NitroFusion2: Z-Image-Turboを1ステップ化するComfyUIワークフロー

同じプロンプトとシード: Z-Image-TurboとNitroFusion2の1ステップ・2ステップの比較。モデルカードより。

変更点

ベースモデルはすでに8ステップで動作します。NitroFusion2は、敵対的損失をMMDiTのテキストストリームに移すことで、これを1ステップまで押し上げます。ネットワークの中盤までにテキストトークンは画像を読み取り、生成された内容の要約を保持しているため、そこで訓練された識別器は、プロンプト自身から見た画像を目にすることになります。実用上の効果として、文字組みや細部が、通常のステップ数蒸留よりも1ステップでよく保たれます。

実行方法

ComfyUIの標準フォルダに3つのファイルを置き、ワークフローを読み込みます:

• nf2-bf16.safetensors (12.31 GB) を models/diffusion_models/ に
• qwen_3_4b.safetensors を models/text_encoders/ に置き、lumina2 としてロード
• ae.safetensors を models/vae/ に

1ステップは euler / simple、CFG 1、shift 3 で実行します。2ステップでは shift 6 に切り替え、逆蒸留LoRAを最初のステップのみ0.5で適用し、2ステップ目は0.0にします。公式の2ステップワークフローは、これを2回のサンプラーパスで実現しています。

公開されているGGUFの各ティアを、1つのプロンプトとシードで高精度から低精度まで比較。モデルカードより。

より小さいファイル

リポジトリには nf2-Q2_K_4XS (2.0 GB) から nf2-Q8_0 (7.2 GB) までのGGUFが置かれており、それぞれに専用の1ステップ用・2ステップ用ワークフローがモデルページに用意されています。サードパーティのComfyUIセットは、同じ nf2-bf16 ファイルのComfyUIネイティブ量子化を追加しており、4090上で1024²で計測されています(PedroMarinhoDev/NitroFusion2-ComfyUI):

この誤差は12プロンプト×4ノイズサンプルにおけるbf16の予測を基準としたもので、作者によればそのほとんどは構図・顔・テキストではなく細かなテクスチャに現れるとのことです。これは3つのファイル間の順位付けとして読み取るべきもので、絶対的な品質スコアではありません。