vanch ye

[vanch ye @vanchYe]

@JackdeS11 Have you compared the performance difference between the mlx version and using a GPU?

[vanch ye @vanchYe]

@LogKurumi17154 @atomic_chat_hq I didn't create a quantized version because when I tested the quantized quality and speed with Qwen Image 2.1 (non-Turbo) before, they were both inferior to the BF16 version. So this time, I didn't quantize the Turbo version.

[vanch ye @vanchYe]

@CuiMao Mac用��可以看我这个，无审核的版本https://t.co/hDrHZ7yTdM

[vanch ye @vanchYe]

@trenchplanet @0x0SojalSec Almost 32G

[vanch ye @vanchYe]

@QwenDevs I ported Qwen-Image-2.1-Turbo to native mflux MLX BF16 for Mac (Apple Silicon), paired with the uncensored Heretic text_encoder and FP32 VAE:
https://t.co/hDrHZ7yTdM

Fixed official 8-step sample_sigmas in mflux. Generates 832x1248 portraits in 54s on M3 Max.

[vanch ye @vanchYe]

@liyue_ai Mac 已经有无审核的本地版本了。我把官方 Turbo 转成了 mflux MLX BF16 ���式，整合了无审核的 Heretic 的 text_encoder，已上传到 Hugging Face：
https://t.co/hDrHZ7yTdM

支持 8 步文生图和图编辑，并修复了官方 sample_sigmas 采样调度。

[vanch ye @vanchYe]

工程实现与本地实测（M3 Max 128GB）：
官方 Turbo 在配置文件写死了 8 步 sample_sigmas。直接套用通用 linear scheduler 会打乱节点导致发丝泛白起噪。在 mflux 补上 qwen_turbo 调度逻辑后彻底解决。
832×1248 人像生成 54.27 秒；1024×1024 静物文字 56.75 秒；图像换装编辑 82.96 秒。

[vanch ye @vanchYe]

我把官方 Qwen-Image-2.1-Turbo 转成了 Mac 本地跑的 mflux MLX BF16 模型，已传到 Hugging Face：
https://t.co/hDrHZ7yTdM

模型保留官方 DiT 与 FP32 VAE，使用的是无审核的 Heretic 的 text_encoder。支持 8 步文生图与图编辑。配图附输入原图及与 Viggle 6 步实测对比。

[vanch ye @vanchYe]

我把官方开源的 Qwen-Image-2.1-Turbo 转换成了 Mac 本地运行的 mflux MLX BF16 模型，已经上传到 Hugging Face：
https://t.co/rCVMBEdsV4

模型保留了官方 Qwen-Image-2.1-Turbo DiT 与 FP32 VAE，使用的是无审核的 Heretic 的 text_encoder。支持 8 步文生图、单图编辑和多图参考换装。

工程实现上的难点在调度器。官方 Turbo 在配置文件里写死了 8 步专用的 sample_sigmas。直接套用 mflux 通用 linear scheduler 时，时间位移公式会打乱这组节点，导致发丝泛白起噪、皮肤失去质感。我在 mflux 源码里补充了 qwen_turbo 调度逻辑，把官方 sample_sigmas 逐点对齐到采样链，彻底解决了边缘发白和噪点问题。

在 M3 Max 128GB 上跑本地测试：
832×1248 复杂人像生成耗时 54.27 秒。
1024×1024 密集静物与黑板文字排版耗时 56.75 秒。
基于原图的换装与古典花园重光照编辑耗时 82.96 秒。

配图附上了编辑输入的基准原图，以及官方 Turbo 8 步与两款 Viggle Turbo LoRA 6 步在同种子下的对比。官方 Turbo 在逆光发丝微高光、皮肤纹理和图像编辑的五官保真度上表现最稳，Viggle r256 在 6 步下兼顾了速度与画质。

[vanch ye @vanchYe]

我把官方开源的 Qwen-Image-2.1-Turbo 转换成了 Mac 本地运行的 mflux MLX BF16 模型，已经上传到 Hugging Face：
https://t.co/rCVMBEdsV4

模型保留了官�� Qwen-Image-2.1-Turbo DiT 与 FP32 VAE，使用的是无审核的 Heretic 的 text_encoder。支持 8 步文生图、单图编辑和多图参考换装。

工程实现上的难点在调度器。官方 Turbo 在配置文件里写死了 8 步专用的 sample_sigmas。直接套用 mflux 通用 linear scheduler 时，时间位移公式会打乱这组节点，导致发丝泛白起噪、皮肤失去质感。我在 mflux 源码里补充了 qwen_turbo 调度逻辑，把官方 sample_sigmas 逐点对齐到采样链，彻底解决了边缘发白和噪点问题。

在 M3 Max 128GB 上跑本地测试：
832×1248 复杂人像生成耗时 54.27 秒。
1024×1024 密集静物与黑板文字排版耗时 56.75 秒。
基于原图的换装与古典花园重光照编辑耗时 82.96 秒。

配图附上了编辑输入的基准原图，以及官方 Turbo 8 步与两款 Viggle Turbo LoRA 6 步在同种子下的对比。官方 Turbo 在逆光发丝微高光、皮肤纹理和图像编辑的五官保真度上表现最稳���Viggle r256 在 6 步下兼顾了速度与画质。

[vanch ye @vanchYe]

我把官方开源的 Qwen-Image-2.1-Turbo 转换成了 Mac 本地运行的 mflux MLX BF16 模型，已经上传到 Hugging Face：
https://t.co/rCVMBEdsV4

模型保留了官方 Qwen-Image-2.1-Turbo DiT 与 FP32 VAE，使用的是无审核的 Heretic 的 text_encoder。支持 8 步文生图、单图编辑和多图参考换装。

工程实现上的难点在调度器。官方 Turbo 在配置文件里写死了 8 步专用的 sample_sigmas。直接套用 mflux 通用 linear scheduler 时，时间位移公式���打乱这组节点，导致发丝泛白起噪、皮肤失去质感。我在 mflux 源码里补充了 qwen_turbo 调度逻辑，把官方 sample_sigmas 逐点对齐到采样链，彻底解决了边缘发白和噪点问题。

在 M3 Max 128GB 上跑本地测试：
832×1248 复杂人像生成耗时 54.27 秒。
1024×1024 密集静物与黑板文字排版耗时 56.75 秒。
基于原图的换装与古典花园重光照编辑耗时 82.96 秒。

配图附上了编辑输入的基准原图，以及官方 Turbo 8 步与两款 Viggle Turbo LoRA 6 步在同种子下的对比。官方 Turbo 在逆光发丝微高光、皮肤纹理和图像编辑的五官保真度上表现最稳，Viggle r256 在 6 步下兼顾了速度与画质。

[vanch ye @vanchYe]

我把官方开源的 Qwen-Image-2.1-Turbo 转换成了 Mac 本地运行的 mflux MLX BF16 模型，已经上传到 Hugging Face：
https://t.co/rCVMBEdsV4

模型保留了官方 Qwen-Image-2.1-Turbo DiT 与 FP32 VAE，使用的是无审核的 Heretic 的 text_encoder。支持 8 步文生图、单图编辑和多图参考换装。

工程实现上的难点在调度器。官方 Turbo 在配置文件里写死了 8 步专用的 sample_sigmas。直接套用 mflux 通用 linear scheduler 时，时间位移公式会打乱这组节点，导致发丝泛白起噪、皮肤失去质感。我在 mflux 源码里补充了 qwen_turbo 调度逻辑，把官方 sample_sigmas 逐点对齐到采样链，彻底解决了边缘发白和噪点问题。

在 M3 Max 128GB 上跑本地测试：
832×1248 复杂人像生成耗时 54.27 秒。
1024×1024 密集静物与黑板文字排版耗时 56.75 秒。
基于原图的���装与古典花园重光照编辑耗时 82.96 秒。

配图附上了编辑输入的基准原图，以及官方 Turbo 8 步与两款 Viggle Turbo LoRA 6 步在同种子下的对比。官方 Turbo 在逆光发丝微高光、皮肤纹理和图像编辑的五官保真度上表现最稳，Viggle r256 在 6 步下兼顾了速度与画质。

[vanch ye @vanchYe]

@lxfater 本地模型要示例使用主要还是看prefill速度，日常使用输入大，输出小，本地模型大部分测试的还是短提示词的decode速度，参考价值不大

[vanch ye @vanchYe]

@jlxc2001 先用导热硅胶把热量导到底部，再使用半导热散热对准位置，效果会更好。只要在中间核心区域加就好了，我后面把两侧的去掉了

[vanch ye @vanchYe]

ABC 记谱法在 YuE2 里确实很好玩，改几个音符或者和弦标记，后级声学模型生成的声音就会跟着变。

如果你在 Mac 上跑，可以试试我做的原生 MLX 移植 mlx-Yue。代码完全脱离了 PyTorch，保留了传入自定义 ABC 记谱生成全曲和伴奏的模式，也集成了把任意音频转写成 ABC 乐谱的转录工具。

8 步模式下本地生成整首歌大概���分多钟，改谱调试起来不需要等很久。

代码在 GitHub：https://t.co/Tth4M4qS6s
也有在线试听页：https://t.co/jxzsmpQZjt

[vanch ye @vanchYe]

用 Mac 的话不用找 24GB 显存的 N 卡，我做了一套 Apple Silicon 的原生 MLX 移植版 mlx-Yue。

推理全程��在 MLX 和 Metal 上，完全脱离了 PyTorch 依赖。自回归层做了 8bit 量化，整曲生成时的进程物理内存峰值在 11GB 左右，16GB 或 32GB 的 MacBook 就能在本地跑完整首歌。

官方支持的五种生成模式和 ABC 谱面编辑都保留了，8 步快速模式下生成 3 分半的整曲用时两分多钟。

项目地址与试听：
GitHub: https://t.co/Tth4M4qS6s
网页试听: https://t.co/jxzsmpQZjt
量化模型: https://t.co/0VQQ8yd0xt

[vanch ye @vanchYe]

@C_of_Creativity 検証ありがとうございます！Transformers 5.10.4への更新、macOS 15の誤判定と新規インストールの不具合を修正しました。生成用42依存の再スキャンは既知脆弱性0件、整曲生成も再確認。M3 Ultraでの再テストもぜひお願いします。
https://t.co/wWrmkR60ls

[vanch ye @vanchYe]

AuK's unified speech generation & editing architecture is truly groundbreaking!

For Mac users who want to run AuK locally without Linux/CUDA setups, we've open-sourced MLX-AuK:
🍎 Native Apple Silicon MLX port (Metal accelerated)
⚡ 4-step Flash (<1.0s latency) & 32-step Base
📦 8-bit quantized: 5.7GB down to 0.56GB
🎧 Full 62 official demo tasks reproduced on our 4-track comparison board:
https://t.co/K3YU9OiZjm
GitHub: https://t.co/PCQAIVgcAn