Qwen-Image-2.1-viggle-turbo LoRA选型指南r256 vs r128终极对比显存减半效果几乎无损Qwen-Image-2.1-viggle-turbo是面向 Qwen-Image-2.1 基模的少步蒸馏加速 LoRA 包只需6 步推理原模型需 40 步即可完成文生图与 1~3 张参考图的指令编辑无需 Classifier-Free Guidance端到端约快5 倍且画质与基模难分伯仲。本文带你搞懂仓库里的 r256 与 r128 两个 LoRA 到底怎么选、显存差多少、效果损失有多大3 分钟做出不后悔的选型。为什么 6 步能逼近 40 步先看它是什么这个仓库由 Viggle 用DMD 分布匹配蒸馏训练把 40 步教师模型压缩进一个 LoRA 适配器加载在基模 transformer 之上即可生效README.md。关键实测数据官方 96 条留出请求对比指标相对 40 步基模v0.1 r64 LoRAv0.2.1 r2566 步采样多样性0.75×0.98×构图漂移−0.0190.000构图明显不同的提示词占比—0%一句话v0.2.1 是当前最优版本v0.2 与 v0.1 文件只是保留可复现没有理由优先选用旧版。仓库文件清单这份 LoRA 清单先看一眼核心文件只有 3 个需要你关心Qwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r256.safetensors ——主力推荐rank 256 / alpha 256bf16约 1.3 GBQwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r128.safetensors —— 同权重截断到 rank 128 / alpha 128约 680 MBComfyUI 工作流默认加载它peft_v0.2.1/adapter_config.json —— peft 键格式的同款适配器配置r256、lora_alpha256覆盖注意力、图像 MLP、调制与时间步嵌入共 10 类模块其余peft/、peft_v0.2/、v0.1 的 r64 LoRA 与 transformer/ 全量微调权重均为历史版本仅作复现参考。r256 vs r128 终极对比画质损失到底多大这是全文最关键的部分。r128 不是简单砍一半参数而是对 r256 的更新矩阵做逐层精确 SVD 截断Eckart–Young 定理保证的最优 rank-128 近似每层保留更新能量 83%~100%中位数 95%丢掉的权重不到基权重 0.05%官方 96 条留出请求上r128 与 r256 出图LPIPS 差 0.0244参照系把 r256 原权重原封不动重排一遍理论上零损失只有浮点舍入差值就是0.0239结论很直白r128 已经贴在噪声地板上——它和 r256 的差距与纯浮点舍入误差几乎同量级人眼基本不可辨。显存账本省下的不只是 600MB方案LoRA 体积说明r256~1.3 GBdiffusers 官方演示同款r128~0.68 GB文件体积减半ComfyUI 默认在 ComfyUI 端r128 int8 基模7.3 GB int8 文本编码器9.4 GB VAE0.7 GB全量驻留1248×832 出图峰值约26 GB 显存换成 r256 直接多出约 0.6 GB 常驻开销。对 24 GB 显存的卡这个差值可能就是能不能跑的分界线。三条铁律用错步数选哪个 LoRA 都白搭⚠️ 这个加速包的参数是强绑定的改错任何一条都会画质崩盘步数与 sigma 表必须配套num_inference_steps6sigmas[1.0, 0.9375, 0.875, 0.75, 0.5, 0.25]且必须用仓库自带的 scheduler/scheduler_config.jsonshift_terminal已改为null基模默认值会毁掉最后一步。改步数只许动高噪端0.875, 0.75, 0.5, 0.25四个节点是训练落点动它们图会明显变软要 5/7 步请只在1 → 0.875区间等分插点。LoRA 强度保持 1.0关 CFG、不用负提示词ComfyUI 里务必用 comfyui/viggle_turbo.py 提供的Viggle Turbo LoRA (unmerged)节点运行时挂载——官方 LoRA 加载器会把权重 merge 进 bf16平均丢掉约 30% 的更新量int8 下还会引入数倍于更新的噪声。最快上手两条路线任选其一路线 AComfyUI新手推荐git clone https://gitcode.com/hf_mirrors/Viggle/Qwen-Image-2.1-viggle-turbo把 comfyui/viggle_turbo.py 拷进ComfyUI/custom_nodes/并重启再把 Qwen-Image-2.1-viggle-turbo-t2i.json文生图或 Qwen-Image-2.1-viggle-turbo-edit.json编辑拖进 ComfyUI 即可工作流自带下载链接与参数注释。编辑流的示例参考图 comfyui/input/woman2.webp 和 comfyui/input/cat.webp 可放进ComfyUI/input/试效果。路线 Bdiffusers 代码pipe QwenImage21Pipeline.from_pretrained(Qwen/Qwen-Image-2.1, dtypetorch.bfloat16) pipe.load_lora_weights( Viggle/Qwen-Image-2.1-viggle-turbo, weight_nameQwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r256.safetensors, )生成时记得传num_inference_steps6, sigmas[1.0, 0.9375, 0.875, 0.75, 0.5, 0.25], true_cfg_scale1.0。选型速查表与已知边界你的场景推荐显存吃紧24 GB 左右或 ComfyUI 用户r128追求与官方演示完全一致、显存充裕r256需要渲染密集小字加到 8 步sigmas[1, 0.9375, 0.875, 0.75, 0.625, 0.5, 0.25, 0.125]已知边界要心里有数多参考图合成、换脸、身份保持类复杂编辑仍略逊于 40 步基模密集小字易糊2K 输出未做量化评测。这些在 README.md 的 Known limitations 一节有完整说明蒸馏效果还在持续迭代中。一句话总结显存够就上 r256 求个心安显存紧就放心选 r128——SVD 精确截断让它的效果损失停留在噪声级这是显存减半、效果几乎无损这句话的真正底气。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考