abenzerps/Qwen-Image-2.1-Turbo-Quantized — Hugging Face'te Öne Çıkan Model

Hugging Face platformunda 2.508.590 indirme ve 5.628 beğeni sayısına ulaşan abenzerps/Qwen-Image-2.1-Turbo-Quantized, 7 milyar parametreli görsel üretim mimarisini farklı donanım profillerine optimize eden kapsamlı bir kuantizasyon (nicemleme) paketidir. gguf, qwen, image-generation, comfyui, comfyui-gguf, mlx, fp8 ve nvfp4 etiketleriyle öne çıkan bu model, modern yapay zeka mühendisliğinde bellek ayak izini küçültürken üretim hızını korumanın pratik bir örneğini sunar.

Temel Mimari ve Performans Özellikleri#

Temel model olan Qwen-Image-2.1-Turbo, dahili bir güvenlik denetleyicisi veya içerik filtresi olmadan doğrudan görsel üretimini destekler ve özel bir ayar gerektirmez. Donanıma bağlı olarak GPU ısınmasından sonra 1024 × 1024 çözünürlükte bir görselin üretilmesi yaklaşık 10–20 saniye sürer. Yazılım geliştiriciler için bu mimarinin temel yapı taşları şunlardır:

Temel Model: Qwen/Qwen-Image-2.1-Turbo (7B görsel üretim mimarisi).
Turbo Üretim: Sadece 8 gürültü giderme (denoising) adımı ve varsayılan CFG = 1 değeri ile hızlı çıkarım.
Mevcut Formatlar: GGUF, FP8 / INT8 ConvRot / NVFP4 Safetensors ve Apple Silicon cihazlar için MLX 4-bit / 6-bit / 8-bit.

Turbo Kuantize Dosya Seçenekleri#

Farklı VRAM kapasitelerine uyum sağlamak için sunulan 11 farklı kuantizasyon seçeneği, geliştiricilere kalite ve bellek kullanımı arasında hassas denge kurma imkanı tanır:

FP8 (qwen-image-2.1-turbo-fp8.safetensors): 7.13 GB
INT8 ConvRot (qwen-image-2.1-turbo-int8_convrot.safetensors): 7.26 GB
NVFP4 (qwen-image-2.1-turbo-NVFP4.safetensors): 4.20 GB
MLX 4-bit (qwen-image-2.1-turbo-MLX-4bit.safetensors): 4.00 GB
MLX 6-bit (qwen-image-2.1-turbo-MLX-6bit.safetensors): 5.78 GB
MLX 8-bit (qwen-image-2.1-turbo-MLX-8bit.safetensors): 7.56 GB
Q8_0 (qwen-image-2.1-turbo-Q8_0.gguf): 7.59 GB
Q6_K (qwen-image-2.1-turbo-Q6_K.gguf): 5.88 GB
Q5_K_M (qwen-image-2.1-turbo-Q5_K_M.gguf): 4.94 GB
Q4_K_M (qwen-image-2.1-turbo-Q4_K_M.gguf): 4.05 GB
Q4_0 (qwen-image-2.1-turbo-Q4_0.gguf): 4.05 GB

Pratik Çıkarım: Başlangıç için GGUF tarafında Q4_K_M (4.05 GB), ComfyUI Safetensors tarafında ise INT8 ConvRot (7.26 GB) tercih edilmelidir.

Metin Kodlayıcılar (Text Encoders) ve VAE Bileşenleri#

ComfyUI iş akışlarını tamamlamak için paketlenen yardımcı model dosyaları şunlardır:

Text Encoder (BF16): text_encoders/qwen3vl_8b_bf16.safetensors — 17.53 GB
Text Encoder (Int8): text_encoders/qwen3vl_8b_int8_convrot.safetensors — 9.35 GB (เกือบ %50 bellek tasarrufu sağlar)
VAE (BF16): vae/qwen_image_2.1_vae_bf16.safetensors — 0.68 GB

Çalışma Ortamı Seçimi ve ComfyUI Kurulumu#

Geliştirme ortamınıza göre doğru formatı seçmek entegrasyon sürecini hızlandırır:

ComfyUI: GGUF veya FP8 / INT8 ConvRot / NVFP4 Safetensors
Komut satırı çalışma zamanı: stable-diffusion.cpp ile GGUF veya desteklenen Safetensors
MLX / MFLUX: MLX 4/6/8-bit kurulumu

Önerilen Turbo temel parametreleri: Euler örnekleyici, CFG 1.0, resmi sigma takvimi ile 8 adım, 1024 × 1024 çözünürlük ve batch 1. Sonuçları karşılaştırırken tohum (seed) değerini sabit tutmak, farklı kuantizasyon seviyelerinin çıktı kalitesine etkisini test etmek için kritik bir mühendislik pratiğidir.

ComfyUI Klasör Yapılandırması ve Kurulum Adımları#

ComfyUI'yi güncelledikten sonra Şablon Kütüphanesinden Qwen Image 2.1 Turbo — Text to Image şablonunu açın ve dosyaları şu dizinlere yerleştirin:

Diffusion (birini seçin): qwen-image-2.1-turbo-Q4_K_M.gguf veya qwen-image-2.1-turbo-int8_convrot.safetensors -> models/diffusion_models/
Text encoder: qwen3vl_8b_int8_convrot.safetensors -> models/text_encoders/
VAE: qwen_image_2.1_vae_bf16.safetensors -> models/vae/

Dosyaları ekledikten sonra ComfyUI'yi yeniden başlatın:

Safetensors Kullanımı: Load Diffusion Model (UNETLoader) düğümünde .safetensors dosyanızı seçin ve weight_dtype ayarını default bırakın. Load CLIP içinde metin kodlayıcıyı seçip type: qwen_image olarak ayarlayın. Load VAE içinde VAE'yi seçin ve ilk kurulumda isteğe bağlı istem geliştirmeyi (prompt enhancement) kapalı tutarak çalıştırın.
GGUF Kullanımı: ComfyUI Python ortamında git clone https://github.com/leejet/ComfyUI-GGUF custom_nodes/ComfyUI-GGUF ve python -m pip install -r custom_nodes/ComfyUI-GGUF/requirements.txt komutlarıyla leejet/ComfyUI-GGUF eklentisini kurup yeniden başlatın ve Load Diffusion Model düğümünü ilgili GGUF yükleyici ile değiştirin.

Bu konuyu derinlemesine öğrenmek isterseniz: Ölçeklendirme ve Optimizasyon modülüne göz atın.