一、应用介绍

• 图像生成领域：在艺术创作、设计等方面，能快速生成高质量图像。比如设计师在进行概念设计时，原本需要较长时间等待生成的图像，使用该插件后能快速获取，提高设计方案的产出速度。
• 动画制作方面：对于制作动画的团队或个人，在批量生成动画关键帧图像时，可节省大量时间，加快动画制作流程。
• AI研究与开发：研究人员在进行AI图像生成相关实验和开发时，能快速得到结果，便于更快地进行模型迭代和算法优化。

二、与传统方法对比

三、插件下载地址和安装方法

• 下载地址：https://github.com/mit-han-lab/ComfyUI-nunchaku
• 安装方法
  • 方法一：使用ComfyUI Manager
    • 确保已经安装了ComfyUI Manager，启动ComfyUI，点击菜单中的“Manager”。
    • 选择“Custom Nodes Manager”，在搜索框中输入“ComfyUI-nunchaku”。
    • 找到插件后点击“Install”按钮，等待安装完成，重启ComfyUI。
  • 方法二：使用Git命令行
    • 进入ComfyUI的custom_nodes目录。
    • 点击地址栏，输入cmd点确认，在弹出的界面复制代码“git clone https://github.com/mit-han-lab/ComfyUI-nunchaku nunchaku_nodes”并点击确认即可自动安装，安装过程需保持网络畅通。
  • 方法三：手动安装
    • 访问https://github.com/mit-han-lab/ComfyUI-nunchaku，点击绿色的“<>code”按钮，选择“Download ZIP”。
    • 下载后解压，将文件夹复制到ComfyUI的custom_nodes目录，重命名文件夹为“nunchaku_nodes”。

四、需要的模型及下载地址

• 适配模型：Flux-DiT、SDXL等主流模型。
• 下载地址：Huggingface、ModelScope。

五、插件包含的节点名称

• Nunchaku Flux DiT Loader
• Nunchaku FLUX.1 LoRA Loader

六、关键插件参数用途和推荐值

• cache_threshold：控制首块缓存容差，类似于WaveSpeed中的residual_diff_threshold。增加此值可提高速度，但可能会降低质量。推荐值为0.12，设置为0可禁用该效果。
• attention：定义注意力实现方法，可选择flash-attention2或nunchaku-fp16。nunchaku-fp16比flash-attention2快约1.2倍，且不影响精度。对于不支持flash-attention2的Turing GPU（20系列），必须使用nunchaku-fp16。
• cpu_offload：为Transformer模型启用CPU卸载。设置为auto时，它将自动检测可用GPU内存。如果GPU内存超过14GiB，则卸载将被禁用。
• device_id：运行模型的GPU ID，根据实际使用的GPU进行设置。
• data_type：定义反量化张量的数据类型。Turing GPU（20系列）不支持bfloat16，只能使用float16。
• i2f_mode：对于Turing（20系列）GPU，此选项控制GEMM实现模式，有enabled和always等模式。

七、节点工作流参考案例

八、总结

ComfyUI-Nunchaku是一款极具创新性和实用性的插件，专为解决ComfyUI在图像生成等任务中的显存占用高、速度慢等问题而设计。通过先进的4位量化技术和一系列优化措施，它在显存优化、速度提升和生成质量保持上都表现出色，为用户提供了高效、稳定且高质量的图像生成解决方案。与传统方法相比，其优势明显，不仅大大降低了硬件要求，还能在不损失生成质量的前提下显著提高工作效率，对各种主流模型和扩展技术都有很好的兼容性。无论是专业的图像设计师、动画制作人员，还是AI研究开发者，都能从该插件中获得巨大的帮助，是ComfyUI生态中不可或缺的性能优化利器。