Radeon 780MでQwen-Image-2.1を試す：生成速度とRGBAスプライト

以前のQwen-Image-2512のテストで、Radeon 780Mでも20B級の画像モデルが動くことは確かめた。ただ、1024x1024の画像を1枚作るのに約20分かかる。

Qwen-Image-2.1は2512よりずっと小さいモデルで、透明背景の出力に標準で対応している。ComfyUI 0.37.2ならそのまま使える。同じミニPCで、同じ5つのプロンプトを512x768と1024x1024で生成した。設定は25ステップのEulerで、シードも固定している。

2.1は512x768で約9.3倍、1024x1024で約5.5倍速かった。このミニPCで、背景除去を別に通さずに使えるRGBAスプライトが出たのも今回が初めてだ。

使った機材とモデル

これまでと同じGMKtec K8 Plusを使った。Ryzen 7 8845HS、Radeon 780M（gfx1103）、共有DDR5 32GBで、単体GPUは積んでいない。ComfyUIはComfyUI-TheRock経由で動かしていて、HIP版のPyTorchが内蔵GPUを直接使う。

設定はComfyUI 0.37.2、25ステップ、Euler/simple、シード固定で統一した。モデルファイルの構成は下の表にまとめた。

	Qwen-Image-2512	Qwen-Image-2.1
Diffusion model	Q4_K_M GGUF、12.34GB	int8 convrot、6.76GB
Text encoder	Qwen2.5-VL fp8、8.74GB	Qwen3-VL int8、8.71GB
VAE	0.24GB	0.63GB
ディスク上の合計	21.32GB	16.10GB

2.1のウェイトはComfy-Orgの再パッケージ版を使った。ComfyUIの公式ワークフローには、モデルの配置と透明画像用のプロンプト例が載っている。リンク先は公式テンプレートで、今回の計測に使ったワークフローそのものではない。

ベンチマーク

プロンプトは5つ用意した。暖色のデスクランプ、ちび騎士のゲームスプライト、夕暮れの日本の路地、文字ラベル入りのリンゴ、透明背景の赤いポーションスプライトだ。両モデルを両解像度で回したので、全部で20枚になる。プロンプトの全文、シード値、計測に使ったワークフローJSONは掲載していない。下の表は今回の実行結果で、同条件での完全な再現に必要な情報は揃っていない。

下の表の時間は、ジョブを投げてからPNGが保存されるまでの実測値だ。モデルのロード、テキストエンコード、VAEデコードも含む。2.1の10枚中7枚は通常のVAEデコードを使い、クラッシュ後の3枚はタイル分割してデコードした。2.1の平均値には両方が含まれる。

プロンプト	2512 512x768	2.1 512x768	2512 1024²	2.1 1024²
デスクランプ	16.3分	1.6分	22.5分	4.3分
ちび騎士	14.0分	1.6分	22.3分	3.9分
夕暮れの路地	14.0分	1.5分	22.7分	3.9分
リンゴのラベル	14.0分	1.6分	22.8分	4.5分
RGBAポーション	14.0分	1.5分	22.9分	4.1分
平均	14.5分	1.6分	22.6分	4.1分

10枚の合計は、2512が185.4分、2.1が28.5分だった。512x768でプロンプトを5回直すなら、2.1は8分ほどで終わる。同じ手直しを2512でやると1時間を超える。

画質

2512はスタイル指定をより文字どおりに守った。騎士は完成したゲームイラストのようで、路地の画像には自動販売機、赤い郵便ポスト、屋台、密集した電線が一枚にきっちり収まっている。

2.1は全体に写真寄りで、ランプと路地はよくできていたものの、構図は指定から少し外れた。コンセプトを詰める段階なら、このトレードオフは受け入れられる。512x768なら次の1枚が13分ほど早く出るからだ。

ラベルは両モデルとも、両解像度でAPPLEと780Mを正しく描けた。OCRは使わず目で確認しただけなので、4枚という小さなサンプルでの結果として読んでほしい。

透明度の確認

ポーションのプロンプトでは、透明背景のRGBA画像をはっきり指定した。2512は両解像度とも、暗い背景で塗りつぶされたRGBのPNGを保存した。ポーション自体はきれいだが、スプライトにするには背景除去を一度挟む必要がある。

2.1は両解像度でRGBAのPNGを保存し、アルファ値は0から255までフルに使われていた。透明な部分はファイルにそのまま入っているので、後からクロマキーで抜く作業はいらない。

ポーション画像のPNGには透明度の情報が入っている。スプライトアトラスやUIのレイヤーへ置く際に、背景除去を別途かける必要はない。異なる背景に重ねたときの輪郭の見え方は、まだ確認していない。

なお、2.1のワークフローはどのプロンプトでもRGBAで保存する。リンゴのラベル画像では、画素の8〜18%が半透明で、アルファ値の最小は241だった。スプライト以外の用途では、単色の背景に合成してから使ったほうが安全だ。

VAEデコード中のクラッシュ

最初の2.1の実行は途中で止まった。17ジョブを終えたあと、残りの1024²ケースのVAEデコード中にComfyUIのプロセスが落ちた。サンプリングは終わっていて、潜在表現をピクセルに戻す段階でクラッシュしている。

リカバリーでは、デコードノードだけをVAEDecodeTiledに差し替え、タイル512ピクセル、オーバーラップ64ピクセルに設定した。これで未完了だった3ケースも最後まで通った。2.1の10件のうち7件は通常のデコード、3件はタイルデコードで測っているので、2.1の数字はその混在込みのワークフロー時間として見てほしい。

内蔵GPUでは、VAEデコードも他の処理と同じ共有メモリを使う。拡散ステップが収まっても、デコードでメモリが足りなくなることがある。ベンチマーク用のスクリプトは、今は2.1のジョブすべてでタイルデコードを使っている。

どちらを使うか

今回の画像では、2512のほうが指定したスタイルと構図に近かった。再生成には計測した範囲で1枚約14〜23分かかった。

780Mで実用的なのは2.1のほうだ。512x768なら1枚2分かからないので、スタイルがずれたプロンプトを回し直す負担は小さい。

この記事のOGP画像の背景も、Qwen-Image-2.1で生成した。1216x640、25ステップでシードを変えて2枚作り、1枚あたり3.3〜3.4分で終わった。OGP画像のワークフローの記事で使った2512の背景は、20ステップで平均15分45秒かかっている。左側にタイトルを置く余白が広いほうを選んだ。2.1の出力はRGBAだったので、タイトルを重ねる前にRGBへ変換している。