Qwen Image 2.1 版本探索与 MOSS Image 实测：我的 M1 Max 最后留下了谁

先说最后的选择：暂时保留 Qwen Image 2.1 在本机。对我这台 M1 Max 64GB、24 核 GPU 的 Mac，以及这轮用到的生图和角色参考流程来说，它功能最全，性能也比较平衡。MOSS Image 等社区进一步挖掘。

留下的具体版本是 Qwen Image 2.1 Turbo Heretic MLX BF16，八步、原生计算、完整 VAE 解码。它不是这轮所有图里最好看的，也不是每个任务都最快，但两分钟左右就能出一张复杂方图，又能接参考图，比较适合继续留着玩。

MOSS 的动漫效果其实不错。八步版已经有可玩性，原版 50 步也能画出漂亮的脸和衣饰，只是竖图要等二十多分钟。至于复杂服装设计，把两者和之前的 GPT Image 放到一起，我还是更喜欢 GPT Image 的审美和工艺细节。

最初想解决的是能不能跑，后来才是愿不愿意等

Qwen Image 2.1 刚出来时，我手里已经有 Draw Things，自然先想能不能直接用现成 App。后来实际折腾下来，注意力逐渐转到了模型、运行后端和工作流的区别上。

我给早期对比固定了两组复杂题词：一张雨夜修表店，要有人物、钟表零件、猫、雨伞、湿街反光和四处指定文字；另一张是海滨车站书展，要有列车、海港、书摊、人物交接书的动作，以及中英文招牌、站台号和日期。这样不容易被一张漂亮的单人头像说服，也能反复检查文字和动作有没有真的做到。

9 月 24 日，MLX 8-bit、1024×1024、25 步的两张图都跑通了。写实用了 462.98 秒，动漫用了 473.21 秒，差不多都是八分钟。画面完成度不错，文字却还需要逐字看：写实里的 REPAIR 变成了 REPOIR，动漫日期里的 2026 变成了 2025。

能运行已经确认，但每改一次题词都要等八分钟，试错还是太慢。

从六步 LoRA，到八步 Turbo

第一轮明显提速来自 Viggle 加速 LoRA。当时讨论过五步版，实际运行时已经换成更新的 v0.2.1 r256，采用专用六步配置。

9 月 25 日，在 ComfyUI／MPS 里用原版 BF16 底模加这份 LoRA，修表店降到 240.02 秒，书展降到 189.89 秒。写实大招牌的英文对了，营业时间牌上的中文小字仍有变形；动漫的四处指定文字都正确，但两个人各拿一本书，没有明确完成同一本书的交接。

这一步已经让等待从八分钟变成三四分钟。我当时留下了这套流程，其他重复模型先清掉，也继续研究角色参考和 LoRA。对我来说，能看懂和改动流程，本身就是在本机玩的价值。

到了 10 月 10 日，官方八步 Turbo 和新的社区 MLX 包又让我想重试。我实际选了两套：普通 Turbo 的 Osaurus 8-bit 包，以及 vanch007 的 Turbo Heretic BF16 包，它们沿用官方 Turbo 的专用八步采样序列。8-bit 模型和 BF16 模型都有各自的运行说明。

最出乎意料的是，全精度方案没有更慢。

本机方案	写实修表店	动漫车站书展
MLX 8-bit，25 步，9 月 24 日	462.98 秒	473.21 秒
ComfyUI＋Viggle v0.2.1，6 步，9 月 25 日	240.02 秒	189.89 秒
Turbo 8-bit，8 步，原生计算，10 月 10 日	143.82 秒	143.18 秒
同一 Turbo 8-bit，开启 FP16 计算优化	109.93 秒	106.71 秒
Turbo Heretic BF16，8 步，原生计算	116.25 秒	115.85 秒

10 月这轮六张新图的四处指定文字都正确。BF16 的动漫图里，两个人共同接触一本横放的书，比 8-bit 那张更接近交接动作。旧六步的夕阳氛围更浓，新 Turbo 更清爽，这种区别我会当成风格取舍，而不是直接叫作画质损失。

8-bit 的优势主要落在占用上：这次 MLX 峰值约 14.94 GB，BF16 约 20.4 GB；整套权重分别约 18.45 GB 和 33.12 GB。在 64GB 内存的机器上，两套都能容纳，正式测试也没有增加系统交换内存。更小的权重并没有直接换来更短的等待。

FP16 计算优化确实把 8-bit 又加快了一截，但它不是完全不改变画面的开关。相同题词、种子和初始噪声下，猫的姿态、自行车的位置、背景人物和手部动作都会变化。BF16 原生计算只比这个快速设置慢几秒，我最后更愿意保留原生计算，不再加这层取舍。

MOSS 上场后，先把原版和加速版分开

10 月 18 日，我开始对比 MOSS Image。这次跑的是官方 MOSS-Image-SFT，运行器是 xocialize/moss-image-swift，走原生 Swift／MLX。

原版先用 BF16 权重、50 步、CFG 3、shift 5 和 Euler 跑修表店。结果能看，但总耗时 1027.87 秒，也就是 17 分 08 秒。单看一张方图，就已经超过了我愿意反复改题词的等待时间。

接着换成 lodestones 的八步 DMD 方案，同一修表店降到 128.42 秒，动漫书展用了 118.90 秒。这才进入可以试着玩的范围。

这套八步流程是专门适配的 DMD 蒸馏方案，CFG 1，重建后的 DiT 用 FP32，文字编码器用 BF16，VAE 用 FP32。

两组指定文字都能读对，但没有因此解决所有指令。MOSS 原版额外添了背景招牌，八步动漫图的书上出现了不要求的伪文字；交接书的动作也没有完全落实。文字正确、场景丰富和动作遵循，得分开看。

动漫生图场景

修表店和书展跑完，我并没有马上觉得 MOSS 比 Qwen 好很多。网上看到的动漫效果更吸引我，所以又拿出此前用过的一份华丽露背袍题词，要求原版 50 步完整跑一遍。

这组固定中文题词、1024×1376、种子 2026101701，都是纯文生图。历史 Qwen 八步用了 168.73 秒，MOSS 原版用了 1503.92 秒，约 25 分 04 秒。

结果确实不错。MOSS 的脸和首饰干净，发丝、蕾丝和衣褶比较细；Qwen 的头发和衣料纹样更密，质感偏哑光。我没有因为速度慢就否定原版效果，但二十五分钟一张，实在不适合反复推敲一个细节。

随后用相同题词、尺寸和种子再跑八步 DMD，200.70 秒，约 3 分 21 秒，比这次 50 步快约 7.5 倍。

八步没有整体崩掉，脸、首饰、衣服花纹都成立，但纹理和明暗简化了，身体也更接近正背面构图。原版转身更自然，配色更克制。这一组让我承认 MOSS 的动漫确实值得玩，只是日常试题词，我会先选八步。

看图时我还觉得它有点发白，像过曝。回头检查题词，里面明确写了淡象牙白皮肤、极浅阴影、浅色平涂、均匀柔光和纯白背景；八步又进一步简化了阴影。保存流程没有额外提亮，因此我更倾向于题词和上色方式共同造成了这种观感，后面的深色服装、海水场景，也没有同样明显的泛白。

加入角色参考，比较的就不只是底模了

接下来，我找回了之前角色图的题词，又试了储物柜前的跪姿和浅海泳衣两个场景。每组都是 768×1280、同题词、同种子，但输入不完全一样：MOSS 只读文字，Qwen 还拿到了一张保留的 v3 角色图。

这更接近我实际会怎么用它们。海水题词补充了成年角色描述，两套流程都采用 CFG 1。

储物柜这组，MOSS 用了 113.04 秒，Qwen 用了 163.49 秒。MOSS 颜色鲜明，偏光滑的游戏立绘，但角和服装设计变了；Qwen 更贴近参考里的发型、衣服和角色特征。两张都做出了跪姿，也都没有做到门板遮住部分脸。

浅海这组，MOSS 用了 143.40 秒，Qwen 用了 178.53 秒。我更喜欢 Qwen 的湿发、水纹和光影层次；MOSS 的郁闷表情更明显，水色也醒目。不过 MOSS 把撑在身后的手画到了身前，Qwen 的手臂和腿也没有完全按题词摆好。

这两组之后，功能差异比几秒钟的速度差更影响我的选择。Qwen 官方模型卡列出了最多十张参考图、局部编辑和 RGBA 等能力。我本机现有节点接通了单张参考，批量逐张处理，已经能参与我日常的角色工作流。

相比之下，这次 MOSS SFT／DMD 的公开流程主要是文生图和文字／JSON 布局控制，没有接上同样成熟的直接多参考图编辑入口。布局描述能告诉模型东西放在哪里，却不等于把一张图片交给它修改。这也是我看官方使用说明时最关心的区别。

再和 GPT Image 比一次服装设计

最后一组用了《放开那个女巫》夜莺的完整华服题词。

这组我明显更喜欢 GPT Image。它的金属与晶片结构、层层薄纱、服装连接方式更丰富，脸也更鲜活。MOSS 正确做出了半身加正背面的布局，人物漂亮，但衣服被简化成比较常规的华丽长衣。Qwen 配色统一，却把左侧半身也画成全身，饰件和裙摆层次减少，边缘还有一些碎线感。

本次使用的版本

以下是实验版本，方便日后回看。

• Qwen 早期加速：Viggle Qwen Image 2.1 Turbo，本机实测为 v0.2.1 r256 六步。
• Qwen 官方八步底模：Qwen Image 2.1 Turbo。10 月本机运行环境为 MFLUX 0.22.0、MLX 0.32.3。
• MOSS 原版：OpenMOSS-Team/MOSS-Image-SFT。
• MOSS 运行器：xocialize/moss-image-swift，八步使用额外的本地 DMD 适配。