Qwen-Image-2.1 Viggle Turbo와 Z-Image-Turbo: 로컬 이미지 생성의 속도·메모리·라이선스

X 게시글은 로컬 이미지 생성의 장점으로 인터넷 없이 사용하기, 검토 절차가 없는 생성, 낮은 VRAM 또는 통합 메모리에서의 실행을 들고, Qwen-Image-2.1 Viggle Turbo와 Z-Image-Turbo를 추천한다. 하지만 두 링크는 같은 모델의 가속판 두 개가 아니다. 하나는 Qwen-Image-2.1 위에 적용하는 LoRA 어댑터, 다른 하나는 독립적인 Z-Image 모델 계열이다. 공개 모델 카드에 적힌 단계 수와 측정 조건, 기능 제한, 라이선스를 먼저 분리해야 현실적인 선택이 가능하다.

Sources

원문 X 게시글 · 인용된 로컬 배포 안내 게시글 — X 직접 페이지가 차단돼 공개 게시글 데이터를 X 신디케이션 경로와 공개 미러로 교차 확인했다. 인용 게시글의 장문 안내 전문이나 배포 코드를 검증한 것은 아니다.
Viggle의 Qwen-Image-2.1-viggle-turbo 모델 카드 · Qwen-Image-2.1 공식 저장소 · Qwen Research License
Tongyi-MAI의 Z-Image-Turbo 모델 카드 — 모델 계열, 단계 수, 메모리 안내, 라이선스

자료 범위: 이 글은 두 모델을 직접 설치·실행한 벤치마크가 아니다. X 게시글의 ‘기본적으로 NSFW 지원’, ‘낮은 메모리에서 원활함’ 같은 표현은 작성자의 주장이며 보편적 동작이나 사용 허가로 간주하지 않는다. Viggle의 속도와 품질 수치 역시 모델 제작자가 공개한 자체 평가로 표시한다.

1. 두 ‘Turbo’는 무엇을 가속하는가

Qwen-Image-2.1의 공식 예시는 이미지 생성과 편집을 40스텝으로 수행한다. Viggle Turbo v0.2.1은 이를 대상으로 만든 few-step 증류 LoRA다. 모델 카드 기준으로 기본 Qwen 가중치를 먼저 불러온 뒤 LoRA와 제공된 스케줄러를 적용해 6번의 transformer pass로 생성한다. 카드에 표시된 LoRA 파일은 약 0.7~1.3GB지만, 그것만 내려받아 독립적으로 실행하는 모델이 아니다. 기본 모델의 가중치와 텍스트 인코더·VAE도 필요하다. Viggle 모델 카드

반면 Z-Image-Turbo는 Tongyi-MAI의 6B Z-Image 계열에 속하는 별도 모델이다. 모델 카드는 8 NFE(Number of Function Evaluations) 로 생성한다고 설명한다. 예시 코드의 num_inference_steps=9가 실제로는 8번의 DiT 전방 계산을 만든다고 명시돼 있어, 숫자 9와 홍보 문구의 8이 충돌하는 것은 아니다. 이 모델을 Viggle LoRA처럼 Qwen-Image-2.1에 올리는 방식으로 이해하면 안 된다. Z-Image-Turbo 모델 카드

flowchart TD
    A["Qwen-Image-2.1 기본 가중치"] --> B["Viggle v0.2.1 LoRA 로드"]
    B --> C["전용 스케줄러·6패스"]
    C --> D["텍스트 생성 / 제한된 편집"]
    classDef baseTone fill:#c5dcef,stroke:#54789e,color:#333;
    classDef adapterTone fill:#e0c8ef,stroke:#9275ac,color:#333;
    classDef processTone fill:#fde8c0,stroke:#bd9454,color:#333;
    classDef resultTone fill:#c0ecd3,stroke:#5a9d75,color:#333;
    class A baseTone;
    class B adapterTone;
    class C processTone;
    class D resultTone;

Z-Image-Turbo는 독립적인 흐름이다. 두 모델이 모두 적은 단계 수를 지향하더라도, 가중치·파이프라인·지원 작업·사용 조건이 다르다.

flowchart TD
    A["Z-Image-Turbo 가중치"] --> B["ZImagePipeline"]
    B --> C["8 NFE 생성"]
    C --> D["텍스트 기반 이미지"]
    classDef baseTone fill:#c5dcef,stroke:#54789e,color:#333;
    classDef processTone fill:#e0c8ef,stroke:#9275ac,color:#333;
    classDef stepTone fill:#fde8c0,stroke:#bd9454,color:#333;
    classDef resultTone fill:#c0ecd3,stroke:#5a9d75,color:#333;
    class A baseTone;
    class B processTone;
    class C stepTone;
    class D resultTone;

2. ‘약 5배 빠름’과 ‘8스텝’의 정확한 범위

Viggle 제작자는 v0.2.1이 40스텝 Qwen 기본 모델보다 엔드투엔드로 약 5배 빠르다고 보고한다. 40을 6으로 나눈 값보다 작은 까닭은 전체 생성 시간에 모델 로딩과 인코딩·디코딩 등 스텝 수 이외의 작업도 있기 때문이다. 다만 이 비율은 제작자의 측정 결과다. 카드 자체도 작은 글씨가 빽빽한 이미지와 복잡한 편집에서는 기본 모델이 앞선다고 적고, 2K 출력의 품질 비교는 육안 평가이며 관련 정량 수치는 2K에서 측정하지 않았다고 밝힌다. 카드의 96개 요청 자체 평가를 독립적인 표준 벤치마크로 확대 해석해서는 안 된다. Viggle 모델 카드

또한 Viggle LoRA는 단순히 40 → 6으로 스텝 숫자만 줄여 쓰는 것이 아니다. 제작자가 지정한 6스텝 sigma 배열과 별도 스케줄러 설정을 함께 쓰도록 안내한다. 기본 스케줄을 임의로 바꾸거나 여러 LoRA를 겹치면 모델 카드의 결과를 재현할 수 없다. ComfyUI용 커스텀 노드도 제공하지만 제작자는 포트의 덜 흔한 환경은 충분히 시험하지 못했다고 명시한다. Viggle 사용 규칙·한계

Z-Image-Turbo의 8 NFE도 ‘모든 기기에서 수 초’라는 뜻은 아니다. 카드가 언급한 초저지연 수치는 기업용 H800 GPU 조건이며, 소비자 기기에서는 16GB VRAM에 맞는다는 별도의 설명을 한다. 장치·해상도·정밀도·오프로딩 여부에 따라 속도와 피크 메모리는 달라진다. 공식 예시는 메모리 제약을 위해 CPU 오프로딩을 선택할 수도 있다고 안내하지만, 이를 켜면 속도와 메모리 사이에 교환관계가 생긴다. Z-Image-Turbo 모델 카드

3. ‘저메모리·통합 메모리에서 원활’은 아직 조건문이다

Viggle 카드의 ComfyUI 예시는 int8 기본 변환 모델, int8 텍스트 인코더, LoRA, 프롬프트 보강기를 모두 유지한 상태에서 1248×832 이미지의 피크 VRAM이 26GB였다고 적는다. 이는 한 구성의 실제 보고값이지 모든 설정의 최소 요구량은 아니지만, “LoRA가 작으니 적은 메모리만 있으면 된다”는 추론은 틀리다. 원문이 말하는 Mac 통합 메모리나 저사양 환경에 같은 처리량이 나온다는 근거도 이 카드에는 없다. Viggle ComfyUI 문서

Qwen 기본 모델 카드는 메모리 최적화 수단으로 CPU 오프로딩을 보여준다. 메모리가 부족할 때 실행 가능성을 높이는 방법이지만, CPU↔GPU 이동 때문에 생성 시간은 달라질 수 있다. 따라서 Mac과 NVIDIA GPU를 하나의 성능 문장으로 묶지 말고 모델 변형·정밀도·해상도·실제 피크 메모리·첫 생성 시간을 각각 측정해야 한다. Qwen 공식 모델 카드

flowchart TD
    A["기기와 메모리 한도"] --> B["모델 계열·가중치 형식 선택"]
    B --> C["해상도·스텝·보조 모델 고정"]
    C --> D["피크 메모리·첫 생성 시간 측정"]
    D --> E{"메모리 부족?"}
    E -->|"예"| F["오프로딩·정밀도 재설정"]
    F --> D
    E -->|"아니오"| G["품질·후속 생성 시간 비교"]
    classDef inputTone fill:#c5dcef,stroke:#54789e,color:#333;
    classDef processTone fill:#e0c8ef,stroke:#9275ac,color:#333;
    classDef checkTone fill:#fde8c0,stroke:#bd9454,color:#333;
    classDef retryTone fill:#ffc8c4,stroke:#ad706c,color:#333;
    classDef resultTone fill:#c0ecd3,stroke:#5a9d75,color:#333;
    class A inputTone;
    class B,C processTone;
    class D,E checkTone;
    class F retryTone;
    class G resultTone;

4. 오프라인·콘텐츠 정책·라이선스는 속도와 별개다

로컬 추론은 오프라인 운용을 가능하게 할 수 있지만, 처음부터 인터넷이 불필요하다는 뜻은 아니다. 가중치·코드·의존성을 먼저 받아야 하고, 선택한 런타임이나 프롬프트 보강기가 외부 서비스를 쓰는지도 확인해야 한다. “네트워크를 끈 상태에서 입력부터 저장까지 완료된다”는 것은 설치 후 직접 테스트할 운영 조건이지 모델 이름으로 보증되는 기능이 아니다.

원문의 ‘무검열·기본 NSFW 지원’ 역시 검증된 공식 기능이나 무제한 사용 허가로 읽어서는 안 된다. 로컬 실행과 호스팅 서비스의 요청 검토 경로는 다르지만, 모델의 동작·출력 품질·배포 환경의 정책은 별개다. 특히 Qwen-Image-2.1과 Viggle 파생 모델에는 Qwen Research License가 적용된다. 공식 라이선스는 연구·평가 목적의 비상업적 사용만 허용하고, 상업적 이용에는 별도 라이선스를 요구한다. 반면 Z-Image-Turbo 모델 카드의 라이선스 표기는 Apache-2.0이다. 제작·배포 목적이라면 속도만큼 이 차이도 먼저 검토해야 한다. Qwen 라이선스, Viggle 라이선스 설명, Z-Image-Turbo 카드

실전 적용 포인트

작업을 먼저 정한다. Qwen 기반 편집·투명 이미지·다중 참조가 필요하면 기본 모델과 Viggle의 지원 범위를 확인한다. 텍스트 기반의 빠른 이미지 생성이 우선이면 Z-Image-Turbo를 별도로 시험한다.
버전과 실행 구성을 고정한다. Viggle은 v0.2.1 LoRA뿐 아니라 권장 스케줄러·sigma 설정까지 기록한다. 6패스 수치만 떼어 비교하지 않는다.
같은 조건으로 잰다. 프롬프트·시드·해상도·출력 장수·메모리 최적화·첫 요청과 후속 요청을 고정해 시간, 피크 메모리, 글씨·인물·복잡한 편집 품질을 본다.
오프라인 여부를 실제로 시험한다. 설치 후 네트워크를 끊고 프롬프트 보강·저장·후처리까지 동작하는지 확인한다.
라이선스와 운영 책임을 별도로 확인한다. Qwen/Viggle과 Z-Image-Turbo의 이용 조건을 구분하고, 로컬이라는 이유로 모든 콘텐츠와 사용 방식이 자동 허용된다고 판단하지 않는다.

핵심 요약

Viggle Turbo는 Qwen-Image-2.1의 LoRA 증류 어댑터다. 제작자 설명은 40스텝 기본 모델 대비 약 5배 엔드투엔드 속도, 권장 6패스다.
Z-Image-Turbo는 별도 6B 모델로 8 NFE를 사용한다. 예제의 num_inference_steps=9는 실제 DiT 계산 8회에 해당한다.
Viggle의 작은 LoRA 파일 크기는 전체 모델 메모리 요구량이 아니다. 2K 화질, Mac 통합 메모리, 저사양 속도는 각 환경에서 별도 검증해야 한다.
Qwen/Viggle의 비상업적 연구 라이선스와 Z-Image-Turbo의 Apache-2.0은 중요한 선택 기준이다.

결론

원문이 소개한 두 경량 생성 경로는 모두 흥미롭지만, 가속 방식부터 다른 모델이다. Viggle의 장점은 기존 Qwen 파이프라인을 더 적은 패스로 쓰는 데 있고, Z-Image-Turbo는 독립적인 8 NFE 생성 모델이다. 마케팅 숫자보다 실제 작업의 품질·피크 메모리·엔드투엔드 시간·라이선스를 함께 비교해야 로컬 이미지 생성이 진짜로 편해진다.