革命性文本转图像模型Qwen-Image-Flash：四步极速生成高质量图像的完整指南

【免费下载链接】Qwen-Image-Flash项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Qwen-Image-Flash

Qwen-Image-Flash是由NVIDIA开发的革命性文本转图像模型，它基于Qwen/Qwen-Image通过DMD2蒸馏技术优化而来，仅需四步即可生成高质量图像。这款模型采用Diffusion Transformer（MMDiT）架构，集成了Qwen2.5-VL文本编码器、Qwen分词器、60层Qwen-Image transformer、Qwen-Image VAE和FlowMatch Euler调度器，为开发者和研究人员提供了高效的图像生成解决方案。

🌟 模型核心优势：速度与质量的完美平衡

Qwen-Image-Flash的最大亮点在于其四步极速生成能力。通过NVIDIA FastGen的DMD2技术、NVIDIA Model Optimizer和NVIDIA AutoModel进行蒸馏优化，该模型在保持与基础模型相似架构的同时，将图像生成步骤大幅减少，极大提升了生成速度，非常适合创意内容原型设计和对延迟敏感的图像生成工作流。

模型总参数达到28.85B（包含文本编码器和VAE），其中去噪transformer拥有20.43B参数，确保了生成图像的高质量。在1024×1024分辨率下，Qwen-Image-Flash在Qwen-Image-Bench上获得47.080分，在OneIG-Bench-EN上获得0.519分的优异成绩，与基础模型相比性能接近，但速度显著提升。

🚀 快速开始：四步掌握图像生成

1️⃣ 环境准备

Qwen-Image-Flash支持多种运行时引擎，包括Hugging Face Diffusers、SGLang Diffusion、vLLM-Omni和TensorRT-LLM VisualGen。推荐使用以下方式获取模型：

git clone https://gitcode.com/hf_mirrors/nvidia/Qwen-Image-Flash

模型需要在NVIDIA GPU上运行，推荐使用NVIDIA Hopper H100或Blackwell B200等架构的GPU以获得最佳性能。支持的操作系统为Linux，建议使用指定的容器环境，如vllm/vllm-omni:v0.24.0（适用于Diffusers）。

2️⃣ 安装依赖

以Diffusers为例，需要安装以下依赖：

• diffusers==0.38.0
• transformers==5.12.1
• torch（支持bfloat16）

可以通过pip安装所需的Python包，确保环境配置正确以支持GPU加速。

3️⃣ 编写生成代码

使用Diffusers库调用Qwen-Image-Flash非常简单，以下是一个基本示例：

import torch from diffusers import QwenImagePipeline pipe = QwenImagePipeline.from_pretrained( "nvidia/Qwen-Image-Flash", torch_dtype=torch.bfloat16, ).to("cuda") image = pipe( prompt="A red fox in a snowy pine forest at golden hour, photorealistic, sharp focus, soft bokeh", width=1024, height=1024, num_inference_steps=4, true_cfg_scale=1.0, guidance_scale=None, negative_prompt=None, generator=torch.Generator(device="cuda").manual_seed(42), ).images[0] image.save("qwen-image-flash-diffusers.png")

4️⃣ 运行生成命令

执行上述代码后，模型将在四步推理后生成指定的图像。你也可以尝试使用其他引擎如SGLang Diffusion，通过命令行直接生成图像：

docker run --rm --gpus all --ipc=host --ulimit memlock=-1 --ulimit stack=67108864 -e HF_TOKEN -v qwen-image-hf-cache:/root/.cache/huggingface -v "$PWD:/workspace" -w /workspace lmsysorg/sglang:nightly-dev-cu13-20260721-8905cbd4 sglang generate --model-path nvidia/Qwen-Image-Flash --prompt "A red fox in a snowy pine forest at golden hour, photorealistic, sharp focus, soft bokeh" --width 1024 --height 1024 --num-inference-steps 4 --guidance-scale 1.0 --true-cfg-scale 1.0 --seed 42 --save-output --output-file-path qwen-image-flash-sglang.png

⚙️ 高级配置与优化

调整图像分辨率

Qwen-Image-Flash默认输出1024×1024像素的图像。如果需要其他分辨率，确保宽度和高度值能被16整除，以避免自动调整大小影响图像质量。例如，可以尝试512×512或768×768等分辨率。

优化生成参数

• num_inference_steps：固定为4，这是模型优化的关键步骤数，更改可能导致质量下降
• true_cfg_scale：设置为1.0，因为模型在蒸馏过程中已内化了分类器-free引导
• seed：通过设置不同的随机种子，可以生成同一提示的不同变体

选择合适的运行时引擎

根据你的应用场景选择最佳引擎：

• Diffusers：适合开发和集成到Python应用中
• SGLang Diffusion：适合快速命令行测试和部署
• vLLM-Omni：适合构建图像生成服务
• TensorRT-LLM：提供最高性能，适合大规模部署

📚 模型架构解析

Qwen-Image-Flash的完整 pipeline 包含以下关键组件：

• 文本编码器：Qwen2.5-VL，负责将文本提示转换为条件嵌入
• 分词器：Qwen tokenizer，处理输入文本
• Transformer：60层Qwen-Image transformer，核心去噪网络
• VAE：Qwen-Image VAE，将潜在空间转换为RGB图像
• 调度器：FlowMatch Euler scheduler，配置为四步shift-3轨迹

模型使用DMD2（Distribution Matching Distillation）技术进行训练，在保留基础模型架构和参数数量的同时，将推理步骤减少到四步，实现了速度与质量的平衡。

📝 使用注意事项

适用场景

Qwen-Image-Flash适用于：

• 创意内容原型设计
• 低延迟图像生成工作流
• 文本到图像生成研究

不适用于：

• 图像编辑
• 图像理解
• 安全或生命关键决策

许可证信息

使用该模型受NVIDIA Open Model Agreement管辖，同时遵循Apache License 2.0。模型可用于商业或非商业用途，但需遵守相关许可条款。

性能提示

为获得最佳性能，建议：

• 使用支持bfloat16的NVIDIA GPU
• 确保输入提示为英文（模型在蒸馏时使用英文标题）
• 保持批次大小适中，避免内存溢出

通过以上步骤，你可以快速掌握Qwen-Image-Flash的使用方法，利用其四步极速生成能力创建高质量图像。无论是开发创意应用还是进行相关研究，这款模型都能为你提供高效、优质的文本转图像体验。

【免费下载链接】Qwen-Image-Flash项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Qwen-Image-Flash