Idol Turbo: Image-to-3D за пять шагов без guidance

Вход, базовая модель с 6 шагами и CFG и дистиллированный студент с 6 и 8 шагами. Одни и те же входы, один и тот же seed, ортографические рендеры splat.

Что изменилось

Denoiser flow-matching в Idol не тронут. Автор добавил два low-rank эксперта, обученных регрессией на velocity учителя, собранной через CFG, так что classifier-free guidance встроен в веса, и второй, дублирующий проход исчезает. Именно отсюда берётся основная экономия: 50 шагов умножить на две оценки при CFG 3.0 это 100 вызовов сети, а студенту нужно 5.

• Рецепт: фазовый LoRA в стиле Glance (arXiv 2512.02899), два эксперта ранга 32, Slow-LoRA для фазы высокого шума и Fast-LoRA для фазы низкого шума, переключение при t = 0.5.
• Обучаемый размер: 29,4 млн параметров на оба эксперта.
• Обучающий набор (v5): 4 650 записей учителя, траектории 50 шагов с CFG 3.0 по 93 изображениям отдельных объектов, 2 000 шагов, около 25 минут на одной H200.

Метка v5 важна. Ранние чекпойнты обучались на 10 изображениях и плохо обобщались на объекты, не похожие на этот набор; более широкий разброс и есть смысл этого релиза, а рюкзак из демонстрации исключён из обучения.

Пять объектов, по три панели на каждый: вход, turbo с 5 шагами, базовая модель с 5 шагами и CFG.

Использование в ComfyUI

Два LoRA в формате ComfyUI проверены на Comfy-Org/Idol: пути модулей идентичны, а веса заранее отмасштабированы под силу 1.0. Положите idol_turbo_slow_comfy.safetensors и idol_turbo_fast_comfy.safetensors в models/loras/ рядом с diffusion-моделью репака, CLIP vision DINOv3, VAE и декодером, затем задайте 5 шагов и CFG 1.0.

Разделение фаз можно собрать двумя способами:

• Двухступенчатый: выполните первые четыре шага из пяти с медленным LoRA в KSampler (Advanced) с включённым add_noise, затем завершите последний шаг с быстрым LoRA и выключенным add_noise. Передача происходит при сдвинутом t = 0.5.
• Простой: используйте медленный LoRA на весь прогон. При пяти шагах четыре из них всё равно попадают в его фазу, ценой некоторой потери поздних деталей.

Оговорка автора стоит внимания: совместимость ключей проверена, но двухступенчатое разделение не запускалось внутри самого ComfyUI. Если быстрая стадия выглядит неправильно, путь только с медленным LoRA это безопасный вариант по умолчанию.

По мере уменьшения числа шагов: наивный сэмплер теряет цвет (рюкзак становится почти чёрным на 4 шагах) и структуру (дракон плавится), а студент сохраняет и то и другое без guidance.

Рекомендуемый вариант по умолчанию это 5 шагов, где разрыв между наивной и turbo-выборкой наибольший. На 8 оба выглядят хорошо; ниже 4 оба деградируют, студент медленнее.

Где модель слабее

Карточка модели говорит прямо. Выходы могут получаться мягче, чем у учителя с 50 шагами, цвета на 4 шагах могут уходить в тёплый оттенок, а сильно насыщенные объекты могут выходить чуть менее яркими, чем у первого чекпойнта на 10 изображениях. Базовая модель с 50 шагами остаётся эталоном, а каждый прогон обучения, метрика и оценочный рендер опубликованы в akhaliq/idol-turbo-runs.

Для пути через SDK репозиторий это прямая замена весов: denoiser, декодер, Gaussian-декодер, удаление фона и конфиг побайтово совпадают с speridlabs/idol, а turbo.py добавляет сэмплер без guidance.

Доступность

LoRA для ComfyUI, LoRA для SDK, turbo.py и сравнительные сетки лежат на Hugging Face, опубликованы 3 ноября 2026 года. Для запуска нужен репак Idol от Comfy-Org, а путь через SDK по-прежнему требует два закрытых энкодера Idol (DINOv3 и FLUX.2-dev). Базовому Idol нужно примерно 7,2 ГБ VRAM; LoRA добавляют сверху долю гигабайта.