Qwen_image_2四大权重文件怎么选:BF16与INT8 ConvRot量化版实测对比指南

原创2026-11-11 11:20:222,279 阅读
文章标签:人工智能深度学习媒体生成模型量化本地部署图像处理

Qwen_image_2四大权重文件怎么选:BF16与INT8 ConvRot量化版实测对比指南

Qwen_image_2 是 Qwen-Image-2.1 系列在 WanGP 生态下的单文件权重合集,核心看点是 4 大权重文件:基座版与 Turbo 加速版各提供 BF16 完整版和 INT8 ConvRot 量化版两种精度。本文用 3 张表格讲清每个文件的定位、体积差异和适用显卡,帮你 1 分钟选出最适合自己的那一份。

📦 四大权重文件 30 秒速览

权重文件 产品线 精度 体积 一句话定位
qwen_image_21_7B_bf16.safetensors 基座版 BF16 约 14.2 GB 质量上限,40 步完整生成
qwen_image_21_7B_int8_convrot.safetensors 基座版 INT8 ConvRot 约 7.3 GB 低显存首选,体积减半
qwen_image_21_turbo_7B_bf16.safetensors Turbo 加速版 BF16 约 14.2 GB 8 步快出图 + 最高保真
qwen_image_21_turbo_7B_int8_convrot.safetensors Turbo 加速版 INT8 ConvRot 约 7.3 GB 快出图 + 省显存,综合最均衡

四份文件本质上都是同一个 7B 视觉生成组件(32 层 Single-Stream DiT,配置见 qwen_image_21/transformer_config.json)的 Transformer 权重,文本编码器与 VAE 全部共享——VAE 单独存放在 qwen_image_21/qwen_image_21_vae.safetensors。所以选择逻辑只有两个维度:基座还是 Turbo、BF16 还是 INT8。

⚡ 先搞懂两条产品线:基座版 vs Turbo 加速版

基座版(qwen_image_21_7B_*):即官方 Qwen-Image-2.1,统一文生图与图像编辑,支持 RGBA 透明图、最多 10 张参考图、局部圈选编辑。走 FlowMatch Euler 调度器(shift_terminal: 0.02、开启动态 shift,见 qwen_image_21/scheduler_config.json),完整生成通常需要 40 步,质量上限最高,可叠加各类 LoRA 深度定制。

Turbo 加速版(qwen_image_21_turbo_7B_*):官方蒸馏出的加速 checkpoint,只需 8 步去噪 + CFG 1 即可出图,速度提升数倍。它的调度器配置固定在 qwen_image_21/turbo/model_index.json 的 sample_sigmas 字段中(8 个固定 sigma 值),无需加速 LoRA、无需手动配置调度器,开箱即用。

💡 简单记:追求出图速度和日常批量生成 → Turbo;追求极限质量、复杂编辑、叠加 LoRA → 基座版。

🔬 BF16 与 INT8 ConvRot 量化到底差在哪

BF16 完整版:逐字节保真

以 Turbo 版为例,打包说明(qwen_image_21/turbo/provenance.json)明确写道:原始 Transformer 分片被合并,全部 297 个张量的数值与数据类型逐一校验保留,未做任何转换。也就是说 BF16 文件与官方原始权重在数学上完全等价,画质损失为零,代价是约 14.2 GB 的体积和相应显存占用。

INT8 ConvRot 量化版:体积立省一半

INT8 ConvRot 版本由 WanGP 自带的 ConvRot 转换器生成。以 Turbo 版为例,224 个块矩阵被量化为 INT8,73 个 BF16 张量则原样保留——只把对精度不敏感的矩阵降位,关键结构不动。实测体积从 14.23 GB 降到 7.26 GB,缩水约 49%。基座版的 INT8 采用 Quanto weight-only INT8 方案(见 qwen_image_21/provenance.json),同样是 WanGP headless --test 转换产物。

量化带来的收益非常直接:

  • 磁盘省一半:下载、存储、备份成本几乎减半
  • 显存更友好:WanGP 官方 README(README.md)标注最低 6 GB 显存即可运行部分模型,INT8 权重让中低端显卡和老卡(RTX 10XX/20XX)也有机会跑起来
  • 加载与 IO 更快:读取张量数据量减半,冷启动更迅速

画质上 INT8 与 BF16 存在轻微差距,属于量化方案的正常取舍——日常生成基本无感,对细节要求极苛刻的场景建议 BF16。

🎯 按你的显存选权重:对号入座

你的显卡 推荐组合 理由
8 GB 及以下(含老卡 10XX/20XX) turbo_int8 或 基座_int8 INT8 体积减半,WanGP 低显存策略下 6 GB 起步
12 GB 左右(如 RTX 3060/4060) turbo_int8 快出图 + 留足余量,综合体验最均衡
16 GB 及以上 turbo_bf16 或 基座_bf16 显存充裕,直接吃满 BF16 画质上限
常做复杂编辑 / 挂 LoRA 基座_bf16 40 步完整流程 + LoRA 生态(见下文)

⚙️ 选好后,参数怎么填

Turbo 版(两个精度通用):

  • 步数 8、CFG 1
  • 使用 WanGP 的 Qwen Image 2.1 Turbo 调度器(固定 sigmas,末尾接 0,无动态 shift、无 terminal remap)
  • 无需任何加速 LoRA

基座版(两个精度通用):

  • 标准生成:40 步左右,FlowMatch Euler 调度器
  • 快出图玩法:叠加 loras/ 下的 Viggle Turbo 4-step LoRA(r64)→ LoRA 强度 1、4 步、guidance 1、shift_terminal=None,注意它是预览版,复杂编辑弱于 40 步基座
  • 换人玩法:Viggle Image Swap v0.1(r256)→ 6 步、guidance 1,角色表放前面、目标照片放最后,约 1 MP 输出

各 LoRA 的详细用法与 SHA-256 校验值见 loras/README.md。

⚖️ 许可证提醒(重要)

Qwen-Image-2.1 全系基于 Qwen RESEARCH LICENSE AGREEMENT 发布,仅限非商业研究与评估用途。Turbo 的原始许可证和模型卡分别在 qwen_image_21/turbo/LICENSE 与 qwen_image_21/turbo/UPSTREAM_README.md。商用前请务必自行确认合规边界。

🚀 快速开始:获取模型文件

git clone https://gitcode.com/hf_mirrors/DeepBeepMeep/Qwen_image_2

仓库较大(单文件最大 14+ GB),建议使用 Git LFS 完整拉取。下载后打开 WanGP,它会自动识别所需架构并匹配对应权重;转换校验和(sha256)可在两个 provenance 文件中逐一核对:qwen_image_21/turbo/provenance.json、qwen_image_21/provenance.json。

📌 总结

  • 省空间、低显存 → 选 INT8 ConvRot(约 7.3 GB,体积省 49%)
  • 画质第一 → 选 BF16(约 14.2 GB,297 个张量逐一保真)
  • 要快 → Turbo(8 步 + CFG 1,开箱即用)
  • 要全(复杂编辑、LoRA 生态)→ 基座版(40 步完整流程)
  • 记住:文本编码器和 VAE 四份文件全部共享,换权重只需换 Transformer 一个文件
登录后查看全文
Qwen_image_2