40스텝을 6스텝으로: Pruna P-Q-Image-2.1 LoRA가 Qwen-Image-2.1을 빠르게 만드는 방식
Pruna AI가 공개한 P-Q-Image-2.1 v0.2 LoRA는 Qwen-Image-2.1의 40스텝 생성을 6스텝으로 줄이고, 한 변형은 프롬프트 업샘플링 단계까지 LoRA 안에 흡수했다. 모델 카드 기준으로 무엇이 빨라지고 무엇이 그대로인지, 쓸 때 어떤 설정을 꼭 지켜야 하는지 정리한다.
2026-11-03 확인. 이 글의 출발점은 저장해 둔 Threads 포스트다. 원문 캡션과 이미지는 옮기지 않았고 링크만 출처로 남긴다. 본문은 같은 날 다시 읽은 PrunaAI/P-Q-Image-2.1, PrunaAI/P-Q-Image-2.1-Comfy, Qwen/Qwen-Image-2.1 모델 카드와 Hugging Face 커밋 시각, 저장소에 포함된 Qwen Research License를 기준으로 다시 썼다. 어댑터를 직접 실행하지는 않았다.
먼저 결론
P-Q-Image-2.1은 Qwen-Image-2.1을 대체하는 독립 가중치가 아니다. 베이스 위에 올리는 LoRA 세트다. 카드가 적는 대로 파이프라인, 텍스트 인코더, VAE는 바꾸지 않는다. v0.2의 두 파일은 rank 64이고 linear 타깃 232개에 걸린다. proj_out이 그 안에 들어 있다.
v0.2에는 6스텝 어댑터가 둘이다. 6-steps는 베이스의 생성과 편집을 더 적은 스텝으로 옮기는 증류이고, 편집에서 입력을 보존할 때 쓰라고 권한다. 6-steps-upsampled는 Qwen-Image-2.1에 권장되는 프롬프트 업샘플러를 LoRA 안에 넣어, 생성 전에 업샘플러를 따로 호출하지 않게 한다. 카드는 이 변형을 별도 프롬프트 업샘플링이 필요 없게 만든 첫 증류라고 부른다.
카드 맨 위의 "Up to 6.3x faster"는 이 저장소의 헤드라인이다. 벤치마크 문단은 측정을 NVIDIA H100 80GB 한 장에서 했다고 적는다. 본문 텍스트는 6.3배가 어느 변형, 어느 해상도, 어느 작업의 칸인지 숫자로 풀어 쓰지 않는다. 그 칸은 차트 이미지 안에 있고, 이 글은 이미지를 표로 베끼지 않는다. 스텝이 40에서 6으로 줄어도 텍스트 인코딩과 VAE 디코드는 남는다. 그래서 버튼을 누른 뒤 이미지가 나올 때까지의 배율은 스텝 비율보다 작을 수 있다. 마지막 문장은 카드가 적은 구성에 대한 해석이다.
왜 40스텝이 필요했고, 증류는 무엇을 바꾸나
디퓨전 계열 이미지 모델은 잡음에서 시작해 여러 번의 디노이징으로 이미지를 만든다. 스텝을 잘게 나눌수록 각 걸음은 짧고, 걸음 수는 트랜스포머를 몇 번 통과시키는지를 가리킨다. 이 문단은 배경이다. Pruna가 학습 레시피를 공개해 증명한 설명이 아니다.
Qwen 카드의 텍스트-투-이미지, 편집, RGBA 예시는 모두 num_inference_steps=40이다. Pruna v0.1 벤치 문단도 베이스를 40스텝으로 둔다. v0.2를 연 Pruna AI LinkedIn 글은 40스텝 대신 6스텝이라고 적는다. 40은 베이스 카드의 예시 설정이자, Pruna가 비교 축으로 쓰는 스텝 수다.
카드에 나온 단계를 한 줄로 줄이면 다음과 같다.
프롬프트
│
├─ (선택) 프롬프트 업샘플러 PE-T2I / PE-I2I
│ 6-steps-upsampled는 이 호출을 LoRA 안으로 넣는다
▼
텍스트 인코더 베이스 그대로. 스텝 수와 무관
▼
디노이징 × N 베이스 예시 40. v0.2 어댑터 6
▼
VAE 디코드 베이스 그대로. 스텝 수와 무관
줄어드는 구간은 디노이징 횟수다. 6-steps-upsampled만 앞단의 업샘플러 호출까지 빼는 것을 목표로 한다. 카드는 이 어댑터가 실제 업샘플러 출력을 그대로 재현한다고 보장하지 않는다.
Qwen-Image-2.1의 시각 생성부는 카드 기준으로 파라미터 7B, Single-Stream DiT 32층이다. 베이스 편집은 참조 이미지를 최대 10장까지 받는다. P-Q-Image-2.1의 학습 범위는 1K 해상도와 참조 이미지 최대 3장이다. 베이스가 받는 입력과 어댑터가 학습한 입력은 범위가 다르다.
CFG(classifier-free guidance)를 켜면 한 스텝에서 조건부 경로와 빈 프롬프트 경로를 함께 보는 구성이 흔하다. 카드 헤드라인은 "No CFG"다. v0.2 권장 설정은 true_cfg_scale=1.0이고, ComfyUI 카드는 cfg 1과 네거티브 프롬프트 없음을 같이 적는다. v0.2 한계 문단은 다른 CFG 값을 지원하지 않는다고 말한다. 스텝당 계산이 줄어든다는 말은 이 구성에 대한 일반적인 읽기이고, Pruna가 그 배율만 떼어 공개한 숫자는 없다.
버전과 변형 한눈에 보기
| 버전 | 변형 | diffusers 파일 | ComfyUI 파일 | 스텝 | 카드가 적은 트레이드오프 |
|---|---|---|---|---|---|
| v0.2 | 6-steps | p_q_image_2.1_6_steps_v0.2.safetensors | p_q_image_2.1_6_steps_v0.2_comfyui_bf16.safetensors | 6 | 고급 증류. 편집 때 입력 보존에 권함 |
| v0.2 | 6-steps-upsampled | p_q_image_2.1_6_steps_upsampled_v0.2.safetensors | p_q_image_2.1_6_steps_upsampled_v0.2_comfyui_bf16.safetensors | 6 | 업샘플러를 흡수. 짧은 프롬프트의 화질과 끝단 시간 |
| v0.1 | 8-steps | p_q_image_2.1_8_steps_v0.1.safetensors | p_q_image_2.1_8_steps_v0.1_comfyui_bf16.safetensors | 8 | v0.1 안에서 화질 우선. 그 버전의 기본 권장 |
| v0.1 | 5-steps | p_q_image_2.1_5_steps_v0.1.safetensors | p_q_image_2.1_5_steps_v0.1_comfyui_bf16.safetensors | 5 | 더 빠르고, 화질은 눈에 띄게 낮다 |
한 번에 하나만 로드한다. v0.2에 v0.1 시그마 스케줄을 다시 쓰지 않는다. 6-steps는 v0.1보다 거의 모든 범주에서 나아졌다고 카드가 말하지만, 그 문장 옆의 정량 표는 텍스트로 없다. 차트 이미지일 수 있고, 이 글은 그 숫자를 읽지 못했다.
날짜는 모델 카드의 문장이 아니라 Hugging Face API로 확인했다.
- 메인 저장소
createdAt은 2026-09-23 07:30 UTC다. 같은 날 17:30 UTC 커밋 제목이 "Replace adapters with eight-step v0.1 release"다. 5스텝 어댑터를 갱신한 커밋은 2026-09-24로 이어진다. - v0.2 가중치를 넣은 커밋 "Add v0.2 adapters (#9)"는 2026-10-27 16:35 UTC다. 직후 README 수정이 16:38 UTC다.
- Comfy 저장소
createdAt은 2026-10-27 06:45 UTC이고,lastModified는 같은 날 14:57 UTC다.
ComfyUI Wiki의 2026-10-27 뉴스도 v0.2와 공식 ComfyUI 패키지가 같은 날 나왔다고 적는다. 위 시각이 1차 기록이고, 위키는 2차 출처다.
카드의 "What this is not"은 완성된 릴리스가 아니며 이후 버전에서 가중치가 바뀔 수 있다고 한다. 9월 23일 이후에도 README와 가중치 커밋이 이어진 저장소라, 이 글의 파일명과 시그마는 2026-11-03에 읽은 카드를 기준으로 한다.
꼭 지켜야 할 설정
어댑터마다 자기 시그마 스케줄로 학습됐다. 스텝 수만 줄이고 스케줄러 기본값에 맡기면 학습 때와 다른 걸음을 밟는다. 카드가 지원하지 않는 스텝 수, 스케줄, CFG는 미지원 설정이다.
| 항목 | v0.2 | v0.1 |
|---|---|---|
| 스텝 | 6. 파일과 맞출 것 | 8 또는 5. 파일과 맞출 것 |
| diffusers 시그마 | 시프트 전 [1.0, 0.925, 0.85, 0.625, 0.375, 0.125]. use_dynamic_shifting=True, shift_terminal=None | 8스텝 1, 14/15, 6/7, 10/13, 2/3, 6/11, 0.4, 2/9. 5스텝 1, 0.94, 6/7, 2/3, 0.4. use_dynamic_shifting=False, shift=1.0, shift_terminal=None |
| ComfyUI ManualSigmas | 1.0, 0.961054, 0.918949, 0.769302, 0.545554, 0.222292, 0 | 8스텝 1.0, 0.933333, 0.857143, 0.769231, 0.666667, 0.545455, 0.4, 0.222222, 0. 5스텝 1.0, 0.94, 0.857143, 0.666667, 0.4, 0 |
| CFG | true_cfg_scale=1.0. ComfyUI는 cfg 1, 네거티브 프롬프트 없음, sampler euler | 같은 값. v0.1 문단이 네거티브 프롬프트를 넘기지 말라고 명시 |
| LoRA strength | 1.0 | 1.0 |
| 해상도 | 1024×1024에서 시작 | 학습은 1K만 |
| 참조 이미지 | 최대 3장 | 최대 3장 |
v0.2에서 두 목록의 숫자가 다른 까닭은 diffusers 값이 시프트 전 값이고, ComfyUI 값이 해상도 시프트와 끝의 0을 포함한 고정 문자열이기 때문이다. 카드는 diffusers 스케줄러가 해상도에 따라 시프트를 적용하고 마지막에 시그마 0을 붙인다고 적는다. ComfyUI는 그 결과를 ManualSigmas에 직접 넣는다. 커스텀 노드는 필요 없다. 6스텝인데 ComfyUI 숫자가 일곱 개인 것도 끝의 0이 들어 있기 때문이다. diffusers 목록은 여섯 개이고, 0은 스케줄러가 붙인다. 이 글은 v0.2 Comfy 값을 시프트 공식으로 역산하지 않았다. 카드가 그 공식을 v0.2에 대해 적지 않기 때문이다. 두 6스텝 변형은 ComfyUI에서 같은 ManualSigmas를 쓴다.
v0.1은 동적 시프트를 끄고 shift=1.0으로 두어, 주어진 시그마를 한 번 더 밀지 않는다. 8스텝 스케줄은 카드가 시프트 2, 곧 고르게 놓은 t에 대해 σ = 2t / (1 + t)로 만든 값이라고 설명한다. 2026-11-03에 그 식에 t = 1, 7/8, …, 1/8을 넣어 보면 카드의 8스텝 분수와 같고, 그 소수는 ComfyUI 문자열과 같다. 14/15는 0.9333…, 6/7은 0.8571…이다. 끝의 0만 ComfyUI 쪽에 명시돼 있고, diffusers 스케줄러는 그 0을 붙인다. 5스텝 목록에는 이 식을 적어 두지 않았다. 0.94는 8스텝 수열에 없는 값이다.
strength 1.0도 취향 문제가 아니다. v0.2 문단은 학습 alpha가 128이고, 내보낸 B 행렬에 128 / 64 = 2 스케일이 이미 들어 있다고 한다. 로더가 한 번 더 올리면 학습 때와 다른 크기가 된다. 2026-09-24 커밋 메시지는 5스텝 어댑터도 rank 64, alpha 128이라고 적는다. linear 타깃 232개라는 수는 v0.2 두 파일에 대해 적혀 있다.
해상도도 같이 봐야 한다. Qwen 카드의 예시는 2048×2048이고, 지원 종횡비 표도 2K 근처다. Pruna는 1024×1024에서 시작하고, 2K를 포함한 더 높은 해상도는 학습 범위 밖이라고 한다. 카드의 2K 시간은 그 해상도에서의 추론 속도이고, 화질 보장이 아니다.
코드로 보기
아래는 v0.2 Quickstart에서 설정만 남긴 짧은 예시다. 카드의 설치 명령, 예제 프롬프트, 편집 예시를 그대로 붙이지 않았다. 카드와 벤치마크 문단은 diffusers를 같은 커밋에 고정한다.
6256aa7666cedd47443adc8f82da9a10e110b09c
떠 있는 diffusers 릴리스가 이 스케줄러 동작을 유지하는지는 카드가 보장하지 않는다.
import torch
from diffusers import FlowMatchEulerDiscreteScheduler, QwenImage21Pipeline
steps = 6
# Unshifted. The scheduler shifts these for the requested size and appends 0.
sigmas = [1.0, 0.925, 0.85, 0.625, 0.375, 0.125]
weight = "p_q_image_2.1_6_steps_v0.2.safetensors"
pipe = QwenImage21Pipeline.from_pretrained(
"Qwen/Qwen-Image-2.1",
torch_dtype=torch.bfloat16,
).to("cuda")
pipe.load_lora_weights("PrunaAI/P-Q-Image-2.1", weight_name=weight)
pipe.scheduler = FlowMatchEulerDiscreteScheduler.from_config(
pipe.scheduler.config,
use_dynamic_shifting=True,
shift_terminal=None,
)
image = pipe(
prompt="a red paper lantern over a quiet alley at night",
width=1024,
height=1024,
num_inference_steps=steps,
sigmas=sigmas,
true_cfg_scale=1.0,
generator=torch.Generator("cuda").manual_seed(0),
).images[0]
6-steps-upsampled로 바꿀 때는 파일명만 위 표의 upsampled safetensors로 바꾸고, 같은 시그마와 true_cfg_scale=1.0을 유지한다. 네거티브 프롬프트 인자는 넣지 않는다. 카드의 v0.2 Quickstart 코드 블록은 스케줄러 설정에서 끝난다. use_kv_cache는 그 블록에 없다. KV 캐시를 켠 호출 예는 v0.1 세부 절에 있고, v0.2 벤치는 캐시를 켠 상태로 측정했다고 적는다. 예외는 아래 2048 편집 한 경우다.
ComfyUI 배치를 카드의 트리에서 필요한 파일만 남기면 다음과 같다. 베이스, 텍스트 인코더, VAE는 Comfy-Org/Qwen-Image-2.1에서 오고, 베이스는 Turbo가 아닌 체크포인트를 쓴다.
ComfyUI/models/
├── diffusion_models/
│ ├── qwen_image_2.1_bf16.safetensors
│ └── qwen_image_2.1_int8_convrot.safetensors
├── loras/p_q_image_2.1_6_steps_v0.2_comfyui_bf16.safetensors
├── text_encoders/qwen3vl_8b_int8_convrot.safetensors
└── vae/qwen_image_2.1_vae_bf16.safetensors
카드는 diffusion 모델 자리에 트리의 bf16 파일 또는 int8 convrot 파일 중 하나를 적는다. 워크플로는 여섯 개다.
pruna_q_image_2.1_v0.2_6step_t2i.json
pruna_q_image_2.1_v0.2_6step_image_edit.json
pruna_q_image_2.1_v0.1_8step_t2i.json
pruna_q_image_2.1_v0.1_8step_image_edit.json
pruna_q_image_2.1_v0.1_5step_t2i.json
pruna_q_image_2.1_v0.1_5step_image_edit.json
앞의 둘은 v0.2 텍스트-투-이미지와 편집이고, 나머지는 v0.1 8스텝과 5스텝의 같은 쌍이다. 각 워크플로는 LoraLoaderModelOnly로 어댑터 하나를 strength 1.0에 올리고, euler, cfg 1, 짝이 맞는 ManualSigmas로 샘플한다. v0.2 워크플로에서 두 변형의 차이는 lora_name이다. Qwen-Image-2.1을 네이티브로 지원하는 ComfyUI가 필요하고, 커스텀 노드는 필요 없다.
벤치마크를 읽는 법
Pruna가 적은 조건
헤드라인 "Up to 6.3x faster"와 벤치 조건은 카드에서 서로 다른 자리에 있다. 6.3배를 특정 칸에 연결하는 문장은 텍스트에 없다. 조건을 칸과 분리해 적으면 아래와 같다.
| 구분 | 카드에 적힌 조건 |
|---|---|
| 하드웨어 | NVIDIA H100 80GB 한 장, BF16, 배치 1 |
| 끈 것 | CFG, 컴파일, CPU 오프로드 |
| v0.1 비교축 | 베이스 40스텝, KV 캐시 켬. 어댑터는 5 또는 8스텝이고, 이 차트의 KV 캐시는 끔. LoRA는 unmerged |
| v0.1 집계 | 설정마다 워밍업 1회 뒤 요청 3회의 중앙값. 프롬프트 인코딩, 디노이징, 디코드 포함. PNG 저장, 로딩, 워밍업 제외 |
| v0.1 한계 | 예제 코드는 P-Q-Image-2.1의 KV 캐시를 켜지만, 차트는 그 설정으로 다시 재지 않았다. 시간은 화질이 같다는 뜻이 아니다 |
| v0.2 생성 | 어댑터당 3회, 두 어댑터를 합쳐 요청 6개의 중앙값. 어댑터와 경우마다 워밍업 1회 제외. 프롬프트 인코딩, 참조 이미지 처리, 디노이징, VAE 디코드 포함. 로딩, 워밍업, 픽스처 준비, 저장, 네트워크 제외 |
| v0.2 KV | 디퓨전 KV 캐시 켬. 예외는 2048×2048 편집에 입력이 3장일 때다. H100 80GB 메모리 때문에 캐시를 껐고, PYTORCH_ALLOC_CONF=expandable_segments:True를 썼다 |
| 업샘플링 | Qwen-Image-2.1-PE-T2I와 Qwen-Image-2.1-PE-I2I로 따로 잰다. 이미지 생성이 아니라 요청 준비부터 파싱된 텍스트까지다. 두 중앙값을 더하면 end-to-end가 아니다 |
| 소프트웨어 | 생성: PyTorch 2.11.0, CUDA 12.8, Transformers 5.20.1, PEFT 0.21.2, 위의 diffusers 커밋. 업샘플링: vLLM 0.19.1, PyTorch 2.10.0, Transformers 5.19.0. v0.1 차트는 여기서 다시 돌리지 않았다 |
업샘플러 측정에도 조건이 적혀 있다. thinking을 켜고 temperature=1.0, top_p=0.95, top_k=20, min_p=0.0이다. 텍스트-투-이미지는 presence_penalty=1.5에 토큰 상한 16,256이고, 편집은 presence_penalty=0.0에 상한 24,000이다. 세 번의 재작성이 모두 끝나 파싱될 때만 보고한다. vLLM은 eager이고, prefix 캐시와 이미지 프로세서 캐시는 끄며, 이미지 ID를 새로 줘 비전 인코딩이 매번 들어간다. 자기회귀 KV 캐시는 켜 둔다.
v0.2를 공개한 Pruna AI LinkedIn 글은 업샘플링을 빼면 프롬프트 스타일에 따라 41초에서 80초를 아낀다고 적는다. 이 범위는 모델 카드 본문에 다시 나오지 않는다. 카드는 업샘플링 시간과 생성 시간의 중앙값을 더하지 말라고 하므로, 41–80초를 H100 생성 시간에 그대로 더해 end-to-end를 만들 수는 없다.
첫 공개를 공유한 글은 5스텝 또는 8스텝 어댑터를 두고 "up to 6.3× faster"라고 했다. 지금 카드 헤더도 그 문장을 유지한다. 6.3배를 v0.2 6스텝의 배율로 읽는 문장은 텍스트에 없다.
공개된 스텝 수만 나누면 40/5 = 8, 40/8 = 5, 40/6 ≈ 6.7이다. 이것은 산수이고 측정이 아니다. 6.3은 그 비율 중 하나로 카드가 등치해 둔 숫자가 아니다. 벽시계 배율이 스텝 비율과 달라질 수 있다는 점은 해석이다. 텍스트 인코더와 VAE는 디노이징 횟수 밖에 있다. v0.1 차트는 여기에 더해 베이스만 KV 캐시를 켜 두었으므로, 그 차트는 스텝 수만 바꾼 비교가 아니다. v0.2 차트는 v0.1 차트와 케이스가 맞지 않다고 카드가 명시한다. 두 차트를 한 표로 이어 붙이면 조건이 섞인다.
커뮤니티가 재본 숫자
Pruna 카드의 초 단위 칸은 이미지라 이 글에 옮기지 않았다. 다른 사람이 DGX Spark에서 잰 값은 조건이 달라, 서로 비교하거나 H100 헤드라인과 비교하지 않는다.
| 출처 | 숫자 | 조건 | 이 글에서의 위치 |
|---|---|---|---|
| aiserver.in.th, 2026-09-25 | 1024²에서 36.7초 → 12.0초 (3.05×). 2048²에서 264초 → 57초 (4.63×) | v0.1 8스텝, DGX Spark GB10, 작성 팀의 int8 베이스. 메인 세트 48장 | 커뮤니티 측정. 2048은 학습 범위 밖 |
| NVIDIA 개발자 포럼, 2026-09-30 | 베이스 40스텝 1024² 54.1초. 같은 조건 20스텝 28.3초. 피크 메모리 31.6GB | DGX Spark, bf16 diffusers, true_cfg_scale 1.0, VAE 타일 디코드 켬, 시드 42, 서버 시작 뒤 첫 요청을 뺀 2회 중앙값. LoRA 측정 없음 | 베이스만의 커뮤니티 측정 |
| 커뮤니티에 도는 51.3초 → 10.9초 | DGX Spark라는 말만 붙어 있다 | 어떤 6스텝 변형인지, 정밀도, 런타임, 업샘플링 포함 여부가 이 글을 위해 다시 연 자료에는 없다 | Pruna 자료가 아님. 조건이 공개되지 않은 미검증 커뮤니티 측정 |
51.3초 → 10.9초는 모델 카드, Comfy 카드, 2026-11-03에 확인한 Pruna LinkedIn 발표에 없다. 사전 조사 메모가 가리킨 출처는 X의 @Mindr4AI 포스트뿐이다. 이 글을 쓰면서 그 포스트 본문을 다시 열지는 못했다. 제목이나 요약에 넣을 숫자가 아니다.
aiserver 글은 자기 측정에서 스텝당 비용과 고정 비용을 나눠, 3.05×가 40/8인 5배보다 작은 이유를 설명한다. 그 분해는 그들의 방정식이다. 같은 글은 Pruna의 6.3×가 H100에서 디노이징 구간만 잰 값이라고 읽는다. v0.1 벤치 문단은 프롬프트 인코딩과 디코드가 시간에 포함된다고 적는다. 카드 문장과 그 해석은 어긋난다. 차트 이미지의 막대가 어느 쪽에 맞는지는, 이미지를 숫자로 베끼지 않은 이 글이 단정하지 않는다.
NVIDIA 포럼의 54.1초와 aiserver의 36.7초는 둘 다 DGX Spark, 40스텝, 1024²처럼 보인다. 정밀도, 타일 디코드, 소프트웨어가 다르다. 나란히 두면 하드웨어 순위가 아니라 설정 차이가 된다.
한계와 라이선스
카드가 한계로 적은 항목은 다음과 같다.
- 학습은 1K뿐이고, 단순 프롬프트와 업샘플된 프롬프트, 텍스트-투-이미지, 참조 1장과 여러 장의 편집을 섞었다. 참조는 최대 3장이다.
- 2K와 그보다 많은 참조 이미지는 동작할 수 있으나 학습 범위 밖이고, 화질은 달라질 수 있다.
6-steps-upsampled는 실제 업샘플러를 정확히 재현하지 못할 수 있다. 계속 개선하겠다고 적혀 있다.6-steps는 더 적은 스텝으로 베이스 동작을 지키려는 어댑터이고, 증류가 같은 출력을 보장하지 않는다.- v0.2에 맞지 않는 스텝 수, 스케줄, CFG는 지원하지 않는다.
- v0.1은 첫 버전이라 화질이 베이스보다 낮고, 5스텝은 8스텝보다 빠르지만 이미지가 눈에 띄게 나쁘다. 짧거나 모호한 프롬프트는 더 약하다.
- 단독 모델이 아니고, 베이스의 전체 화질이 필요할 때의 대체재도 아니며, 완성된 릴리스도 아니다.
라이선스는 Qwen RESEARCH LICENSE AGREEMENT다. 베이스 Qwen-Image-2.1과 이 파생 어댑터 모두 그 계약 아래 있다. 2026-09-20자 계약은 연구 또는 평가를 비상업 사용으로 정의하고, 그 목적에 한해 사용, 복제, 배포, 2차적 저작을 허용한다. 상업적 사용은 Hangzhou Tongyi Laboratory Technology Co., Ltd.의 별도 라이선스가 필요하다. 계약에 적힌 문의 주소는 model-business@notice.qwencloud.com이다. 재배포할 때는 계약 사본과 저작권 고지를 붙인다. 출력으로 학습한 모델을 배포하면 문서에 "Built with Qwen" 또는 "Improved using Qwen"을 눈에 띄게 적는다. 2차 저작물의 주된 이름에 "Qwen"을 쓰지 않는다. 저작권 표시는 Copyright (c) 2026 Hangzhou Tongyi Laboratory Technology Co., Ltd.다. 이 문단은 2026-11-03에 저장소 LICENSE 파일을 읽고 줄인 것이고, 효력은 계약 원문이 가진다.
학습 코드가 PrunaAI/pruna에 있는지는 확인하지 못했다. 그 저장소는 압축 라이브러리고, 이 LoRA의 학습 절차는 모델 카드에 없다. 2026-09-24 커밋 메시지는 5스텝 어댑터를 "PCM/CDM" 체크포인트라고 부를 뿐, 카드는 그 약어를 설명하지 않는다. 여기서 약어를 풀어 쓰지는 않는다. 2026-09-25 커뮤니티 글은 카드에 "Training is based on DMD"라고 적혀 있다고 말하는데, 2026-11-03에 읽은 README에는 그 문장이 없다. 9월 23일 카드 원문을 다시 받지 않았으므로, 문장이 빠졌는지 인용 차이인지는 정하지 않는다.
pruna.ai 블로그에서 이 릴리스를 설명하는 글을 2026-11-03 검색에서는 찾지 못했다. 공식 문장으로 확인한 발표는 Hugging Face 카드와 Pruna AI LinkedIn 글이다.
사실과 해석
| 2026-11-03에 읽은 1차 자료 | 이 글의 해석 |
|---|---|
| LoRA이며 파이프라인, 텍스트 인코더, VAE는 그대로다 | 속도 이득의 상한은 디노이징이 전체 시간에서 차지하는 비율에 달려 있다 |
| v0.2는 6스텝 둘, v0.1은 5스텝과 8스텝이다. 스케줄을 섞지 않는다 | 결과가 기대와 다를 때 먼저 볼 항목은 스텝, 시그마, CFG, strength다 |
| 헤드라인은 최대 6.3배이고, 벤치 문단은 H100 80GB다 | 6.3배를 v0.2나 1024 텍스트-투-이미지의 배율로 지정하는 문장은 없다 |
| v0.1 차트는 베이스만 KV 캐시를 켠다 | 그 차트만으로 스텝을 줄인 배율을 말하면 조건이 빠진다 |
| 업샘플링은 따로 재고, 두 중앙값의 합은 end-to-end가 아니다 | LinkedIn의 41–80초는 업샘플러를 빼는 효과에 대한 발표 문장이다. 생성 시간에 더하지 않는다 |
| 학습 범위는 1K, 참조 3장이다 | Qwen 예시의 2048은 이 어댑터의 시작 해상도가 아니다 |
| 라이선스는 연구와 평가 목적이다 | 서비스에 넣기 전에 상업 라이선스를 따로 확인한다 |
| 51.3초 → 10.9초는 Pruna 문서에 없다 | 조건이 공개되지 않은 커뮤니티 숫자로만 다룬다 |
직접 생성한 샘플은 없다. 화질이 거의 모든 범주에서 나아졌다는 문장은 카드의 주장으로만 적는다.
출처
- Threads 포스트: 글을 시작하게 된 저장 포스트. 캡션과 이미지는 사용하지 않았다.
- PrunaAI/P-Q-Image-2.1: 변형, 시그마, rank, 벤치 조건, 한계, 헤드라인 "Up to 6.3x faster". 2026-11-03에 raw README를 다시 읽었다. 차트 이미지의 초 단위 숫자는 전사하지 않았다.
- PrunaAI/P-Q-Image-2.1-Comfy: ComfyUI 파일명, ManualSigmas, cfg 1, euler, 폴더 배치, 커스텀 노드가 필요 없다는 설명.
- Hugging Face API의
createdAt과 커밋 목록: 메인 저장소는 2026-09-23에 만들어졌고, v0.2 커밋은 2026-10-27 16:35 UTC, Comfy 저장소는 2026-10-27 06:45 UTC에 만들어졌다. - Qwen/Qwen-Image-2.1: 40스텝 예시, 7B 시각 생성부, 참조 이미지 최대 10장, 2048 예시 해상도.
- 저장소 LICENSE: Qwen Research License, 2026-09-20. 비상업 범위와 상업 라이선스 문의.
- Pruna AI LinkedIn, v0.2: "6 steps instead of 40", 업샘플링을 빼면 41–80초. 카드 본문에는 없는 범위다.
- 첫 공개의 LinkedIn 공유: 5스텝 또는 8스텝 시절의 "up to 6.3× faster".
- ComfyUI Wiki, 2026-10-27: 2차 출처. v0.2와 공식 ComfyUI 패키지가 같은 날 공개됐다는 기사.
- aiserver.in.th: v0.1 8스텝의 DGX Spark 측정. 커뮤니티 출처.
- NVIDIA 개발자 포럼: 베이스 40스텝 54.1초. LoRA 없음.
- 이 글에서 확인하지 못한 것: 차트 이미지 속 지연 시간, 화질 정량 표, 51.3초 → 10.9초의 측정 조건, pruna.ai의 이 릴리스 블로그 글, 이 LoRA의 학습 코드 공개 여부.