🚀 nunchaku-flux.1-fill-dev模型卡

本仓库包含FLUX.1 - Fill - dev的Nunchaku量化版本，该模型能够根据文本描述填充现有图像中的区域。它在保持性能损失最小的同时，针对高效推理进行了优化。

🚀 快速开始

本仓库已迁移至https://huggingface.co/nunchaku-tech/nunchaku-flux.1-fill-dev ，并将于2025年12月隐藏。

✨ 主要特性

• 能够根据文本描述填充现有图像中的区域。
• 经过量化处理，在保持性能损失最小的同时，实现高效推理。

📚 详细文档

模型详情

模型描述

• 开发者：Nunchaku团队
• 模型类型：图像到图像
• 许可证：flux - 1 - dev - 非商业许可证
• 量化来源模型：FLUX.1 - Fill - dev

模型文件

• [svdq - int4_r32 - flux.1 - fill - dev.safetensors](./svdq - int4_r32 - flux.1 - fill - dev.safetensors)：SVDQuant量化的INT4 FLUX.1 - Fill - dev模型，适用于非Blackwell GPU（50系列之前）的用户。
• [svdq - fp4_r32 - flux.1 - fill - dev.safetensors](./svdq - fp4_r32 - flux.1 - fill - dev.safetensors)：SVDQuant量化的NVFP4 FLUX.1 - Fill - dev模型，适用于Blackwell GPU（50系列）的用户。

模型来源

• 推理引擎：nunchaku
• 量化库：deepcompressor
• 论文：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：请参阅[flux.1 - fill - dev.py](https://github.com/nunchaku-tech/nunchaku/blob/main/examples/flux.1 - fill - dev.py)。查看我们的[教程](https://nunchaku.tech/docs/nunchaku/usage/controlnet.html#flux - 1 - tools)以了解更多高级用法。
• ComfyUI使用方法：请参阅[nunchaku - flux.1 - fill - dev.json](https://nunchaku.tech/docs/ComfyUI - nunchaku/workflows/t2i.html#nunchaku - flux - 1 - fill - dev - json)。

性能表现

引用格式

@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}
}

归属声明

FLUX.1 [dev]模型由Black Forest Labs Inc.根据FLUX.1 [dev]非商业许可证授权。版权归Black Forest Labs Inc.所有。在任何情况下，Black Forest Labs Inc.均不对因使用本模型而产生的任何索赔、损害或其他责任负责，无论是在合同、侵权或其他诉讼中。

📄 许可证

本模型使用flux - 1 - dev - 非商业许可证。