ComfyUI-TwinFlow：加速Qwen-Image、Z-Image生成速度，兼容 LoRA 与 ControlNet

TwinFlow是一种通过自对抗流（Self-adversarial Flows）将大型扩散模型（如 Qwen-Image、Z-Image）加速至 1 步或极低步数（2–4 步）生成的先进技术。

1步顶100步！TwinFlow让Qwen-Image、Z-Image推理提速100倍，无需判别器或教师模型

ComfyUI-TwinFlow 是一个严格遵循 ComfyUI 节点规范的自定义节点实现，让你在保持工作流灵活性的同时，安全、高效地使用 TwinFlow 的加速能力。

• GitHub：https://github.com/mengqin/ComfyUI-TwinFlow
• 模型：https://huggingface.co/azazeal2/TwinFlow-Z-Image-Turbo-repacked
• 网盘下载：https://pan.quark.cn/s/7e866ff6f828?pwd=ifrG

为什么选择本实现？（vs 其他 TwinFlow 节点）

目前存在另一个 TwinFlow 节点（smthemex/ComfyUI_TwinFlow），但其存在以下问题：

• ❌ 使用独立模型加载器，无法与标准 ComfyUI UNet/CLIP 节点兼容；
• ❌ 内置封闭式 KSampler，难以与其他节点（如 LoRA、ControlNet）组合；
• ❌ 缺少原始论文中的部分调度选项，灵活性受限。

而本实现：

• ✅ 完全基于 ComfyUI 标准接口，模型、VAE、CLIP 均通过标准节点接入；
• ✅ 模块化设计：提供独立的 Model Patcher、Sampler、Scheduler，也可使用一体化 KSampler；
• ✅ 完整支持 TwinFlow 调度参数（Kumaraswamy 分布、时间间隙等）；
• ✅ 兼容 LoRA、IP-Adapter、ControlNet 等第三方节点，可自由构建复杂工作流。

核心功能

安装

cd ComfyUI/custom_nodes
git clone https://github.com/mengqin/ComfyUI-TwinFlow.git
cd ComfyUI-TwinFlow
pip install -r requirements.txt
重启 ComfyUI 后生效。

📂 模型准备

将 TwinFlow 补丁文件放入 ComfyUI/models/unet/ 目录：

ComfyUI/
└── models/
    └── unet/
        └── TwinFlow_Z_Image_Turbo_bf16.safetensors

补丁文件需与基础模型（Qwen-Image / Z-Image）严格对应。

使用方法

步骤 1：模型修补（必需）

1. 使用标准节点加载你的 DiT 模型（如 Qwen-Image）；
2. 将模型连接到 TwinFlow Model Patcher 节点；
3. 在 patch_file 中选择对应的 TwinFlow 补丁文件。

⚠️ 重要：TwinFlow 推理依赖一个额外的时间嵌入张量，而 ComfyUI 的标准 UNet 加载器会将其移除。必须通过本修补器恢复，否则生成将失败或失真。

步骤 2：采样（二选一）

方式 A：使用一体化节点（推荐）

• 直接使用 TwinFlow KSampler，设置：
  • steps: 1–4（推荐 1 步用于 Z-Image Turbo，2–4 步用于 Qwen-Image）
  • sampling_style:
    • few：极低步数（1–4 步）
    • any：通用模式
    • mul：多步精细生成
  • sampling_method: euler（快）或 heun（更准）

方式 B：自定义采样链

• 将 TwinFlow Sampler + TwinFlow Scheduler 连接到标准 SamplerCustom 节点；
• 可自由插入 LoRA、提示词加权、高分辨率修复 等节点。

关键参数说明

注意事项

• 显存需求：
  • Qwen-Image（1024×768）：约 12GB VRAM（开启模型卸载）
  • Z-Image Turbo：12GB VRAM 下 2–3 秒/图（Q8 量化）
• 模型格式：
  • GGUF 适用于低显存设备（推荐 Q6_K / Q8_0）
  • SafeTensors（BF16/FP16）适用于高精度场景
• 不要混用不同实现：本节点与 smthemex 版本不兼容，请勿同时安装。