اجرای مدل تصویرساز Qwen-Image-2.1-Turbo روی کارت‌های گرافیک خانگی؛ نسخه ۲٫۴۷ گیگابایتی Unsloth منتشر شد

تیم Unsloth به‌تازگی نسخه‌های کوانتایز‌شده GGUF از مدل Qwen-Image-2.1-Turbo را منتشر کرده است؛ مدلی هشت‌مرحله‌ای و تقطیرشده از شرکت علی‌بابا که برای تولید سریع تصویر طراحی شده است. حجم این فایل‌ها از نسخه فوق‌العاده سبک ۲٫۴۷ گیگابایتی (پیکربندی Q2_K) تا نسخه ۱۴٫۲۳ گیگابایتی (پیکربندی F16) متغیر است و به توسعه‌دهندگان اجازه می‌دهد تا با توجه به محدودیت حافظه و کیفیت مدنظر خود، تعادل بهینه‌ای را میان مصرف رم ویدئویی و وفاداری بصری خروجی برقرار کنند.

مخزن این مدل در پلتفرم Hugging Face تا زمان انتشار این خبر بیش از ۸۳۸ هزار بار دانلود شده است. هرچند این آمار نشان‌دهنده تعداد دفعات دریافت فایل‌ها است و لزوماً نصب‌های منحصربه‌فرد را نشان نمی‌دهد، اما از استقبال چشمگیر کاربران و توسعه‌دهندگان برای اجرای این مدل روی سخت‌افزارهای معمولی و کارت‌های گرافیک مصرفی خانگی حکایت دارد.

کاهش بار پردازشی حذف نویز با فرآیند هشت‌مرحله‌ای

مدل Qwen-Image-2.1-Turbo با حفظ کامل معماری و رابط‌های نسخه پایه، از چک‌پوینت ترنسفورمر تقطیرشده‌ای بهره می‌برد که برای فرآیند نمونه‌برداری تنها در ۸ مرحله آموزش دیده است. از آنجا که نسخه استاندارد معمولاً برای تولید تصویر به ۴۰ مرحله حذف نویز (Denoising) احتیاج دارد، نسخه توربو زمان و بار محاسباتی این مرحله از فرآیند تولید را تا ۵ برابر کاهش می‌دهد.

نسخه توربو با مقدار CFG 1 اجرا می‌شود و این یعنی محاسبات مربوط به هدایت بدون طبقه‌بند (Classifier-Free Guidance) در آن غیرفعال شده است. ساختار این چک‌پوینت تقطیرشده به‌گونه‌ای مهندسی شده که برخلاف مدل‌های دیفیوژن متداول، بدون نیاز به مقادیر بالای هدایت، خروجی‌های بسیار دقیق و باکیفیتی تولید کند.

مدل پایه Qwen-Image-2.1 از ترکیب یک ترنسفورمر تصویری ۷ میلیارد پارامتری، یک انکودر متنی ۸ میلیارد پارامتری Qwen3-VL و یک خودرمزگذار متغیر (VAE) مجزا تشکیل شده که تبدیل پیکسل‌ها به بازنمایی نهفته مدل را بر عهده دارد. مدل توربو همان انکودر متنی و VAE پایه را مجدداً به کار می‌گیرد؛ این ویژگی به توسعه‌دهندگان امکان می‌دهد بدون نیاز به بازسازی کل خط لوله پردازشی، صرفاً با جایگزین کردن ترنسفورمر و تنظیمات نمونه‌برداری، سامانه‌های موجود خود را ارتقا دهند.