Zuletzt aktualisiert:
Qwen Image 2.1 Turbo in ComfyUI und auf Ihrer eigenen GPU
ComfyUI hat die Turbo-Gewichte wenige Stunden nach dem Release am 9. Oktober neu verpackt, kurz darauf folgten GGUF-Quants aus der Community. Diese Seite listet die genauen Dateien, die entscheidenden Sampler-Einstellungen und wie Sie den passenden Quant für Ihre Grafikkarte wählen.
Diese Dateien brauchen Sie
| Datei (Comfy-Org/Qwen-Image-2.1) | Was es ist |
|---|---|
| diffusion_models/qwen_image_2.1_turbo_bf16.safetensors | Vollständiger 8-Step-Turbo-Checkpoint, BF16 |
| diffusion_models/qwen_image_2.1_turbo_int8_convrot.safetensors | INT8-quantisiertes Turbo, für weniger VRAM |
| loras/qwen_image_2.1_turbo_lora_avg_rank_178_bf16.safetensors | Turbo als LoRA, angewendet auf das Basismodell Qwen-Image 2.1 |
| Text-Encoder und VAE | Gemeinsam mit Qwen-Image 2.1; nutzen Sie die Dateien aus demselben Repo |
Quelle: Neu verpackte Gewichte von Comfy-Org
Quelle: Release-Notiz im ComfyUI Wiki
ComfyUI einrichten, Schritt für Schritt
- Aktualisieren Sie ComfyUI auf einen Build mit Unterstützung für Qwen-Image 2.1.
- Laden Sie das Turbo-Diffusionsmodell nach ComfyUI/models/diffusion_models/ herunter, dazu den Text-Encoder und das VAE von Qwen-Image 2.1 in die jeweiligen Ordner.
- Öffnen Sie den offiziellen Text-zu-Bild-Workflow für Qwen-Image 2.1.
- Richten Sie den Model Loader auf die Turbo-Datei aus, oder behalten Sie das Basismodell und fügen Sie die Turbo-LoRA hinzu.
- Stellen Sie den Sampler auf 8 Schritte und CFG 1. Testen Sie zuerst mit 1024 × 1024, dann wechseln Sie zu den 2K-Presets.
Laut Kijai liegt der Turbo-Sigma-Schedule nahe am linear_quadratic-Scheduler von ComfyUI ohne Shift. Qwen sagt, andere Schedules als der gespeicherte sind nicht getestet.
Quelle: Release-Notiz im ComfyUI Wiki
Quelle: Neu verpackte Gewichte von Comfy-Org
Die entscheidenden Einstellungen
| Einstellung | Turbo-Wert |
|---|---|
| Schritte | 8 |
| CFG | 1 (ein Forward Pass pro Schritt) |
| Sampler | Euler, Flow Matching |
| Sigmas | 1.0, 0.978453, 0.95418, 0.926626, 0.89508, 0.845148, 0.704534, 0.414568, dann 0 |
| Auflösung | 2048 × 2048 nativ; 1024 × 1024 für schnelle Tests |
Quelle: Hugging Face Model Card
Quelle: Release-Notiz im ComfyUI Wiki
Quelle: GGUF-Karte von AtomicChat
GGUF-Quants und welchen Sie wählen sollten
AtomicChat hat GGUF-Dateien für stable-diffusion.cpp veröffentlicht und gemessen, wie stark jede vom BF16-Original abweicht (LPIPS bei 1024 × 1024, niedriger ist näher am Original).
- Q8_0 ist die quantisierte Option, die dem Original am nächsten kommt; nutzen Sie sie, wenn sie passt.
- AD-Q4_K ist die empfohlene 4-Bit-Wahl. Q3 und Q2 verändern Bildaufbau, Gesichter und Schrift sichtbar.
- Außerdem brauchen Sie das Qwen-Image-2.1-VAE und einen Qwen3-VL-8B-Instruct-GGUF-Text-Encoder (Q8_0 empfohlen). Auch das Quantisieren des Encoders verändert die Ergebnisse.
- stable-diffusion.cpp braucht für eigene Sigmas einen Build vom 6. Oktober 2026 oder neuer. Verwenden Sie 8 Schritte, CFG 1.0, Euler und die Turbo-Sigmas.
| Datei | Größe | LPIPS vs. BF16 |
|---|---|---|
| BF16 | 14.23 GB | 0 |
| Q8_0 | 7.59 GB | 0.037 |
| AD-Q6_K | 6.71 GB | 0.044 |
| AD-Q5_K | 5.40 GB | 0.076 |
| AD-Q4_K | 4.20 GB | 0.147 |
| AD-Q3_K | 3.60 GB | 0.206 |
| AD-Q2_K | 2.55 GB | 0.359 |
Quelle: GGUF-Karte von AtomicChat
Wie viel VRAM Sie brauchen
Qwen hat kein VRAM-Minimum für Turbo veröffentlicht. Die folgenden Werte sind Schätzungen von Dritten für das gleich große Basismodell.
| Ihre Hardware | Was Sie ausführen (Schätzung von Unsloth) |
|---|---|
| 6 GB VRAM | FP8 mit Offloading, weniger als 2x langsamer |
| 12–16 GB VRAM | GGUF Q4_K_M bei 1024 × 1024 |
| 24 GB VRAM | INT8- / FP8-Gewichte |
| Nur CPU, 12–16 GB RAM | GGUF Q4_K_M mit 4-Bit-Text-Encoder (langsam) |
| Apple Silicon, ab 16 GB | GGUF mit nativem Backend |
Turbo braucht pro Schritt genauso viel Speicher wie das Basismodell; Zeit spart es, weil es 8 statt 40 Schritte ausführt.
Quelle: Unsloth-Doku zu Qwen-Image-2.1
Diffusers mit weniger VRAM
In Python hält CPU-Offloading nur die gerade aktive Komponente auf der GPU. Das ist langsamer, ermöglicht aber den BF16-Checkpoint auch auf einer kleineren Karte.
pip install "torch>=2.4.0"
pip install git+https://github.com/huggingface/diffusers.git
pip install "transformers>=5.17.0" accelerate pillow
# Less VRAM: keep only the active part of the model on the GPU (slower)
pipe = QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16)
pipe.enable_model_cpu_offload()Vollständiges Python-Beispiel im Hauptleitfaden
Quelle: Qwen-Image-2.1 auf GitHub
Quelle: Hugging Face Model Card
FAQ
Was sind die besten ComfyUI-Einstellungen für Qwen Image 2.1 Turbo?
8 Schritte, CFG 1, Euler-Sampling mit dem Turbo-Sigma-Schedule (nahe an linear_quadratic ohne Shift).
Turbo-Checkpoint oder Turbo-LoRA?
Der Checkpoint ist einfacher. Mit der LoRA behalten Sie nur ein Basismodell auf der Festplatte und wechseln zwischen Generierung mit 40 und 8 Schritten.
Welches GGUF sollte ich herunterladen?
Q8_0 (7.59 GB), wenn es passt, sonst AD-Q4_K (4.20 GB). Q3 und Q2 nur, wenn sonst nichts passt.
Läuft es mit 8 GB VRAM?
Qwen nennt kein Minimum. Unsloth schätzt, dass FP8 mit Offloading auf 6 GB läuft (weniger als 2x langsamer) und ein 4-Bit-GGUF bei 1024 × 1024 12–16 GB braucht. Fangen Sie klein an, mit Batch-Größe 1.
Warum sehen meine Turbo-Bilder falsch aus?
Meist liegt es am Schedule: Schrittzahl geändert ohne die Turbo-Sigmas oder CFG über 1. Setzen Sie auf 8 Schritte, CFG 1 und den gespeicherten Schedule zurück.
Unabhängiger Leitfaden, nicht mit Alibaba oder dem Qwen-Team verbunden. Preise, Lizenzen und Dateinamen ändern sich; prüfen Sie die verlinkten offiziellen Seiten, bevor Sie darauf aufbauen.