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
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
2048×2048(2K)分辨率
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
2048×2048(2K)分辨率编辑基准
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):
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
- 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 - 不要开 CFG:保持
true_cfg_scale=1.0,不传负向提示词 - LoRA 强度保持 1.0:不要调低
- 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
登录后查看全文




