--- title: "abenzerps/Qwen-Image-2.1-Turbo-Quantized — Hugging Face'te Öne Çıkan Model" url: https://blog.edumints.com/abenzerps-qwen-image-2-1-turbo-quantized-hugging-face-te-one-cikan category: "Yazılım" date: 2026-11-04T08:07:33.484Z publisher: Edumints Blog lang: tr-TR source_name: "Hugging Face" source_url: https://huggingface.co/abenzerps/Qwen-Image-2.1-Turbo-Quantized --- # 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](https://edumints.com/kesfet/embedding-ve-reranking-modelleri-productionda-depl-blu6) modülüne göz atın. --- **Kaynak:** Hugging Face (https://huggingface.co/abenzerps/Qwen-Image-2.1-Turbo-Quantized) **Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/abenzerps-qwen-image-2-1-turbo-quantized-hugging-face-te-one-cikan