先看跑分#

它为什么这么快<四个数字拆穿>#

1. 蒸馏压缩步数<约> 8 次模型评估出图,对比 SDXL/FLUX dev 的 20-30 步,单图算力降约 3 倍。
2. 紧凑骨干<6b> 参数,约为 FLUX.1(12B)的一半。
3. CFG 关闭 以 CFG≈1 运行,每步单次前向——普通模型 CFG>1 要双倍前向。
4. S3-DiT 架构 Single-Stream Diffusion Transformer——文本、视觉语义、图像 VAE token 拼成单一序列,比 FLUX 的并行双流更简更快。

综合效果<消费卡秒级出图>,质量对标 20B 级闭源模型(尤其写实人像)。

家族三兄弟#

显存与量化#

部署三件套(别踩坑)#

1. 扩散模型 + 文本编码器(qwen_3_4b.safetensors 放 text_encoders/)+ VAE——缺一不可。
2. CFG 必须 1.5-2.0<蒸馏模型对参数挑剔>,SD 的 6-9 会让它过饱和。
3. LoRA 架构绑定<只能用> Z-Image 架构 LoRA,SDXL LoRA 不兼容。

对比实测<它> vs FLUX#

• 短文字渲染<打平>。
• 长文字渲染 胜(FLUX 会出错)。
• 代价 文字偏”过整齐”,略欠自然融入。

实测场景#

• 线稿上色 + ControlNet Canny,1024² 约 6.3 秒(RTX 4060),对比 SDXL+ControlNet 11.7 秒——快近一半。
• 批量草稿<秒级出> 100+ 候选,交互式体验。

FAQ#

Q1<为什么这么快>? 蒸馏(8 步)+ 6B 骨干 + CFG 关闭 + S3-DiT。 Q2 还是 Base? 日常用 Turbo;负向提示词/精细控制/LoRA 训练用 Base。 Q3<过饱和怎么办>? CFG 降回 1.5-2.0(Turbo 的命门)。 Q4 LoRA 能用吗? 不能,架构不兼容;用 Z-Image LoRA。 Q5<最低显存>? 6GB(GGUF Q3/Q4)。 Q6<文字渲染>? 中英双语精准,长文字优于同体积 FLUX。 Q7<能商用吗>? Apache 2.0,可商用。 Q8 配合? Canny 等好用,Strength 约 0.85。

实战配方#

A<实时交互生图> — 4090 部署 Turbo → 边聊边改秒出图 → 灵感风暴/客户演示。 B<批量草稿流水线> — Turbo 秒级 100+ 候选 → 筛选 → Base 精修。 C<线稿上色> — ControlNet Canny(0.85)→ Turbo 16 步 → 分镜/漫画批量。 D 定制 — Base 训练 → Turbo 推理(0.6-1.0;堆叠≤3 个 0.3-0.5)。

提示词与参数#

风险清单#

• 参数敏感/步数挑剔,新手易踩坑。
• 生态早期/ControlNet 少。
• 无负向提示词 无法用负面约束。
• 长文字”过整齐”<氛围场景需权衡>。
• 架构封闭 无法跨架构复用。

写在最后 Turbo 不是画质之王,但它是”让本地生图变得可交互”的那台引擎。当你在等一张图的时间里刷完了半条朋友圈,你会回来感谢它。