Qwen-Image-2.1-viggle-turbo

Viggle 发布 Qwen-Image-2.1-viggle-turbo，一个基于分布匹配蒸馏（DMD）的 4 步推理学生模型，旨在将 Qwen/Qwen-Image-2.1 的 40 步生成压缩至仅 4 次 transformer 传递。当前为 v0.1 预览版，明确声明整体性能仍不及基础模型：文本到图像（T2I）基本可用，但在多参考构图、换脸、身份保持等复杂编辑任务上显著退化。提供两种权重形式：完整微调 transformer（14.2 GB bf16，推荐）与 LoRA 适配器（340 MB r64，稍弱）。项目处于活跃开发中，后续将随蒸馏改进持续更新。

核心特性与技术细节

模型选项对比

⚠️ 关键提醒：LoRA 不可合并至基础 transformer（bf16 合并有损），必须运行时动态加载。

分辨率支持

训练覆盖三类面积基准，所有尺寸四舍五入至 32 倍数：

• T2I + 编辑：1024² 面积（如 1024×1024, 1376×768）
• 编辑专用：1536² 面积（如 1536×1536, 2048×1152）
• T2I 高分辨率：2048² 面积（如 2048×2048, 2720×1536）

支持 1:1 / 4:3 / 3:4 / 16:9 / 9:16 / 3:2 / 2:3 七种宽高比，参考图像统一以 1024² 编码。

依赖说明

• 文本编码器、VAE、处理器不再分发，需从基础 Qwen-Image-2.1 仓库加载
• 调度器配置保留 shift_terminal: null
• 两个学生模型均为第 400 步 EMA 检查点（完整微调含低频教师锚点）

已知限制与风险边界

✅ 当前可用场景：

• 4 步文本到图像生成（1K–2K 分辨率）
• 简单指令驱动编辑（单参考、非身份敏感）
• 快速原型验证与迭代探索

❌ 明确不适用场景：

• 多参考图像构图（易出现重复/重影人物）
• 换脸或身份保持编辑（身份漂移严重）
• “保持一切不变”类约束请求
• 小号字体或长文本渲染（乱码率高于基础模型）
• RGBA 输出、>3 张参考图、蒙版局部编辑（4 步下未测试）
• 2K 输出未经教师验证，质量无保障

📌 重要声明：目前仅有定性评估（留出用户请求），无任何定量指标承诺。此版本是预览，非替代品。

使用建议与工程实践

1. 优先选择完整微调版：除非存储/带宽受限，否则始终使用 transformer/ 目录下的全量权重
2. 严格遵循训练分辨率：偏离训练尺寸可能导致质量骤降，建议使用表格内推荐尺寸
3. 复杂任务回退基础模型：涉及身份、多主体、精细文字时，直接使用 40 步原版
4. 监控更新日志：仓库将持续迭代，定期拉取最新权重与文档
5. 生产环境慎用：当前仅为研究预览，不建议用于交付级内容生成