NitroFusion2: 1스텝 Z-Image-Turbo와 ComfyUI 워크플로

동일한 프롬프트와 시드: Z-Image-Turbo와 NitroFusion2의 1스텝, 2스텝 비교. 모델 카드에서 발췌.

달라진 점

베이스 모델은 이미 8스텝으로 동작합니다. NitroFusion2는 적대적 손실(adversarial loss)을 MMDiT의 텍스트 스트림으로 옮겨 이를 1스텝까지 끌어내립니다. 네트워크 중간 지점에서는 텍스트 토큰이 이미 이미지를 읽은 상태이므로 생성된 내용의 요약을 담고 있고, 따라서 그 지점에서 학습된 판별기는 프롬프트 관점의 그림을 보게 됩니다. 실질적인 효과는 타이포그래피와 작은 디테일이 단순한 스텝 수 증류보다 1스텝에서 더 잘 살아남는다는 점입니다.

실행 방법

ComfyUI 기본 폴더에 세 개의 파일을 넣고 워크플로를 불러오면 됩니다:

• nf2-bf16.safetensors (12.31 GB) → models/diffusion_models/
• qwen_3_4b.safetensors → models/text_encoders/, lumina2로 로드
• ae.safetensors → models/vae/

1스텝은 euler / simple, CFG 1, shift 3으로 실행합니다. 2스텝은 shift 6으로 바꾸고 첫 번째 스텝에서만 0.5로 역증류 LoRA를 적용한 뒤 두 번째 스텝에서는 0.0으로 설정합니다. 공식 2스텝 워크플로는 샘플러 패스를 두 번 실행하는 방식으로 이를 구현합니다.

하나의 프롬프트와 시드에서 공개된 GGUF 단계들을 높은 정밀도에서 낮은 정밀도 순으로 비교. 모델 카드에서 발췌.

더 작은 파일

저장소에는 nf2-Q2_K_4XS(2.0 GB)부터 nf2-Q8_0(7.2 GB)까지의 GGUF가 있으며, 각 파일마다 모델 페이지에 전용 1스텝 및 2스텝 워크플로가 있습니다. 서드파티 ComfyUI 세트는 동일한 nf2-bf16 파일을 ComfyUI 네이티브 양자화로 제공하며, 4090에서 1024² 기준으로 측정되었습니다 (PedroMarinhoDev/NitroFusion2-ComfyUI):

이 오차는 프롬프트 12개 x 노이즈 샘플 4개에서의 bf16 예측을 기준으로 한 상대값이며, 작성자는 오차의 거의 전부가 구도나 얼굴, 텍스트가 아닌 미세 질감에 나타난다고 설명합니다. 절대적인 품질 점수가 아니라 세 파일 간의 순위로 읽어야 합니다.