# Qwen-Image-2.1 FewStep: LoRA для генерации за пять и восемь шагов Источник: https://modelium.tech/zhurnal/qwen-image-2-1-fewstep-5-8-lora/ 26 сентября 2026 года ThakiCloud загрузила две LoRA для Qwen-Image-2.1: отдельные адаптеры для генерации за 5 и 8 шагов вместо штатного 40-шагового сценария. Веса доступны, пример для diffusers и расписания sigma опубликованы. Заявленные выигрыши в скорости и качестве основаны только на измерениях автора на B200 и автоматических метриках; редактирование и иные разрешения не проверены. Лицензия Qwen Research допускает исследования, но не коммерческое применение без отдельного разрешения. Qwen-Image-2.1 FewStep: два адаптера для пяти и восьми шагов **26 сентября 2026 года** ThakiCloud загрузила `Qwen-Image-2.1-FewStep-v0.1` — два LoRA-адаптера к исходной Qwen-Image-2.1. История Hugging Face показывает загрузку в ревизии `82327fb112551eba6ccd5f54e6d0779105452c66`, а манифест подтверждает два разных файла весов по 335 604 328 байт каждый. Это не самостоятельные модели: для генерации всё равно нужны оригинальная Qwen-Image-2.1 и её компоненты. [s1](#src-s1) [s2](#src-s2) Главная практическая ценность — **меньше шагов диффузии для локальной генерации по тексту**. Это альтернативный способ ускорить существующий pipeline, а не новый базовый чекпойнт и не доказанное ускорение на любой видеокарте. У адаптеров rank 64, и они обучены для 1024 × 1024; автор не проверял редактирование изображений, 2048 × 2048 или другие разрешения. [s1](#src-s1) ## Как запустить Карточка автора предлагает `diffusers` с `QwenImage21Pipeline` и `FlowMatchEulerDiscreteScheduler`. Для восьмишаговой версии схема такова: [s1](#src-s1) import torchfrom diffusers import QwenImage21Pipeline, FlowMatchEulerDiscreteSchedulerpipe = QwenImage21Pipeline.from_pretrained( "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16).to("cuda")pipe.load_lora_weights( "ThakiCloud/Qwen-Image-2.1-FewStep-v0.1", weight_name="qif_qwen_image_2.1_8step_v0.1.safetensors",)pipe.scheduler = FlowMatchEulerDiscreteScheduler.from_config( pipe.scheduler.config, use_dynamic_shifting=False, shift=1.0, shift_terminal=None,)image = pipe( "A neon shop sign that reads OPEN LATE, rainy night", height=1024, width=1024, num_inference_steps=8, sigmas=[1.0, 14/15, 6/7, 10/13, 2/3, 6/11, 0.4, 2/9],).images[0] Пятишаговый адаптер загружается из файла `qif_qwen_image_2.1_5step_v0.1.safetensors` с `num_inference_steps=5` и отдельным расписанием `sigmas=[1.0, 0.94, 6/7, 2/3, 0.4]`. **Нельзя просто уменьшить число шагов у восьмишаговой LoRA:** автор привязал каждый вариант к своему расписанию и отключению динамического shift. Отрицательный промпт в этом рецепте не нужен, `true_cfg_scale` остаётся равным 1. Рецепт приведён по карточке, Modelium не проводил собственного теста запуска. Размер файлов на диске не определяет необходимый объём RAM или VRAM. [s1](#src-s1) ## Что говорят измерения автора На 500 промптах при 1024 × 1024 (200 PartiPrompts, 200 DrawBench, 100 с текстом) автор сообщает PickScore **22,47** у восьмишаговой и **22,34** у пятишаговой LoRA против **22,31** у базовой модели с 40 шагами. Но CLIP-H, отражающий соответствие запросу, у адаптеров **34,66** и **34,35**, тогда как у базы **35,02**: по этой метрике улучшения нет. OCR-проверку проводила Qwen3-VL-8B, а текстовые промпты разделяют шаблоны и словарь с обучающими — это не полноценная проверка обобщения. Исследования предпочтений людей автор не приводил. Сравнение с адаптерами Pruna — тоже авторское, независимо Modelium его не воспроизводил. [s1](#src-s1) Авторский замер на **одной NVIDIA B200**, BF16, batch 1, 1024 × 1024: 40-шаговая база с KV cache — 3,69 с на изображение; пятишаговая LoRA с объединением весов и `torch.compile` — 0,45 с; восьмишаговая в той же конфигурации — 0,66 с. Это время включает текстовый энкодер и VAE. Без fusion и compile автор получил 0,62 и 0,92 с; часть выигрыша связана с режимом исполнения, а не только с самими адаптерами. **Не переносите эти цифры на другую локальную конфигурацию без собственного измерения.** [s1](#src-s1) ## Лицензия и пределы Карточка и включённый `LICENSE` указывают **Qwen Research License**. Она позволяет исследование и оценку; для коммерческого использования базовых материалов и производных требуется отдельная лицензия. Доступность весов для скачивания не означает разрешения использовать их в коммерческом продукте. В `NOTICE` указано происхождение адаптеров от Qwen-Image-2.1. Сам исходный репозиторий Qwen содержит такое же некоммерческое условие. [s3](#src-s3) [s4](#src-s4) [s5](#src-s5) Итого: для эксперимента с локальной генерацией 1024 × 1024 доступны два готовых файла, инструкция и точные sigma-расписания. Качество редактирования, другие размеры изображений и перенос авторских измерений скорости на ваше оборудование остаются непроверенными. [s1](#src-s1) ## Источники 1. [ThakiCloud: Qwen-Image-2.1 FewStep v0.1, карточка модели в закреплённой ревизии](https://huggingface.co/ThakiCloud/Qwen-Image-2.1-FewStep-v0.1/blob/82327fb112551eba6ccd5f54e6d0779105452c66/README.md) — получено 2026-09-26 2. [Hugging Face API: метаданные, перечень файлов и история ревизий FewStep](https://huggingface.co/api/models/ThakiCloud/Qwen-Image-2.1-FewStep-v0.1?blobs=true) — получено 2026-09-26 3. [ThakiCloud: Qwen Research License в репозитории адаптеров](https://huggingface.co/ThakiCloud/Qwen-Image-2.1-FewStep-v0.1/blob/82327fb112551eba6ccd5f54e6d0779105452c66/LICENSE) — получено 2026-09-26 4. [ThakiCloud: NOTICE о производных от Qwen-Image-2.1](https://huggingface.co/ThakiCloud/Qwen-Image-2.1-FewStep-v0.1/blob/82327fb112551eba6ccd5f54e6d0779105452c66/NOTICE) — получено 2026-09-26 5. [Qwen: лицензия базовой Qwen-Image-2.1](https://huggingface.co/Qwen/Qwen-Image-2.1/blob/790c92633540aa0cb11d9abf19eb46d861714758/LICENSE) — получено 2026-09-26