Dernière mise à jour:
Qwen Image 2.1 Turbo dans ComfyUI et sur votre propre GPU
ComfyUI a reconditionné les poids de Turbo quelques heures après la sortie du 9 octobre, et les quantifications GGUF de la communauté ont suivi. Cette page liste les fichiers exacts, les réglages du sampler qui comptent et comment choisir une quantification selon votre carte graphique.
Fichiers à télécharger
| Fichier (Comfy-Org/Qwen-Image-2.1) | Description |
|---|---|
| diffusion_models/qwen_image_2.1_turbo_bf16.safetensors | Checkpoint Turbo complet en 8 étapes, BF16 |
| diffusion_models/qwen_image_2.1_turbo_int8_convrot.safetensors | Turbo quantifié en INT8, pour moins de VRAM |
| loras/qwen_image_2.1_turbo_lora_avg_rank_178_bf16.safetensors | Turbo sous forme de LoRA, appliquée au modèle de base Qwen-Image 2.1 |
| Encodeur de texte et VAE | Communs avec Qwen-Image 2.1 ; utilisez les fichiers du même dépôt |
Source: Poids reconditionnés par Comfy-Org
Source: Note de version sur ComfyUI Wiki
Installation dans ComfyUI, étape par étape
- Mettez à jour ComfyUI vers une version qui prend en charge Qwen-Image 2.1.
- Téléchargez le modèle de diffusion Turbo dans ComfyUI/models/diffusion_models/, ainsi que l’encodeur de texte et le VAE de Qwen-Image 2.1 dans leurs dossiers respectifs.
- Ouvrez le workflow officiel texte vers image de Qwen-Image 2.1.
- Pointez le chargeur de modèle vers le fichier Turbo, ou gardez le modèle de base et ajoutez la LoRA Turbo.
- Réglez le sampler sur 8 étapes et CFG 1. Commencez en 1024 × 1024 pour vérifier que tout fonctionne, puis passez aux préréglages 2K.
Kijai note que le planning de sigmas de Turbo est proche du scheduler linear_quadratic de ComfyUI sans shift. Qwen précise que les plannings autres que celui stocké n’ont pas été testés.
Source: Note de version sur ComfyUI Wiki
Source: Poids reconditionnés par Comfy-Org
Les réglages qui comptent
| Réglage | Valeur pour Turbo |
|---|---|
| Étapes | 8 |
| CFG | 1 (une seule passe avant par étape) |
| Sampler | Euler, flow matching |
| Sigmas | 1.0, 0.978453, 0.95418, 0.926626, 0.89508, 0.845148, 0.704534, 0.414568, puis 0 |
| Résolution | 2048 × 2048 en natif ; 1024 × 1024 pour les tests rapides |
Source: Fiche du modèle sur Hugging Face
Source: Note de version sur ComfyUI Wiki
Source: Fiche GGUF d’AtomicChat
Quantifications GGUF : laquelle choisir
AtomicChat a publié des fichiers GGUF pour stable-diffusion.cpp et mesuré l’écart de chacun par rapport à l’original BF16 (LPIPS en 1024 × 1024 ; plus c’est bas, plus c’est proche).
- Q8_0 est l’option quantifiée la plus fidèle ; prenez-la si elle tient en mémoire.
- AD-Q4_K est le choix recommandé en 4 bits. Q3 et Q2 modifient visiblement la composition, les visages et le lettrage.
- Il vous faut aussi le VAE de Qwen-Image-2.1 et un encodeur de texte Qwen3-VL-8B-Instruct en GGUF (Q8_0 recommandé). Quantifier l’encodeur modifie aussi les résultats.
- stable-diffusion.cpp nécessite une build du 6 octobre 2026 ou plus récente pour les sigmas personnalisés. Utilisez 8 étapes, CFG 1.0, Euler et les sigmas de Turbo.
| Fichier | Taille | 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 |
Source: Fiche GGUF d’AtomicChat
Combien de VRAM il vous faut
Qwen n’a pas publié de minimum de VRAM pour Turbo. Voici des estimations tierces pour le modèle de base, qui a la même taille.
| Votre matériel | Quoi utiliser (estimation Unsloth) |
|---|---|
| 6 GB de VRAM | FP8 avec offloading, moins de 2x plus lent |
| 12–16 GB de VRAM | GGUF Q4_K_M en 1024 × 1024 |
| 24 GB de VRAM | Poids INT8 / FP8 |
| CPU uniquement, 12–16 GB de RAM | GGUF Q4_K_M avec un encodeur de texte en 4 bits (lent) |
| Apple Silicon, 16 GB ou plus | GGUF avec un backend natif |
Turbo demande autant de mémoire par étape que le modèle de base ; il fait gagner du temps parce qu’il exécute 8 étapes au lieu de 40.
Source: Documentation Unsloth sur Qwen-Image-2.1
Diffusers avec moins de VRAM
En Python, l’offloading vers le CPU ne garde sur le GPU que le composant actif. C’est plus lent, mais une carte plus modeste peut alors faire tourner le checkpoint BF16.
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()Exemple Python complet dans le guide principal
Source: Qwen-Image-2.1 sur GitHub
Source: Fiche du modèle sur Hugging Face
FAQ
Quels sont les meilleurs réglages ComfyUI pour Qwen Image 2.1 Turbo ?
8 étapes, CFG 1, échantillonnage Euler, avec le planning de sigmas de Turbo (proche de linear_quadratic sans shift).
Checkpoint Turbo ou LoRA Turbo ?
Le checkpoint est plus simple. La LoRA permet de garder un seul modèle de base sur le disque et de basculer entre génération en 40 et en 8 étapes.
Quel GGUF télécharger ?
Q8_0 (7.59 GB) s’il tient en mémoire, sinon AD-Q4_K (4.20 GB). Évitez Q3 et Q2, sauf si rien d’autre ne passe.
Peut-on le faire tourner avec 8 GB de VRAM ?
Qwen ne publie pas de minimum. Unsloth estime que le FP8 avec offloading tourne avec 6 GB (moins de 2x plus lent) et qu’un GGUF en 4 bits demande 12–16 GB en 1024 × 1024. Commencez petit, avec un batch size de 1.
Pourquoi mes images Turbo sont-elles ratées ?
Le plus souvent à cause du planning : changer le nombre d’étapes sans les sigmas de Turbo, ou utiliser un CFG supérieur à 1. Revenez à 8 étapes, CFG 1 et au planning stocké.
Guide indépendant, sans lien avec Alibaba ni l’équipe Qwen. Les prix, les licences et les noms de fichiers évoluent : consultez les pages officielles en lien avant de bâtir dessus.