Qwen-Image 2.1 两步出图：CFG 1 下的 DMD2 LoRA

草图转照片、发型、表情与照片修复，输入、提示词和种子完全相同。每一行依次是输入图像、2 步的 LoRA，然后是 20 步的基础模型。

为什么 2 步属于另一个层级

Qwen-Image 2.1 默认以 40 步发布，而目前已发布的加速方案分别落在 8 步（阿里自家的 Turbo checkpoint）和 4 步（LightX2V 的 Lightning LoRA）。这个适配器瞄准的是该区间的下限，并且其调度是固定的，而非建议值：

模型卡片明确指出，该 LoRA 正是在这对确切的 sigma 上训练的，因此调度器必须通过 use_dynamic_shifting=False 和 shift=1.0 固定下来。若保留动态位移，sigma 会按分辨率重新缩放，适配器就不再沿着它被蒸馏时所走的路径采样了。

只适配注意力是另一项有意的选择。模型卡片认为，相比同时适配前馈模块，这样做在编辑时能更忠实地保留输入图像；而此前针对该模型的少步适配器，大部分预算都花在了前馈模块上。

训练方式

采用 DMD2（Distribution Matching Distillation，分布匹配蒸馏），带 on-policy 分布匹配与教师 CFG 引导，目标函数中没有回归损失，也没有 GAN 损失。训练在单张 H100 上进行了 2,000 步，使用约 1 MP 的多纵横比裁剪，这与演示所用的分辨率范围一致。模型卡片对比的参照是 20 步的教师，而不是该模型默认的 40 步。

2 步下仍然保留的能力

编辑与多引用组合都仍然可用。Qwen-Image 2.1 接收一组条件图像，提示词以位置方式引用它们，因此两步推理依然能解析诸如“把图 1 中的猫放到图 2 的海滩上”这样的提示词，而不会坍缩成单一引用：

image = pipe(
    prompt="Place the cat from Picture 1 on the beach from Picture 2.",
    image=[cat, beach],
    num_inference_steps=2,
    sigmas=[1.0, 0.5],
    true_cfg_scale=1.0,
).images[0]

文生图就是同样的调用去掉 image 参数。RGBA 输出保持不变，因为 alpha 通道来自基础模型而非适配器。

作者的演示 Space Qwen Image 2.1 Realtime 把同一套调度放到了实时界面上：实时模式会流式输出一张 512px 的结果，并随提示词变化而更新；完整质量模式则跳到 1024 和 1536。

社区实测

在 Banodoco 的 #qwen-image 通道中，测试者们在 ComfyUI 里基于原生 Qwen-Image 2.1 节点运行该适配器，并发布了步数对比。RuneX 报告称 2 步的换头可行，而多加一步效果略好，测试覆盖了 Euler、ER-SDE 和 LCM 采样器。patientx 连续测量了 2、3、4 步，发现 3 步“非常接近真实效果”，4 步可用，8 步则出现退化；由于模型加载占据主要时间，2 步到 4 步之间的总运行时间几乎不变。

对 ComfyUI 而言唯一的麻烦在于命名。该 safetensors 以 diffusers/PEFT 形式保存，键名为 transformer.transformer_blocks.N.attn.to_q.lora.down.weight 及对应的 .lora.up tensor，而 ComfyUI 的加载器以模型自身的参数名为键，从 transformer_blocks.N 开始。必须先剥掉开头的 transformer.，加载器才能完成映射，否则它会把键报告为未映射，LoRA 也就毫无效果。

获取方式

LoRA 权重：linoyts/Qwen-Image-2.1-DMD2-2steps（Hugging Face）。基础模型：Qwen/Qwen-Image-2.1。演示：Qwen Image 2.1 Realtime。