우리 comfy-pool 이미지 생성 실측: z-image vs qwen-image

우리 comfy-pool 이미지 생성 실측: z-image vs qwen-image는 우리 ai-server(Hax) 스택에서 직접 측정한 운영 수치를, 숫자 나열이 아니라 그 수치가 실제 의사결정에 어떤 뜻인지까지 풀어 설명하는 실측 회고다. 로컬 AI를 처음 다루는 독자라도 이 글 하나로 '이 숫자를 보고 무엇을 결정하면 되는가'를 5분 안에 잡을 수 있게 구성했다.

이 수치가 의미하는 것#

같은 1024px 콜드 생성에서 z-image-turbo가 qwen-image보다 약 12.2배 빠르다(6초 vs 73초). 즉, 반복 프리뷰·썸네일엔 z-image로 회전율을 확보하고 최종 품질 컷에만 qwen-image를 쓰는 워크플로 분기가 데이터로 정당화된다.

어떻게 측정했나 (재현 조건)#

이 수치들은 공개 스펙이나 마케팅 값이 아니라 아래 조건에서 우리가 직접 잰 값이다. 측정 조건을 함께 적는 이유는, 조건이 바뀌면 숫자도 바뀌기 때문이다 — 콜드 스타트인지 워밍업 후인지, 배치 크기가 얼마인지, 어떤 하드웨어인지에 따라 같은 모델도 다른 값을 낸다. 그래서 재현 가능한 조건을 명시한다(측정일 2026-06-30):

• RTX PRO 6000 Blackwell ×4 풀, ComfyUI 0.24.0, 1장 콜드 스타트(모델 로드 포함)
• RTX PRO 6000 Blackwell ×4 풀, ComfyUI 0.24.0, 1장 콜드 스타트

숫자 하나만 외우기보다 이 조건과 함께 이해해야, 여러분의 환경에서 '우리는 왜 다른 값이 나올까'를 스스로 진단할 수 있다.

실전에서 어떻게 쓰나#

위 파생 판단은 곧바로 운영 결정으로 이어진다. 핵심은 원수치를 외우는 게 아니라 수치 사이의 관계를 읽는 것이다 — 두 값의 비율, 사용률, 교차검증 결과가 실제로 '무엇을 늘리고 무엇을 아껴야 하는가'를 가리킨다. 우리는 이 방식으로 새 하드웨어를 사기 전에 현재 여유부터 확인하고, 워크플로를 빠른 경로와 품질 경로로 나눈다. 같은 논리를 여러분의 로컬 AI 셋업에도 그대로 적용할 수 있다.

왜 이게 공개 스펙보다 신뢰할 만한가#

제조사 공개 스펙이나 남의 벤치가 아니라 우리 운영 환경에서 실제로 측정한 값이다. 위 표의 모든 숫자는 측정값이며(추정 아님), 측정 날짜와 출처(Hax /data)를 붙였다. AI가 생성한 일반론과 달리, 이 파생 판단은 실측 없이는 만들 수 없다 — 그게 이 글의 차별점이다. 우리 스택 실측값만 사용했고, 내부 토큰·사설 경로 같은 비공개 정보는 노출하지 않았다.

참고: 위 수치는 측정일 2026-06-30 기준 우리 스택 실측값이며, 조건이 바뀌면 갱신한다(측정값만 사용, 추정 없음).

함께 읽기: 로컬 이미지 생성, 2026년 FLUX·SDXL 중 무엇을 골라야 하나?, 로컬 이미지 생성(SDXL·Flux) VRAM·RAM 실측

재현 (직접 측정해 보기)#

이미지 생성 시간은 모델 크기가 아니라 스텝 버짓이 지배한다 — 당신 GPU에서 직접 확인:

import time, torch
from diffusers import DiffusionPipeline
pipe = DiffusionPipeline.from_pretrained("<your-model>", torch_dtype=torch.bfloat16).to("cuda")
for steps in (8, 50):                     # 터보/증류 레인 vs 일반 레인
    t = time.time()
    pipe("a cat", num_inference_steps=steps, width=1024, height=1024).images[0]
    print(f"{steps} steps @1024px: {time.time()-t:.1f}s (cold)")

우리 실측(RTX PRO 6000 ×4·ComfyUI, 콜드): z-image-turbo 8step 6s vs qwen-image 50step 73s ≈ 12×. 당신 값은 다를 수 있으나 배수는 스텝 수를 따라간다 — 원수치는 /data(CC BY 4.0).

참고 링크#

• Hax data