H100实测数据!Pruna-Qwen-Image-2.1 文生图与图像编辑速度基准5步/8步/40步全对比

原创2026-10-19 20:28:401,370 阅读

H100实测数据!Pruna-Qwen-Image-2.1 文生图与图像编辑速度基准5步/8步/40步全对比

Pruna-Qwen-Image-2.1 是面向 Qwen-Image-2.1 AI绘图模型的少步 LoRA 适配器套件,把原本 40 步的采样压缩到 5 步或 8 步,文生图与图像编辑的推理速度最高可提升 6.3 倍。本文基于 NVIDIA H100 的官方实测数据,带你完整对比 5步、8步、40步三种配置下的速度差异,帮你快速选对加速方案。

1️⃣ 它是什么:给绘图模型装上"加速引擎"

Pruna-Qwen-Image-2.1 不是独立模型,而是一套基于 DMD 蒸馏训练的 LoRA 适配器,加载在 Qwen-Image-2.1 基础模型之上。推理管线、文本编码器、VAE 全部保持不变,但采样步数大幅减少:

  • ⚡ 5步 / 8步推理:8步画质优先,5步速度优先
  • 🚀 最高 6.3 倍提速:同样的 GPU,出图时间大幅缩短
  • 🎯 无需 CFG:保持 true_cfg_scale=1.0 即可,不用负向提示词,进一步省算力
  • 🖼️ 文生图 + 图像编辑二合一:同一管线支持生成与编辑,编辑最多支持 3 张参考图

项目内置两个适配器权重:

适配器文件 步数 特点
p_qwen_image_2.1_8step_v0.1.safetensors 8 画质更高,官方默认推荐
p_qwen_image_2.1_5step_v0.1.safetensors 5 速度更快,画质可见地降低

⚠️ 两个适配器目前均为 v0.1 首版,视觉质量尚低于基础模型,团队仍在持续改进蒸馏效果。

2️⃣ 基准测试环境一览:H100 上的公平对比

以下数据来自官方基准测试,测试条件如下:

项目 配置
GPU 单卡 NVIDIA H100 80GB
精度 BF16,batch size 1
采样步数 基础模型 40 步;Pruna 5 步或 8 步
统计方式 每个配置 1 次预热后,取 3 次请求的中位数
计时范围 包含提示词编码、去噪、VAE 解码
排除项 PNG 保存、模型加载、预热
其他 基础模型开 KV cache,Pruna 5/8步关 KV cache;LoRA 未合并,无 CFG、无编译、无 CPU offload

测试覆盖 1024×1024(1K) 与 2048×2048(2K) 两种分辨率,以及文生图、图像编辑两大任务。

3️⃣ 文生图速度基准:5步 vs 8步 vs 40步 全对比

文生图测试使用 Qwen-Image-2.1 官方模型卡的示例提示词,同一环境下三种配置正面交锋。

1024×1024(1K)分辨率

Pruna-Qwen-Image-2.1 文生图 1024 分辨率 5步 8步 40步 H100 速度基准测试图

2048×2048(2K)分辨率

Pruna-Qwen-Image-2.1 文生图 2048 分辨率 5步 8步 40步 H100 速度基准测试图

几个值得注意的看点:

  • 8步 vs 40步:去噪步数降到原来的 1/5,是速度与画质的甜点区
  • 5步 vs 8步:5步最快,但视觉质量明显低于 8 步,适合"先快速看效果"的场景
  • 2K 测试说明步数缩减带来的耗时增幅在高分辨率下同样可控;不过适配器仅在 1K 分辨率下训练,2K 的计时只代表推理速度,不保证该分辨率下的画质

4️⃣ 图像编辑速度基准:加速同样生效

在图像编辑(i2i)场景中,Pruna-Qwen-Image-2.1 同样适用——同一管线接收参考图加提示词即可完成编辑,最多支持 3 张参考图。

1024×1024(1K)分辨率编辑基准

Pruna-Qwen-Image-2.1 图像编辑 1024 分辨率 5步 8步 40步 H100 速度基准测试图

2048×2048(2K)分辨率编辑基准

Pruna-Qwen-Image-2.1 图像编辑 2048 分辨率 5步 8步 40步 H100 速度基准测试图

下面是图像编辑的实际效果样张(支持单图与多图参考编辑):

Pruna-Qwen-Image-2.1 图像编辑效果样张对比图

5️⃣ 该怎么选:5步还是8步?

你的需求 推荐配置
日常出图、画质优先 8步适配器(默认选择)
快速预览、批量草稿 5步适配器
需要基础模型的完整画质 直接用 Qwen-Image-2.1 原版 40 步

注意:每个适配器都针对自己专属的 sigma 调度训练,同一时间只能加载一个,且调度必须匹配。

6️⃣ 三步快速上手

第一步:安装依赖(需 CUDA GPU)

pip install 'torch>=2.4.0' 'transformers>=5.17' accelerate peft pillow diffusers

需使用包含 QwenImage21Pipeline 的 diffusers 版本,具体版本信息见 README.md。

第二步:加载基础模型与适配器

from diffusers import FlowMatchEulerDiscreteScheduler, QwenImage21Pipeline
import torch

STEPS = 8  # 画质优先选 8,速度优先选 5
SIGMAS = {
    5: [1.0, 0.94, 6/7, 2/3, 0.4],
    8: [1.0, 14/15, 6/7, 10/13, 2/3, 6/11, 0.4, 2/9],
}[STEPS]

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
).to("cuda")
pipe.load_lora_weights(
    "PrunaAI/Pruna-Qwen-Image-2.1",
    weight_name=f"p_qwen_image_2.1_{STEPS}step_v0.1.safetensors",
)
pipe.scheduler = FlowMatchEulerDiscreteScheduler.from_config(
    pipe.scheduler.config,
    use_dynamic_shifting=False, shift=1.0, shift_terminal=None,
)

第三步:生成或编辑

# 文生图:提示词写得越长越详细,效果越好
image = pipe(
    prompt="霓虹招牌装在雨夜小巷的砖墙上,电影感摄影,浅景深",
    width=1024, height=1024,
    num_inference_steps=STEPS, sigmas=SIGMAS,
    true_cfg_scale=1.0, use_kv_cache=True,
).images[0]

图像编辑的调用方式几乎相同,只需把参考图传入 image 参数,完整示例见 README.md。

7️⃣ 使用建议:4 个影响效果的细节

  1. sigma 调度要匹配适配器:8步与5步调度不同,务必原样使用,并保持 shift=1.0、关闭 dynamic shifting,避免二次偏移
  2. 不要开 CFG:保持 true_cfg_scale=1.0,不传负向提示词
  3. LoRA 强度保持 1.0:不要调低
  4. 从 1024×1024 起步:编辑时最多 3 张参考图;更高分辨率与更多参考图超出了训练覆盖范围,效果可能有波动

8️⃣ 局限性与许可证提醒

  • v0.1 为首版,画质低于基础模型,其中 5 步版差距更明显
  • 其他步数、调度或 CFG 取值均不受支持
  • 它不是独立模型,必须搭配 Qwen-Image-2.1 基础权重使用
  • 本套件基于 Qwen-Image-2.1 衍生,遵循 Qwen RESEARCH LICENSE AGREEMENT(详见 LICENSE 与 NOTICE),仅限非商业用途,商用前请务必核对使用限制
登录后查看全文
Pruna-Qwen-Image-2.1