Nunchaku 官方宣布，其基于Qwen-Image的四个量化版本模型已正式上线 Hugging Face和魔塔！这些模型专为高效文本到图像生成而优化，尤其在复杂文本渲染方面表现突出。
- Hugging Face：https://huggingface.co/nunchaku-tech/nunchaku-qwen-image
- 魔塔：https://www.modelscope.cn/models/nunchaku-tech/nunchaku-qwen-image
目前支持通过 Diffusers 进行推理，ComfyUI 集成、LoRA 微调支持以及 CPU 卸载功能正在开发中，即将推出。
模型简介
| 项目 | 说明 |
|---|---|
| 开发团队 | Nunchaku |
| 模型类型 | 文本到图像生成（Text-to-Image） |
| 基础模型 | Qwen-Image |
| 量化方法 | SVDQuant |
| 许可证 | Apache-2.0 |
| 适用场景 | 高质量图像生成，尤其擅长包含文字、标志、复杂排版的图像 |
该系列模型通过 SVDQuant 技术进行量化，在将模型压缩至 4-bit 的同时，最大程度保留了原始性能，实现了高保真生成与推理效率的平衡。
模型文件说明
Nunchaku 提供了四种量化配置，适配不同硬件平台：
| 文件名 | 量化类型 | 秩（Rank） | 适用GPU | 特点 |
|---|---|---|---|---|
svdq-int4_r32-qwen-image.safetensors | INT4 | 32 | 非 Blackwell 架构（如 30/40 系列） | 速度快，资源占用低 |
svdq-int4_r128-qwen-image.safetensors | INT4 | 128 | 非 Blackwell 架构 | 质量更高，速度较慢 |
svdq-fp4_r32-qwen-image.safetensors | NVFP4 | 32 | Blackwell 架构（50 系列） | 专为新架构优化 |
svdq-fp4_r128-qwen-image.safetensors | NVFP4 | 128 | Blackwell 架构 | 高质量输出，性能开销更大 |
✅ 提示：秩越高，图像细节和文本准确性越好；秩越低，推理速度越快。可根据硬件条件和生成需求选择合适版本。
🛠 使用方法
1、通过 Diffusers 快速体验
项目提供示例脚本 qwen-image.py，可直接集成到 Hugging Face Diffusers 流程中使用。
2、ComfyUI 支持即将上线
开发者已确认，ComfyUI 节点支持正在开发中，未来将支持可视化工作流调用，便于与 ControlNet、LoRA 等插件协同使用。
其他功能预告
- LoRA 微调支持
- CPU 卸载推理（适用于低显存设备）
- 更多优化脚本与部署指南
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
