作者简介：刘伟鸿｜英特尔AI创新大使，LLM-Cookbook核心贡献者，DataWhale开源社区成员，深耕AI模型推理优化

开源图像生成模型不断更新，如何让新模型尽快跑在自己的设备上，是开发者关注的实际问题。近期发布的 Qwen-Image 2.1 Turbo 与 MOSS-Image SFT，现已提供基于英特尔开源 AI 工具套件OpenVINO™ 的 ComfyUI 本地部署实践。开发者可以在搭载英特尔GPU的 Windows 设备上运行模型，体验本地图像生成，并进一步探索推理优化与工作流集成。

此次适配覆盖了文本编码器、DiT（Diffusion Transformer）、VAE 及 ComfyUI 专用节点，将模型推理与图像生成流程整合起来。开发者既可以直接使用预转换的 OpenVINO™ 模型，也可以通过配套教程了解部署流程，并在自己的设备上开展实践。

两款模型，适配不同图像生成需求

▪Qwen-Image 2.1 Turbo：关注生成效率

针对 Qwen-Image 2.1 Turbo，提供了适用于英特尔GPU的 OpenVINO™ 优化模型与专用 ComfyUI 工作流。开发者可以直接加载模型，生成 512 × 512 或 1024 × 1024 图像，并根据自己的设备测试不同分辨率下的运行表现。

▪MOSS-Image SFT：探索更灵活的生成控制

MOSS-Image SFT 同样支持通过 OpenVINO™ 在英特尔GPU上运行。除了自然语言提示词，还可以尝试 JSON Layout 等输入方式，探索更具结构化的图像生成流程。配套实践也覆盖了分辨率切换时的组件复用优化，帮助开发者了解如何减少重复的模型准备开销。

实测数据：看看模型在英特尔GPU上跑得如何

我们分别在英特尔锐炫™ Pro B70 GPU（B70）和第三代英特尔酷睿™ Ultra 处理器 （B390）平台上，对两款模型进行了端到端工作流测试。下表展示模型完成首次准备后，在同一进程、相同分辨率下后续运行的耗时中位数。

注：以上为指定软硬件配置下的端到端热运行耗时，覆盖文本编码、DiT 推理与 VAE 解码等生成环节，并非单独的模型推理耗时。数据为相同进程、相同分辨率下后续运行的耗时中位数。两款模型的生成参数与采样步数不同，不宜直接横向比较性能。实际结果会因设备配置和运行环境而异。

模型	Intel GPU	512 × 512图	1024 × 1024图
Qwen-Image 2.1 Turbo	B70	2.0 秒	8.1 秒
Qwen-Image 2.1 Turbo	B390	5.6 秒	29.0 秒
MOSS-Image SFT	B70	16.4 秒	69.9 秒
MOSS-Image SFT	B390	42.0 秒	212.7 秒

▪实测中还有两个值得关注的现象：

首次运行与后续运行存在差异。 首次运行需要进行模型准备；后续运行可以利用编译缓存和已加载的模型组件，减少重复开销。因此，评估本地部署效果时，应区分首次运行耗时与稳定运行表现。

分辨率会影响运行时间与资源需求。 从 512 × 512 切换到 1024 × 1024 后，两款模型的完整工作流耗时均有所增加。建议开发者先从较低分辨率开始验证，再结合设备资源和实际应用需求调整生成设置。

查看教程，动手验证并参与技术共创

想了解完整部署过程，或亲自在自己的设备上测试模型表现？欢迎访问 英特尔 Agentic PC 专区 · ComfyUI 专栏(https://modelscope.cn/brand/view/AI_PC?branch=0&tree=4)，查看两款模型的详细教程。

• Qwen-Image 2.1 Turbo：从环境准备、模型加载到图像生成与性能测试。
• MOSS-Image SFT：体验不同输入方式，并探索分辨率切换和组件复用。

欢迎开发者基于自有英特尔GPU设备开展实践，分享生成效果、运行体验与应用场景，提出适配建议和优化思路。期待更多开发者加入技术共创，携手探索端侧AI的更多可能！