RTX PRO 6000, Qwen-Image-2.1'i görüntü başına 9,4 saniyede, native 2K'da 52 saniyede çalıştırıyor

Ne test edildi

Bir dev.to değerlendirmesine göre, 24 Eylül'de tek bir NVIDIA RTX PRO 6000 Blackwell Server Edition üzerinde, resmi Diffusers pipeline'ı (QwenImage21Pipeline) aracılığıyla sabit seed'li 15 prompt çalıştırıldı. Kart PyTorch'a 95,0 GiB bellek bildirdi; test 580.105.08 sürücüsü, PyTorch 2.11.0+cu128 ve CUDA runtime 12.8 ile yapıldı. Her üretim, quantization, model sharding veya CPU offload olmadan BF16'da, 40 çıkarım adımı ve 1 batch boyutuyla gerçekleştirildi.

Qwen-Image-2.1; metinden görüntüye üretimi, görüntü düzenlemeyi, çok dilli tipografiyi, native 2K çıktıyı ve RGBA şeffaflığını tek bir modelde birleştiriyor ve prompt seti tüm bunları exercise etmek üzere seçildi: İngilizce ve iki dilli tabelalar, portre ve ürün fotoğrafçılığı, mimari, manzara, illüstrasyon, şeffaf bir varlık (asset) ve doğrudan bir 2048 × 2048 render. Yazar, hiçbir prompt'un daha elverişli bir çıktı elde etmek için yeniden çalıştırılmadığını belirtiyor.

Rakamlar

• Yaklaşık 1 megapiksellik on dört görüntü ortalama 9,378 saniye sürdü (aralık 9,271 ile 9,524 saniye, medyan 9,375 saniye), ortalama en yüksek ayrılan GPU belleği 36,801 GiB oldu.

• Tek native 2048 × 2048 render 52,021 saniye sürdü ve 56,516 GiB ile zirve yaptı.

• 15 isteğin tamamı bir out-of-memory veya CUDA hatası olmadan tamamlandı.

• Warm-cache pipeline yüklemesi 4,427 saniye sürdü ve set genelinde toplam üretim süresi 183,317 saniye oldu.

• Ölçülen sıralı hızla yazar, orchestration, dosya I/O, güvenlik incelemesi, yeniden denemeler veya yükleme ek yükü hesaba katılmadan, GPU-saatte 1 MP için yaklaşık 384 görüntü tahmin ediyor.

Bellek rakamları, üretim başına PyTorch'un en yüksek ayrılan belleğidir; reserved bellek veya tüm sistem tüketimi değildir.

Native 2K pratik ama maliyetli

Doğrudan 2K üretim, ayrı bir upscaler olmadan çalıştı ve kartın kapasitesinin içinde kaldı; ancak pikselin yaklaşık dört katı için 1 MP grubuna kıyasla yaklaşık 1,54 kat bellek ve 5,55 kat zaman maliyetine yol açtı. dev.to değerlendirmesi, 2K sonucunun normal görüntüleme boyutunda tutarlı ve zengin dokulu olduğunu, su lekeleri, pencere çerçeveleri ve malzeme geçişlerinin %100 yakınlaştırmada bile korunduğunu; yine de birkaç korkuluk yolunun ve küçük yapısal birleşim noktalarının fiziksel olarak ikna edici olmadığını buldu.

Tipografi ve şeffaflık ayakta kaldı

Dört prompt açıkça render edilmiş metin gerektiriyordu ve bu sabit seed'li çalışmada dördü de istenen kelimeleri doğru yazdı. Yazar bunu bilinçli olarak bir metin doğruluğu iddiası değil, dört gözlemlenen örnek olarak çerçeveliyor. İki dilli bir dükkân tabelası, istenen iki satırı iki dilde ve istenen sırada render etti; İngilizce bir neon tabela ise görüntünün üzerine düz oturmak yerine dükkân cephesinin perspektifini takip etti.

Ancak tipografi doğruluğu içerik doğruluğunu garanti etmedi: Eğitici bir infografik her etiketi doğru yazdı (“CLOUD”, “RAIN”, “SOIL”, “RIVER”), ancak bulut paneli zaten yağmur gösteriyordu ve ilk iki aşama arasındaki ayrımı bulanıklaştırıyordu. Her şey prompt'a da uymadı; tepeden görünüm isteyen bir yemek editoryalı, 45 derecelik bir üst açıya daha yakın çıktı.

Şeffaf örnek gerçek bir alpha channel taşıyordu: 1.048.576 pikselden 989.473'ü tamamen opak değildi. Bu, görüntünün içine boyanmış beyaz veya dama deseni bir arka plan yerine gerçek şeffaflığı doğruluyor; bu da birçok görüntü üretecinin kesilmiş görüntüleri taklit ettiği asset pipeline'ları için önemli.

Testin size söylemediği şeyler

Yazar, bu rakamların evrensel bir model benchmark'ı değil, tek bir yapılandırmayı tanımladığı konusunda açık. Batching, azaltılmış adım planları, quantization, CPU offload ve alternatif inference runtime'ları test edilmeden bırakıldı. Ayrıca bir lisanslama kısıtı var: Qwen-Image-2.1, Qwen Research License Agreement kapsamında dağıtılıyor ve modeli ayrı bir ticari lisans alınmadığı sürece ticari olmayan araştırma veya değerlendirmeyle sınırlıyor.

Neden önemli

96 GB'lık bir workstation GPU'sunu değerlendiren uygulayıcılar için bu, yerel dağıtımı tahmin işi olmaktan çıkarıp bir maliyet hesabına dönüştürüyor. Model, yaklaşık 37 ile 57 GiB arasındaki en yüksek bellek ayırmalarıyla tam BF16'da çalışıyor ve batching veya daha büyük çözünürlükler için önemli bir pay bırakıyor; 1 MP'deki GPU-saatte ~384 görüntü rakamı doğrudan kapasite planlamasında kullanılabilir. Native 2K'nın süper-lineer zaman maliyeti, ekiplere yüksek çözünürlükte üretme ile 1 MP'de üretip sonra upscaling arasında seçim yapmak için somut bir temel veriyor. Doğrulanan alpha channel, üretim asset çalışmalarında görüntü üretimindeki yaygın bir zayıflığı ele alıyor ve tipografi sonuçları — küçük bir örnek olsa da — İngilizce dışında da ayakta kalan bir metin render'ına işaret ediyor. Ticari olmayan lisans ise hiçbir miktarda GPU belleğinin çözemeyeceği kısıt olmaya devam ediyor.