Turbo8：Qwen-Image 2.1 的 8 步蒸馏 LoRA

自 2026 年 9 月 20 日发布以来，Qwen-Image 2.1 已吸引多条少步数路线：Pruna 5 步与 8 步 LoRA、Viggle turbo LoRA，以及阿里 PAI 官方的 4 步 Fun Acc 蒸馏。Turbo8 是同一赛道中的社区作品，其独特之处在于覆盖面：它并非只加速文生图，而是被训练来保持整个基础模型的行为，包括更早的适配器处理得不够理想的 RGBA 与多引用编辑路径。

所有样例均使用 Turbo8、8 步、CFG 1、1024²、首个种子，在同一提示词内不做挑选。展示用提示词取自留出的评测集。来源：Turbo8-LoRA-Qwen-Image-2.1。

功能概览

该适配器是作用于 Qwen-Image 2.1 的注意力、MLP、调制与时间步嵌入图层上的 rank-128 LoRA，经蒸馏得到，基础权重保持不变。推理时以 8 步、CFG 1、采样器 euler、调度器 simple 运行，作者指出超过 8 步或高于 CFG 1 并不会改善结果。

其主打的是覆盖面而非单一任务：最高支持模型原生 2K 的文生图、中英文文字渲染、最多 10 张引用图像的指令编辑、透明生成以及主体提取（传入一张照片并要求输出 RGBA 抠图）。模型卡片还记录了训练路线，采用三阶段配方：先在学生模型的 8 个噪波水平上录制 3,100 个固定噪波、40 步的教师渲染结果，然后进行 3,000 步轨迹回归，最后用假评分 critic 与 GAN 头进行 2,500 步 DMD2 分布匹配。该 critic 是同一冻结 transformer 上的第二个 LoRA。

在 ComfyUI 中运行

Turbo8 直接面向 ComfyUI 原生的 Qwen-Image 2.1 支持：

1. 将 turbo8_lora_step2500.safetensors 放入 ComfyUI/models/loras/。
2. 加载 comfyui/turbo8_t2i.json（文生图与 RGBA）或 comfyui/turbo8_edit.json（编辑与提取）。
3. 保持 步数 8、CFG 1、采样器 euler、调度器 simple。

T2I 画面包含一个 ModelSamplingFlux 节点（max_shift 0.6935、base_shift 0.5），与宽度和高度相连，用于复现该 LoRA 蒸馏时所依赖分辨率的噪波调度，在 2K 下同样适用。根据模型卡片，全部 227 个 LoRA 图层都能在 ComfyUI 中映射，在 RTX PRO 6000 上生成一张 1024² 图像约需 4 秒。

与教师模型的对比

模型卡片在 192 条留出提示词上，将 Turbo8 与其教师模型（40 步的基础模型）进行对比：DrawBench 加额外种子、文字渲染提示词、RGBA 主体、OmniEdit 编辑与提取。

每组的上一排为 40 步的教师模型，下一排为 8 步的 Turbo8，种子相同。样例覆盖文生图、文字渲染、编辑、RGBA 与提取。

已知局限

模型卡片主动列出了这些差距，而不是留给用户自行发现：

• 密集或较长的文本（段落、小字号）相比 40 步退化明显，而短标题、标牌和标签仍然可靠。
• 在一些元素繁杂的场景中，同一种子下的构图可能与教师模型不同。
• 提取环节继承了基础模型的失败案例：在评测中，教师模型与 Turbo8 各有 16 次提取中的 3 次输出为空，而且 Turbo8 有时会在抠图中保留更多周围环境。

社区反馈

在 Banodoco 的 #qwen-image 通道中，用户在接下来的几天里将 Turbo8 与更早的少步数路线进行了对比测试。普遍的发现是：在编辑任务上它需要降低强度并使用超过 8 步才能撑住。反馈显示，在出现肢体瑕疵之前，强度约 0.65、步数约 16 是普遍结论；多位用户认为它在编辑上优于 6 步的 Viggle turbo，但在部分工作中仍更偏好 Pruna 的 8 步方案。