Qwen-Image-2.1、M5 Maxで1600×672画像を26〜97秒で生成

Qwen DevelopersがXで「見る価値がある」と取り上げたのは、@ivanfioravanti氏によるQwen-Image-2.1のApple Silicon実験だ。M5 Max上でMLX、bf16、独自のMFLUXを使い、1600×672ピクセルの横長画像を生成している。ローカルで画像モデルを動かしたい人にとって、待ち時間とメモリ使用量を同じ条件で見られるのが実用的なポイントだ。

10ステップで約26秒、50ステップで約97秒

固定シードでの生成時間は、10ステップが約26秒、20ステップが約44秒、30ステップが約61秒、40ステップが約79秒、50ステップが約97秒だった。投稿者の内訳では1ステップあたり約1.78秒で、これにモデルの読み込み、プロンプトの符号化、VAEによる画像復号など約8秒の固定時間が加わる。

数字がほぼ直線的に増えるため、試行中は10〜20ステップで構図を確かめ、必要なら後から回数を増やす、といった使い分けを考えやすい。長い横長画像でも、短い試作なら1分を大きく下回るという具体像が見える。

速度だけでなく31GBのメモリも見る

ピークメモリは31GB。ここは生成時間と同じくらい重要だ。今回の値は、空へ折れ上がる街を描く一つのプロンプト、固定シード、独自環境での測定であり、あらゆる画像や設定で同じ速度になるとは限らない。画質の比較結果でもない。

それでも、ステップ数ごとの所要時間と固定コスト、ピークメモリが一緒に示されたことで、Apple Silicon上のローカル画像生成を「動くか」だけでなく「普段の試作に待てるか」で考えられる。まず確認したいのは、最速値よりも31GBを使う処理を自分の環境で無理なく回せるかだ。

参照したX投稿

Qwen Developers（@qwendevs）の元投稿