Новый scheduler без новых весов: что проверить, прежде чем ускорять Diffusers

Генерацию в Diffusers можно настраивать без повторного скачивания весов: scheduler задаёт, как обновляется изображение на каждом шаге. Это удобная точка для эксперимента со скоростью и качеством. Но перенос любимого алгоритма из чужого примера начинается с проверки совместимости, а не с обещания красивой картинки за меньшее время.

Сначала — то, что выбрал checkpoint

Для рабочего проекта сохраните исходный scheduler модели как точку отсчёта. В руководстве Diffusers предлагают менять его под конкретный компромисс скорости и качества. Для flow-matching моделей, включая Qwen-Image и Flux, рекомендуется сохранять штатный FlowMatchEulerDiscreteScheduler, если вы не проводите осознанный эксперимент с совместимой заменой.

Простой пример: у вас уже работает генерация иллюстраций, но нужно уменьшить ожидание. Не меняйте одновременно scheduler, число шагов и разрешение. Сначала запишите исходную конфигурацию и решите, что важнее: время ответа или сохранение нужных деталей. Это редакционный порядок проверки, а не измеренное нами ускорение.

Почему одного названия мало

Например, для иллюстраций в каталоге заранее выберите признаки приёмки: предмет целиком помещается в кадр, мелкие детали различимы, композиция сохраняется. После замены сравните эти признаки на тех же заданиях. Так решение опирается на требования проекта, а не на один удачный результат.

В справочнике scheduler видно, что привычное название из другого интерфейса может соответствовать сочетанию класса и параметров. Например, DPM++ 2M SDE Karras в Diffusers задаётся через DPMSolverMultistepScheduler с algorithm_type="sde-dpmsolver++" и use_karras_sigmas=True. Совпадение слова «DPM» ещё не означает одинаковую настройку.

Метод from_config() создаёт объект из конфигурации, но документация прямо требует совместимые классы. Успешное создание объекта само по себе не подтверждает, что выбранный алгоритм подходит вашей модели. Сначала изучите рекомендации checkpoint и API вашей установленной версии.

Короткая проверка перед заменой

В уже загруженном pipeline выполните две строки. Они показывают текущий класс и его конфигурацию; генерацию этот фрагмент не запускает:

print(type(pipeline.scheduler).__name__)
print(dict(pipeline.scheduler.config))

Затем проверьте документацию метода set_timesteps выбранного класса: принимает ли он пользовательские timesteps или sigmas. API FlowMatchEulerDiscreteScheduler описывает эти параметры отдельно. Поддержку нельзя переносить на любой другой scheduler по аналогии. Страницы ветки main относятся к разработке; для обычной установки сверяйте документацию со своей версией пакета.

Практичный критерий выбора: сначала подтверждённая совместимость, затем сравнение времени и приемлемого результата на одной задаче. Сохраните исходный вариант для возврата и меняйте один параметр за раз. Лучший scheduler — тот, который решает вашу задачу в её условиях. Универсального победителя из названия алгоритма не получается.