、<image2>），例如："image 1 中的女人抱着 image 2 里的猫，保持 image 1 的背景"。仓库自带两张示例输入（位于 comfyui/input/）：

⚠️ 参考图的顺序决定提示词中 image 1 / image 2 指谁；不指定输出尺寸时，diffusers 的宽高比跟随最后一张参考图（ComfyUI 中则跟随第一张）。

五、ComfyUI 快速安装步骤（零代码）

适合 ComfyUI 0.37.0+（已原生支持 Qwen-Image-2.1）：

1. 装自定义节点：把 comfyui/viggle_turbo.py 复制到ComfyUI/custom_nodes/并重启，新增两个节点：
   • Viggle Turbo Sigmas：按输出分辨率自动生成 6 步调度，替代 KSampler 自带调度器；
   • Viggle Turbo LoRA (unmerged)：运行时以非合并方式施加 LoRA——默认 LoRA 加载器会把权重"合并进"基础权重，在 bf16 下会丢失约 30% 的 LoRA 更新量，所以必须用它（代价是每步多耗 10–25% 时间）。
2. 拖入工作流：Qwen-Image-2.1-viggle-turbo-t2i.json（文生图）或 Qwen-Image-2.1-viggle-turbo-edit.json（编辑），均自带参数说明与提示词增强器。
3. 摆放基础模型文件（工作流已内置下载链接）：

📌 默认 int8 配置、模型全部驻留时，100 万像素图像峰值显存约26 GB；想要更宽裕就换 bf16 文件或降低显存占用。

六、Diffusers 代码用法（开发者向）

如果更喜欢写代码，三步走：装依赖 → 加载基础模型 + LoRA → 按 6 步调度采样：

pip install -U torch "transformers>=5.17,<6" accelerate safetensors peft pillow

from diffusers import QwenImage21Pipeline, FlowMatchEulerDiscreteScheduler import torch pipe = QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1", dtype=torch.bfloat16) pipe.load_lora_weights( "Viggle/Qwen-Image-2.1-viggle-turbo", weight_name="Qwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r256.safetensors", ) pipe.scheduler = FlowMatchEulerDiscreteScheduler.from_pretrained( "Viggle/Qwen-Image-2.1-viggle-turbo", subfolder="scheduler" ) pipe.to("cuda") # 6 步 + 专属 sigmas，无负向提示词，true_cfg_scale=1.0 img = pipe(prompt="A studio portrait of an old fisherman mending a net.", height=1024, width=1024, num_inference_steps=6, sigmas=[1.0, 0.9375, 0.875, 0.75, 0.5, 0.25], true_cfg_scale=1.0).images[0]

注意：QwenImage21Pipeline尚未进入 diffusers 正式发行版，需安装 README 中指定的固定版本；文本编码器、VAE 与处理器不随本仓库分发，从 Qwen-Image-2.1 基础模型仓库加载。完整说明见 README.md。

克隆仓库查看全部资料：

git clone https://gitcode.com/hf_mirrors/Viggle/Qwen-Image-2.1-viggle-turbo

七、已知局限与许可证说明

坦诚的边界——以下场景 40 步基础模型仍然更强：

• 复杂编辑：多参考图合成、换脸、证件类身份保持编辑仍可能出现重影或身份漂移；
• 细小密集文字：乱码概率略高于基础模型（可临时切 8 步缓解）；
• 2K 输出目前仅做了目视对比，暂无量化指标。

⚖️许可证：本模型是 Qwen-Image-2.1 的衍生作品，遵循Qwen RESEARCH LICENSE AGREEMENT（见 LICENSE）：仅限非商业用途（研究或评测）；商用需单独获取授权，署名要求见 NOTICE。

总结

Qwen-Image-2.1-viggle-turbo 证明了"少步生成不必然牺牲画质"：以 6 步采样 + 一份 1.3 GB 的 LoRA，换来端到端约5 倍的 AI 图像生成速度，而 96 条真实请求的对比显示，其多样性、构图稳定性几乎追平 40 步基础模型。日常文生图与简单编辑，它现在就是可落地的选择；面对复杂编辑和密集小字，可切 8 步或退回基础模型兜底。