Qwen Image 40 步对上 Viggle Turbo 6 步：4090 上的四组实测

Mon, 05 Oct 2026 00:00:00 +0000

最近鬼哥在折腾一件挺有意思的事：以自己的 4090 机器为算力核心，在本地搭起一整套做口播视频的工作流和基础服务。语音生成、字幕处理、图像生成、人物口播视频，逐步接进同一个工作台，从一段文案和一张人物图，走到带声音、带字幕的视频。

先放一段已经做出来的成品：Diana 介绍 DI CLI 的口播。下面是带字幕的版本，约 12 秒，视频由 4090 上的 H3 生成。

你的浏览器不支持内嵌视频，可以下载 Diana 口播视频观看。

下载 Diana 口播视频

我想给后面自己做视频剧先铺好路。人物形象、配音、场景和口播都能在本地反复试，就不用每生成一版都去买云端额度了。机器已经在手，日常试错主要花的是电费和等待时间，改台词、换造型时也能更放得开。

当然，一段口播离一部视频剧还有距离，角色一致性、镜头衔接、表演和剪辑都要继续磨。这套基础服务先把素材生成串起来，后面才有条件一集一集往下做。

这篇先聊其中的生图部分。语音、字幕和视频的部署细节留待后面展开；眼下要解决的问题是：给人物换造型、做场景素材时，能不能更快拿到一张可用的图？

从一张咖啡海报开始

一张咖啡海报，左边画了四十步，右边只画了六步。把两张图并排放好，最先吸引我注意的，是它们都把“秋日限定 · 桂花拿铁”写对了。

左边的工作流用了 38.4 秒，右边用了 10.2 秒。杯子、拉花和叶片有变化，但如果只是想给一杯秋日咖啡做张海报，右边已经很有说服力。

这组结果让我想继续看下去：生成快了将近四倍，省下的那些步骤，到底从画面哪里拿走了东西？

我把 Qwen-Image-2.1 和 Viggle 的 Turbo 方案放到自己的 4090 机器上，跑了人像、中文海报、换背景、换衣服四组对比。一共八张图，先看实际效果，再决定值不值得接进本地工作台。

先认清这两位选手

说是“两种模型”，它们其实有很近的亲缘关系。

基础版用的是 Qwen-Image-2.1 的 INT8 权重，这次跑 40 步。Turbo 则在同一个基础模型上，加载 Viggle v0.3 的六步蒸馏 LoRA，rank 128，配合专用采样时间点运行。

可以把每一步理解成模型对画面的一次修正。蒸馏让模型学习用更少的修正走到一个可用结果。因此，要得到这次的六步效果，需要 Turbo 的适配权重和采样配置一起配合。直接把基础版的步数框改成 6，并不等于完成了这套配置。Viggle 模型说明给出了具体用法。

这轮两边都用相同提示词、seed 42、1024 × 1024 输出、CFG 1，并且关闭提示词增强。文生图用同样的文字，编辑任务用同一张参考图。每个场景各跑一次，所以这是一轮样片观察，还不足以给模型的整体能力排座次。

干活的还是那台 4090

这张照片之前放在《桌面 AI Studio》里。机器继续负责重推理，Mac 负责开发和整理结果。这次图像生成也交给它。

先把最容易误会的规格写在前面：这张卡在系统里显示 49140 MiB 显存，约 48GB。 读者如果拿普通 24GB 4090 对照，显存余量得另外算。

硬件	本次机器
CPU	Intel Core i5-13600K，14 核、20 线程
系统内存	64GB，Linux 显示约 62 GiB
GPU	NVIDIA GeForce RTX 4090
显存	`nvidia-smi` 显示 49140 MiB

软件环境也列出来，方便以后对照：

软件 / 模型组件	本次配置
操作系统	Ubuntu 24.04.3 LTS，x86_64
NVIDIA 驱动	570.158.01
Python	3.12，独立虚拟环境
PyTorch	2.11.0+cu128，CUDA 12.8 运行时
ComfyUI	0.38.0，固定提交 `6b747c0428c34`
主模型	Qwen-Image-2.1，INT8 convrot
文本编码器	Qwen3-VL 8B，INT8 convrot
VAE	Qwen-Image-2.1，BF16
Turbo 适配器	Viggle v0.3，6-step LoRA，rank 128
注意力实现	PyTorch SDPA；关闭可选的 kitchen INT8 attention

主模型、文本编码器、VAE 和 LoRA 的权重文件合计约 18GB。这里的 INT8 指权重存储配置，不代表整个计算过程全部使用 INT8。

图像环境有独立的 Python 虚拟环境和 ComfyUI 副本，与现有 H3 视频服务共用 GPU 排队锁。一次图像任务结束，运行时退出并释放显存。八张图跑完后，显存占用回到了 15 MiB，H3 的健康检查也正常。

这个安排很适合我现在的用法：同一张卡轮流承担图像和视频任务，避免两个大任务一起上来争显存。

人像：第一处差别在脸上

第一组提示词要的是成年东亚女性、黑色齐肩发、米色亚麻外套、左侧柔和窗光，以及自然的皮肤纹理。

基础版原尺寸图 · Turbo 原尺寸图

两张图的构图、衣服和光线都很接近。缩小看，六步版没有出现明显的结构崩坏，也没有突然换一种摄影风格。

放大脸部，差别就有了：基础版的眼周、面颊纹理更明显，Turbo 的皮肤更平滑，五官的局部形态也有细微变化。

如果用来试头像方向或看服装配色，我会愿意先用 Turbo。如果想要更有年龄感、更强调皮肤质地的人像，基础版这张更接近提示词里“自然纹理”的要求。这里的平滑是否算损失，取决于你想要什么样的照片。

这一组很能说明问题：六步没有把画面压缩成半成品，但它改变了细节的表达。

中文海报：这次六步没有把字写坏

开头那张海报指定了四行文字：

慢下来，喝杯咖啡
秋日限定 · 桂花拿铁
每日现磨，新鲜烘焙
营业时间 09:00—21:00

基础版原尺寸图 · Turbo 原尺寸图

两边都把这四行文字画得正确、可读。版式也接近：大标题、品名、咖啡主体、小字说明，各自待在该待的位置。

这比“画了一杯好看的咖啡”更让我在意。做中文配图，经常卡在最后几个字上：主体都很漂亮了，标题偏偏多一笔少一画，还得再抽一张。这一组里，六步版保住了文字，省下的等待才真正有用。

当然，四行短句还难不倒所有模型的边界。长段落、密集小字、复杂表格，这次都没跑，不能从一张咖啡海报推导出“中文随便写”。

至于杯形、拉花和叶片的差别，两边各有自己的画法，我没有看到足以让我为了这张海报坚持等待四十步的优势。

换背景：花园来了，人也被轻轻改了一下

后两组用的是现有工作台里的 girl-avatar。先放参考图，方便看清到底保留了什么。

第一项要求是把背景换成有阳光、虚化的花园，同时保留人物。

基础版原尺寸图 · Turbo 原尺寸图

两边都完成了花园背景。发夹、心形耳饰、白领灰衣这些显眼特征也都留住了，乍看很适合继续拿去做人物素材。

但对着参考图看，会发现两版都稍微放宽了取景范围，展示出更多衣服和躯干，皮肤和发丝也有局部重绘。Turbo 的对比感更强一些，细节更平滑。

“人物看起来还是她”和“人物像素完全不动”，是两种不同的要求。 这一组满足了前者，没有做到后者。需要严格保留原片时，仍然要考虑蒙版、抠图和合成流程，不能把一句“只换背景”当成锁定按钮。

值得注意的是，基础版四十步也有这个问题。等得久一点，并没有自动换来像素级的编辑边界。

换衣服：六步已经能拿来试造型

最后一组，把原来的服装改成藏蓝色西装，里面穿白色圆领上衣。

基础版原尺寸图 · Turbo 原尺寸图

两边都完成了换装，脸、表情、发型和饰品整体接近参考图。西装的领口、面料和局部阴影各有差别，皮肤与发丝同样存在重绘。

如果我要为工作台的人物试几个造型，这个结果已经足够让我继续往下做。先看看藏蓝西装是否合适，再决定换成衬衫还是针织衫，十几秒拿到一张图，会更愿意多试几次。

不过，“更愿意多试”是我的使用判断。这里没有做多 seed 的稳定性统计，也没有测试连续编辑几轮后人物会漂移多少。

到底省了多少时间？

四组任务的数据放在一起：

场景	基础版 40 步	Turbo 6 步	工作流加速比	显存峰值：基础 / Turbo
人像生成	38.44 秒	10.15 秒	3.79×	15.99 / 16.58 GiB
中文海报	38.43 秒	10.15 秒	3.78×	15.99 / 16.58 GiB
人物换背景	42.50 秒	12.19 秒	3.49×	20.74 / 21.21 GiB
人物换服装	42.52 秒	12.18 秒	3.49×	20.71 / 21.24 GiB

这里的时间包含模型加载、文本编码、采样和 VAE 解码，是完整工作流耗时。加上独立运行时启动，基础版每张约 43～48 秒，Turbo 约 15～17 秒。如果以后改成长驻服务、复用已加载模型，还需要重新测量，不能直接拿这张表当服务延迟。

四十步变成六步，步数少了约 6.7 倍，整个流程只加速约 3.5～3.8 倍，也很好理解：读模型、理解提示词、解码图片这些工作仍然要做，少采样并不会把它们一起省掉。

另一个容易忽略的地方是显存。Turbo 在这四组里反而略高一点，最高约 21.24 GiB。它加快了生成，但没有在本轮测量中带来显存节省。

这个峰值看起来落在 24GB 以内，我也不会据此承诺普通 24GB 4090 能照搬配置稳定运行。这里用的是 48GB 卡，而且显存数据是每两秒采集一次的全卡占用，可能漏掉短暂尖峰。

我会怎么把它放进工作台

看完这四组图，我倾向于把 Turbo 六步做成快速模式，基础版四十步保留作对照选项。

人像试方向、海报试布局、人物试服装，先用六步出结果。碰到皮肤质地、细小文字或复杂编辑这些值得较真的地方，再拿基础版比较。两种配置生成的细节会不同，基础版也需要逐张判断。

目前做到的是独立命令行评估，图像 API 和 WebUI 还没有接入。这次部署复用了机器上已有的 H3 源码与 CUDA 依赖，并没有完成一台全新 Ubuntu 从 checkout 开始的一键安装验收。

下一轮真正值得加的，是更多随机种子、密集中文、多参考图和更高分辨率。它们会决定六步版能走多远。这四组样片已经回答了一个更小、也更实际的问题：它值得继续接进来试用。

回到开头那杯咖啡。如果六步已经把布局、杯子和四行字交代清楚了，我更愿意把省下的时间用来改一句标题、换一种配色。那句“慢下来，喝杯咖啡”，倒是不必让显卡也照着执行。

本轮参数备忘

实测日期为 2026 年 10 月 5 日。基础版使用 Euler / simple、40 步；Turbo 使用独立、未合并的 LoRA，强度 1.0，以及作者提供的六步 sigma 配置。两边均使用 INT8 主模型与文本编码器、BF16 VAE、CFG 1，关闭提示词增强。

每张图启动新进程，但没有清空操作系统文件缓存；每个场景每种配置只有一次记录，表中没有多次平均。这套 ComfyUI 配置也不等同于逐项复刻作者的 Diffusers 基准。

正文并排图用于快速浏览，图下的原尺寸链接为原始 PNG 无损转换的 WebP，适合放大看细节。主机照片复用本人此前文章中的实拍图。

参考资料

模型页面标注 Qwen Research 许可证；商用前请另行确认对应权重与适配器的许可条件。

Viggle Turbo on 鬼哥的空间

Qwen Image 40 步对上 Viggle Turbo 6 步：4090 上的四组实测

从一张咖啡海报开始

先认清这两位选手

干活的还是那台 4090

人像：第一处差别在脸上

中文海报：这次六步没有把字写坏

换背景：花园来了，人也被轻轻改了一下

换衣服：六步已经能拿来试造型

到底省了多少时间？

我会怎么把它放进工作台

本轮参数备忘

参考资料