
ローカルで爆速編集?「mage-flow-edit」シリーズを Flux2とQwenと本気で比較してみた。INT8版も追加
はじめに
画像編集系の生成AIといえば Qwen-Image-Edit や Flux.1 Kontext のような大型モデルが主戦場ですが、ComfyUI界隈で最近話題になっているのが mage-flow-edit シリーズです。今回、たたき台として作った編集テストのワークフローをベースに、実際にどこまで戦えるのかを検証してみました。
比較対象は以下の3系統です。
mage-flow-edit / mage-flow-turbo-edit (BF16)(今回の主役)※
Flux2-Klein 9B(FP8) EDIT(4ステップ)
Qwen-Image-Edit の亜種「Qwen-Rapid(FP8)」(4ステップ)
※turbo版は4ステップ、通常版は20ステップ
画像分析はClaudeにも手伝ってもらい、人力の目視チェックとあわせて客観的な視点を加えています。
mage-flow-editシリーズとは?
Mage-Flow は、2026年7月22日にMicrosoftが発表した、画像生成・編集向けの新しいモデルファミリーです。特徴を一言でいうと、「40億パラメータ級というコンパクトさで、Qwen-Image(20B)やFLUX.2(32B)といった何倍も大きいモデルと同等以上の性能を狙う」という設計思想のモデルです。
技術的な構成としては、大きく2つのコンポーネントの組み合わせでできています。
Mage-VAE:軽量かつ高精度な独自VAE(潜在空間の変換器)。1ステップの拡散処理で画像をエンコード/デコードする方式を採用し、FLUX.2-VAEに匹敵する再構成品質を保ちながら、計算コストを一桁以上削減しているのが売りです。
NR-MMDiT(Native-Resolution Multimodal Diffusion Transformer):Qwen3-VLをテキストエンコーダーとして使う、rectified flow matching方式のTransformerモデル。512〜2048pxまで、しかも4:1のような極端な縦横比まで、1つのチェックポイントでネイティブに対応できるのが特徴です。
このMage-VAE+NR-MMDiTという共通基盤の上に、テキストから画像を生成する「Mage-Flow」と、指示に沿って画像を編集する「Mage-Flow-Edit」という2種類のモデルが用意されており、さらにそれぞれに Base(標準)/RL-aligned(強化学習で調整)/Turbo(4ステップ蒸留版) の3バリエーションが公開されています。今回検証で使った「mage-flow-turbo-edit」は、この中の Mage-Flow-Edit の Turbo版にあたります。
最大の売りは速度です。公式ベンチマークによれば、A100 1枚・1024×1024解像度で、Mage-Flow-Turboは1画像あたり0.59秒、Mage-Flow-Edit-Turboは1回の編集あたり1.02秒という驚異的なレイテンシを実現しているとのこと。メモリ使用量も18〜20GB程度と比較的軽量で、ライセンスもMITと商用利用しやすい形で公開されています。
今回使ったComfyUIワークフローについて
もともとはQwen系のComfyUIワークフローを土台に、専用のUNET・VAE・エンコードノードへ差し替える形で作られたもので、今回はそれをさらに検証用に手を加えて使用しました。今回使用したComfyUIワークフローJSONは記事の最後に添付しています。まずは速度比較(1280×1280生成)
モデル 生成時間 / VRAM使用量
mage-flow-turbo-edit(BF16)(4ステップ) 約11秒 10.6GB
mage-flow-edit(BF16)(20ステップ) 約61秒 10.6GB
Qwen-Rapid(FP8) (4ステップ) 約31秒 15.4GB
Flux2-Klein 9B(FP8)(4ステップ) 約21秒 12.3GB
turbo版は文字通り桁違いの速さです。ただし速度だけ見ても意味がないので、1枚目のテストでまず「turbo版と通常版(20ステップ)にどれだけ画質・編集精度の差があるか」を確認しました。結果、目に見えるほどの差はほぼ無かったため、2枚目以降のテストは mage-flow-turbo-edit のみをmage代表として使用しています。
検証1:オブジェクト除去(時計・モニターを消す)

プロンプト: remove clock, remove monitor
雑然としたデスク上の写真から、時計とモニターを消せるかをテスト。
mage-turbo / mage(20step/CFG5):どちらも時計はそのまま残存。モニターは2台のうち1台のみ消える。turboと通常版でほぼ同じ結果で、ステップ数を上げても精度が向上しない点は興味深いです。違いが無いのでこれ以降は速度のアドバンテージがあるTurboだけ比較しています。
Flux2-Klein:時計の表示(文字盤の数字)は消えたが、時計の筐体自体はうっすら残っている。モニターは2台ともきれいに消去。但しモニター周りの小物やなぜかカレンダーの印刷もごっそり削除しています。
Qwen-Rapid:時計本体・モニター2台とも完全に除去。今回のテストの中では最も指示追従性が高い結果でした。
Claudeによる画像分析: mageの2パターンは背景のテクスチャ(本棚や配線)は自然に破綻なく補完できているものの、指定オブジェクトそのものを消すという「ピンポイントの指示理解」がやや弱い印象です。逆にQwenは細かい指示の追従力に強みがあることが読み取れます。
検証2:文字・ロゴの完全除去(架空CDジャケット)

プロンプト: remove letters and logos
架空のCDジャケット画像から、タイトルロゴやトラックリストなどの文字情報を消せるかを検証。
Flux2-Klein / Qwen-Rapid:一発でほぼすべての文字・ロゴを除去。
mage-flow-turbo:シードを5〜6回変えて試行錯誤したものの、どうしても一部の文字(タイトルロゴなど)が薄く残ってしまう。掲載した画像は複数トライした中でもベストな結果。
Claudeによる画像分析: mage版は文字の輪郭やインクの質感自体を「絵の一部」として認識してしまい、完全な意味的除去よりも簡易的な自然言語補完に寄っている印象を受けました。細かい文字要素を狙い撃ちで消すタスクは、現状のmageシリーズが最も苦戦するジャンルのようです。
検証3:服装チェンジ+被写体追加(登山シーン)

プロンプト: Change the woman's outfit to hiking gear. add a dog near her
ドレス姿で登山者たちの中に立つ女性を、登山装備+犬を連れた姿に変更するテスト。
3モデルとも総じてうまく編集できているという結果に。顔立ちもオリジナルをきちんと引き継いでいました。
Qwen-Rapid:やや引きの構図になり、被写体が全体的に小さく写る傾向。
Flux2-Klein:犬が二匹に増えるアレンジを加える一方で、顔のクオリティがやや落ちる印象。
mage-flow-turbo:構図・顔の一貫性ともにバランスが良く、比較的簡単な「服装+追加要素」系の編集ではmageも十分戦える実力を見せました。
Claudeによる画像分析: 3枚を並べると、mage版は元画像の顔の輪郭・表情をもっとも忠実に保持している一方、Flux2版はディテールがやや簡略化されているのが確認できます。単純な差し替え・追加系タスクはmage-flow-turboの得意分野と言えそうです。
検証4:顔の向き変更+時間帯変更(アニメ調イラスト)

プロンプト: change her face to the viewer, change the day time to the night
横向きで外を眺めるアニメ調キャラクターを、正面向き&夜景に変更するテスト。
Flux2-Klein / Qwen-Rapid:どちらも違和感のない仕上がり。顔が正面を向き、夜空(三日月や星)もしっかり反映。
mage-flow-turbo:夜景への変更はできているものの、髪型が横向きのままで顔だけがこちらを向いてしまうという不自然な結果に。
Claudeによる画像分析: これはmage版の弱点が最も分かりやすく出たケースです。顔のパーツ(目・鼻・口)は正面向きに描き直せているものの、髪の流れという「構造的な整合性」までは連動して更新できていません。頭部の向き自体を変える指示は、現状のmageモデルにはまだ難易度が高いようです。
検証5:ポーズの大幅変更(ボクサー→スクワット)

プロンプト:change to She is doing squats.clasp her hands behind her head.
女性ボクサーがリング上で戦うシーンを、スクワットのポーズに変更。顔の一貫性と構図の破綻がないかをチェックしました。
Flux2-Klein / Qwen-Rapid:どちらもグローブをつけたまま両手を頭の後ろに回してスクワット。ただし顔の角度が変わっているため、厳密には元画像との一貫性はやや崩れています(ポーズが大きく変わる以上ある程度は仕方ない範囲)。
mage-flow-turbo:グローブの形状が溶けたように崩れてしまっている一方、顔の角度自体は変更していないため一貫性は保たれている。ただし女性の立ち位置・構図がやや不自然。さらに複数回生成を試すと、顔の一貫性も安定せず、掲載した画像は「たまたま良い結果が出た1枚」です。
Claudeによる画像分析: mage版はポーズという「大きな構造変化」よりも「顔の角度を変えない」という保守的な出力を選びがちな傾向が見えます。結果として一貫性は保たれる反面、グローブや手の位置といった細部の破綻リスクが上がるトレードオフになっているようです。
検証6:INT8量子化モデルも試してみた
これまでの検証はすべてBF16版(モデルサイズ約8GB)で行ってきましたが、その約半分のサイズになるINT8量子化版も生成しておいたので、あわせて試してみました。
まずVRAM使用量ですが、画像サイズによって7〜9GB程度でした。FP16版が10.6GB程度だったことを踏まえると、思ったほど大きな節約にはなっていません。

肝心の画質は、全体的にFP16版と比べて明確に低下しています。
デスクのオブジェクト削除:FP16版とほぼ同程度の結果
レコードジャケットの文字除去:削除率がかなり下がる
登山服への着せ替え:服装がおかしな仕上がりに、犬が変な物体に
アニメ調イラストの顔変更:正面を向くことすらできない
女性ボクサーのポーズ変更:身体が破綻した画像しか出力できず
VRAM節約効果が限定的な一方で画質低下は大きいため、動作環境にVRAMの余裕があるなら、素直にFP16版を使う方が無難と言えそうです。
結論:mage-flow-editシリーズは「爆速ドラフトツール」として優秀
5つのテストを通して見えてきた傾向をまとめると、こうなります。

Flux2-KleinやQwen-Rapidと比べると、指示追従の精密さでは一歩譲る場面が多いのが正直なところです。特に「文字を消す」「特定物体だけを消す」といったピンポイント指示や、頭部の向きが変わるような構造的な変化を伴う編集は、現状まだ発展途上と言えます。
ただし、服装変更や被写体追加のような比較的シンプルな編集タスクでは、Flux2やQwenに引けを取らないクオリティを、1/2、1/3の時間で出せるのは大きな武器です。ラフ案を大量に出してから良いシードだけ本番モデルで作り直す、といった「下書き&スクリーニング用途」には非常に相性が良いと感じました。
今後turbo版のチューニングが進めば、文字除去やポーズ変更の精度も上がってくる可能性は十分あります。継続してウォッチしていきたいモデルです。
Claudeに画像分析と評価を最初丸投げしたのですが、間違いが多すぎたので公開してからちょこちょこ修正しました。
使用ワークフローについて
今回の検証で使用した mage-flow-turbo-edit のComfyUIワークフロー(Qwen用ワークフローを改造したもの)を添付しました。ダウンロードしてそのまま試すことができますので、興味のある方はぜひ触ってみてください。但し特に熟考して作成したものではないので、HFやCivitaiなどでしっかりしたワークフローが発表されたらそれを使用してください。
comfyuiをアップデートしてもmage対応のノードが入らなくなり、comfyuiを再構築する羽目になりました。検証よりもmage対応のノードを入れるのに苦心していました(笑 手順は下記で回復させましたがインストール方法が違ったりすると、環境が壊れるので同様な症状が出た方はAIと相談しながら回復してください。
ComfyUIのフォルダーに移動してvenv環境へ
git fetch origin
git reset --hard origin/master
git pull origin master
python.exe -m pip install --upgrade pip setuptools wheel
python.exe -m pip install -r requirements.txt --upgrade
ComfyUI フォルダ内にある pycache フォルダがあれば削除
ComfyUI\comfy_pycache_ フォルダも削除
python.exe -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu1** **は自身の環境のCUのバージョンを記入