Nunchaku Flux.1 Schnell

🚀 nunchaku-flux.1-schnell模型

本倉庫包含 FLUX.1-schnell 的Nunchaku量化版本，旨在根據文本提示生成高質量圖像。它在保持性能損失最小的同時，針對高效推理進行了優化。

⚠️ 重要提示

本倉庫已遷移至 https://huggingface.co/nunchaku-tech/nunchaku-flux.1-schnell，並將於2025年12月隱藏。

🚀 快速開始

本倉庫提供了基於文本生成高質量圖像的模型，通過量化技術在保證性能的同時提升推理效率。下面為你介紹模型的詳細信息及使用方法。

✨ 主要特性

• 高質量圖像生成：能夠根據文本提示生成高質量的圖像。
• 高效推理：經過量化優化，在推理時能保持高效。
• 多版本支持：提供針對不同GPU類型的量化模型版本。

📚 詳細文檔

模型詳情

模型描述

模型文件

• svdq-int4_r32-flux.1-schnell.safetensors：SVDQuant量化的INT4 FLUX.1-schnell模型，適用於非Blackwell GPU（50系列之前）的用戶。
• svdq-fp4_r32-flux.1-schnell.safetensors：SVDQuant量化的NVFP4 FLUX.1-schnell模型，適用於Blackwell GPU（50系列）的用戶。

模型來源

• 推理引擎：nunchaku
• 量化庫：deepcompressor
• 論文：SVDQuant: Absorbing Outliers by Low-Rank Components for 4-Bit Diffusion Models
• 演示：svdquant.mit.edu

使用方法

• Diffusers使用方法：請參考 flux.1-schnell.py。更多高級用法請查看我們的 教程。
• ComfyUI使用方法：請參考 nunchaku-flux.1-schnell.json。

性能表現

引用信息

@inproceedings{
  li2024svdquant,
  title={SVDQuant: Absorbing Outliers by Low-Rank Components for 4-Bit Diffusion Models},
  author={Li*, Muyang and Lin*, Yujun and Zhang*, Zhekai and Cai, Tianle and Li, Xiuyu and Guo, Junxian and Xie, Enze and Meng, Chenlin and Zhu, Jun-Yan and Han, Song},
  booktitle={The Thirteenth International Conference on Learning Representations},
  year={2025}
}