Qwen-Image-2.1-viggle-turbo LoRA选型指南：r256 vs r128终极对比，显存减半效果几乎无损

Qwen-Image-2.1-viggle-turbo是面向 Qwen-Image-2.1 基模的少步蒸馏加速 LoRA 包：只需6 步推理（原模型需 40 步）即可完成文生图与 1~3 张参考图的指令编辑，无需 Classifier-Free Guidance，端到端约快5 倍，且画质与基模难分伯仲。本文带你搞懂仓库里的 r256 与 r128 两个 LoRA 到底怎么选、显存差多少、效果损失有多大，3 分钟做出不后悔的选型。

为什么 6 步能逼近 40 步？先看它是什么

这个仓库由 Viggle 用DMD 分布匹配蒸馏训练，把 40 步教师模型"压缩"进一个 LoRA 适配器，加载在基模 transformer 之上即可生效（README.md）。关键实测数据（官方 96 条留出请求对比）：

一句话：v0.2.1 是当前最优版本，v0.2 与 v0.1 文件只是保留可复现，没有理由优先选用旧版。

仓库文件清单：这份 LoRA 清单先看一眼

核心文件只有 3 个需要你关心：

• Qwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r256.safetensors ——主力推荐，rank 256 / alpha 256，bf16，约 1.3 GB
• Qwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r128.safetensors —— 同权重截断到 rank 128 / alpha 128，约 680 MB，ComfyUI 工作流默认加载它
• peft_v0.2.1/adapter_config.json —— peft 键格式的同款适配器配置（r=256、lora_alpha=256，覆盖注意力、图像 MLP、调制与时间步嵌入共 10 类模块）

其余peft/、peft_v0.2/、v0.1 的 r64 LoRA 与 transformer/ 全量微调权重均为历史版本，仅作复现参考。

r256 vs r128 终极对比：画质损失到底多大？

这是全文最关键的部分。r128 不是简单"砍一半参数"，而是对 r256 的更新矩阵做逐层精确 SVD 截断（Eckart–Young 定理保证的最优 rank-128 近似）：

• 每层保留更新能量 83%~100%，中位数 95%；丢掉的权重不到基权重 0.05%
• 官方 96 条留出请求上，r128 与 r256 出图LPIPS 差 0.0244
• 参照系：把 r256 原权重原封不动重排一遍（理论上零损失，只有浮点舍入）差值就是0.0239

结论很直白：r128 已经贴在"噪声地板"上——它和 r256 的差距，与纯浮点舍入误差几乎同量级，人眼基本不可辨。

显存账本：省下的不只是 600MB

在 ComfyUI 端，r128 + int8 基模（7.3 GB）+ int8 文本编码器（9.4 GB）+ VAE（0.7 GB）全量驻留，1248×832 出图峰值约26 GB 显存；换成 r256 直接多出约 0.6 GB 常驻开销。对 24 GB 显存的卡，这个差值可能就是"能不能跑"的分界线。

三条铁律：用错步数，选哪个 LoRA 都白搭

⚠️ 这个加速包的参数是强绑定的，改错任何一条都会画质崩盘：

1. 步数与 sigma 表必须配套：num_inference_steps=6，sigmas=[1.0, 0.9375, 0.875, 0.75, 0.5, 0.25]，且必须用仓库自带的 scheduler/scheduler_config.json（shift_terminal已改为null，基模默认值会毁掉最后一步）。
2. 改步数只许动高噪端：0.875, 0.75, 0.5, 0.25四个节点是训练落点，动它们图会明显变软；要 5/7 步请只在1 → 0.875区间等分插点。
3. LoRA 强度保持 1.0，关 CFG、不用负提示词；ComfyUI 里务必用 comfyui/viggle_turbo.py 提供的Viggle Turbo LoRA (unmerged)节点运行时挂载——官方 LoRA 加载器会把权重 merge 进 bf16，平均丢掉约 30% 的更新量，int8 下还会引入数倍于更新的噪声。

最快上手：两条路线任选其一

路线 A：ComfyUI（新手推荐）

git clone https://gitcode.com/hf_mirrors/Viggle/Qwen-Image-2.1-viggle-turbo

把 comfyui/viggle_turbo.py 拷进ComfyUI/custom_nodes/并重启，再把 Qwen-Image-2.1-viggle-turbo-t2i.json（文生图）或 Qwen-Image-2.1-viggle-turbo-edit.json（编辑）拖进 ComfyUI 即可，工作流自带下载链接与参数注释。编辑流的示例参考图 comfyui/input/woman2.webp 和 comfyui/input/cat.webp 可放进ComfyUI/input/试效果。

路线 B：diffusers 代码

pipe = QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1", dtype=torch.bfloat16) pipe.load_lora_weights( "Viggle/Qwen-Image-2.1-viggle-turbo", weight_name="Qwen-Image-2.1-viggle-turbo-v0.2.1-6step-lora-r256.safetensors", )

生成时记得传num_inference_steps=6, sigmas=[1.0, 0.9375, 0.875, 0.75, 0.5, 0.25], true_cfg_scale=1.0。

选型速查表与已知边界

已知边界要心里有数：多参考图合成、换脸、身份保持类复杂编辑仍略逊于 40 步基模；密集小字易糊；2K 输出未做量化评测。这些在 README.md 的 Known limitations 一节有完整说明，蒸馏效果还在持续迭代中。

一句话总结：显存够就上 r256 求个心安，显存紧就放心选 r128——SVD 精确截断让它的效果损失停留在噪声级，这是"显存减半、效果几乎无损"这句话的真正底气。🚀