💟如何在 ComfyUI 中本地运行 Qwen-Image-2512

在本地设备上使用 ComfyUI 运行 Qwen-Image-2512 的分步教程。

Qwen-Image-2512 是 对 Qwen 文本到图像基础模型的十二月更新。该模型是表现最好的开源扩散模型，本指南将教你如何通过 Unsloth GGUF 和 ComfyUI 在本地运行它。

Qwen-Image-2512 功能：更逼真的人物外观；风景/纹理中更丰富的细节；以及更准确的文本渲染。 上传： GGUF • FP8 • 4 位 BitsandBytes

这些量化使用了 Unsloth 动态 方法，它将重要层提升到更高精度以恢复更多准确性。感谢 Qwen 允许 Unsloth 在第 0 天提供支持。

📖 ComfyUI 教程

运行时不需要 GPU，只需有内存的 CPU 即可。为了获得最佳效果，确保你的可用总内存（RAM + VRAM / 统一内存）大于 GGUF 大小；例如 4 位（Q4_K_M） unsloth/Qwen-Image-Edit-2512-GGUF 为 13.1 GB，因此你应该有 13.2 GB 以上的组合内存。

ComfyUI 是一个开源的扩散模型 GUI、API 和后端，使用基于节点（图/流程图）的界面。本指南将侧重于带有 CUDA 的机器，但在 Apple 或仅 CPU 上构建的说明类似。

#1. 安装与设置

要安装 ComfyUI，你可以在 Windows 或 Mac 设备上下载桌面应用程序 这里。否则，要为运行 GGUF 模型设置 ComfyUI，请运行以下命令：

mkdir comfy_ggufs
cd comfy_ggufs
python -m venv .venv
source .venv/bin/activate

git clone https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

cd custom_nodes
git clone https://github.com/city96/ComfyUI-GGUF
cd ComfyUI-GGUF
pip install -r requirements.txt
cd ../..

#2. 下载模型

扩散模型通常需要 3 个模型。一个变分自编码器（VAE）将图像像素空间编码到潜在空间，一个文本编码器将文本翻译为输入嵌入，以及实际的扩散 transformer。你可以在我们的 合集在此.

找到所有 Unsloth 扩散 GGUF。扩散模型和文本编码器都可以是 GGUF 格式，而我们通常对 VAE 使用 safetensors。根据 Qwen 的仓库，我们将使用 Qwen2.5-VL 而不是 Qwen3-VL。让我们下载将要使用的模型（注意：你也可以在 ComfyUI 中使用我们的 FP8 上传 ）：

cd models

## 扩散模型
curl -L -C - -o unet/qwen-image-2512-Q4_K_M.gguf \
  https://huggingface.co/unsloth/Qwen-Image-2512-GGUF/resolve/main/qwen-image-2512-Q4_K_M.gguf
curl -L -C - -o unet/qwen-image-edit-2511-Q4_K_M.gguf \
  https://huggingface.co/unsloth/Qwen-Image-Edit-2511-GGUF/resolve/main/qwen-image-edit-2511-Q4_K_M.gguf
 
## 文本编码器 + 视觉塔 + VAE   
curl -L -C - -o text_encoders/Qwen2.5-VL-7B-Instruct-UD-Q4_K_XL.gguf \
  https://huggingface.co/unsloth/Qwen2.5-VL-7B-Instruct-GGUF/resolve/main/Qwen2.5-VL-7B-Instruct-UD-Q4_K_XL.gguf
curl -L -C - -o text_encoders/Qwen2.5-VL-7B-Instruct-mmproj-BF16.gguf \
  https://huggingface.co/unsloth/Qwen2.5-VL-7B-Instruct-GGUF/resolve/main/mmproj-BF16.gguf
curl -L -C - -o vae/qwen_image_vae.safetensors \
  https://huggingface.co/Comfy-Org/Qwen-Image_ComfyUI/resolve/main/split_files/vae/qwen_image_vae.safetensors

有关 GGUF 上传的信息请参见： Qwen-Image-2512, Qwen-Image-Edit-2511，以及 Qwen-Image-Layered

如果使用与上述不同的检查点，vae 和扩散模型的格式可能与 diffusers 检查点不同。仅使用与 ComfyUI 兼容的检查点。

这些文件必须放在正确的文件夹中，ComfyUI 才能识别它们。此外，存储在 mmproj 文件中的视觉塔必须使用与文本编码器相同的前缀。

还请下载稍后使用的参考图像：

curl -L -C - -o ../input/sloth1.jpg \
    "https://unsloth.ai/cgi/image/_1d5a5685-2d88-44ca-b50f-ba432cd646ef_9CGCY8lvw4D9JkOdueqsk.jpeg?width=1920&quality=80&format=jpeg"

curl -L -C - -o ../input/sloth2.jpg \
    "https://unsloth.ai/cgi/image/UnSloth_GPU_Front_-_Confetti_ArcSk-MR4MMN215UutOFZ.png?width=1920&quality=80&format=jpeg"

#3. 工作流程与超参数

欲了解更多信息，你也可以查看我们的详细 Run GGUFs in ComfyUI 指南。

导航到主 ComfyUI 目录并运行：

python main.py

python main.py --cpu 以使用 CPU 运行，但会很慢。

这将启动一个允许你访问的 Web 服务器 https://127.0.0.1:8188 。如果你在云上运行此服务，需要确保设置端口转发以便在本地机器上访问。

工作流程作为嵌入在输出图像（PNG 元数据）中的 JSON 文件或作为单独的 .json 文件保存。你可以：

• 将图像拖放到 ComfyUI 中以加载其工作流程

• 通过菜单导出/导入工作流程

• 以 JSON 文件共享工作流程

下面是两个 Qwen-Image-2512 和 Qwen-Image-Edit-2511 的 json 示例文件，你可以下载并使用：

13KB

unsloth_qwen_image_2512.json

打开

在我们的工作流程中，我们默认使用 1024×1024 作为一个实用的折中选择。尽管模型支持原生分辨率（1328×1328），但以原生分辨率生成通常会将运行时间提高 ~50%。由于 GGUF 会增加开销且 40 步 是相对较长的运行，1024×1024 可使生成时间保持合理。如有需要，你可以将分辨率提高到 1328。

为了获得更逼真的结果，跳过像“photorealistic”或“digital rendering”或“3d render”这样的关键字，改用“photograph”之类的词。

对于反向提示（negative prompts），最好使用 NLP 风格的方法：用 自然语言 描述你 不 希望出现在图像中的内容。塞入过多关键字可能会损害结果，而不是使其更具体。

19KB

unsloth_qwen_image_edit_2511.json

打开

你可以不从头设置工作流程，而是从这里下载工作流程。

通过点击 Comfy 徽标 -> 文件 -> 打开 -> 然后选择你刚下载的 unsloth_qwen_image_2512.json 文件将其加载到浏览器页面。它应该看起来像下面这样：

该工作流程基于官方发布的 ComfyUI 工作流程，但使用了 GGUF 加载扩展，并简化以说明文本到图像的功能。

#4. 推理

ComfyUI 高度可定制。你可以混合模型并创建极其复杂的管道。对于基本的文本到图像设置，我们需要加载模型、指定提示和图像细节，并决定采样策略。

上传模型 + 设置提示词

我们已下载了模型，因此只需选择正确的模型。对于 Unet Loader 选择 qwen-image-2512-Q4_K_M.gguf，对于 CLIPLoader 选择 Qwen2.5-VL-7B-Instruct-UD-Q4_K_XL.gguf，对于 Load VAE 选择 qwen_image_vae.safetensors.

为了获得更逼真的结果，跳过像“photorealistic”或“digital rendering”或“3d render”这样的关键字，改用“photograph”之类的词。

你可以设置任何你想要的提示词，并且也可以指定反向提示。反向提示通过告诉模型应避免的内容来提供帮助。

对于反向提示（negative prompts），最好使用 NLP 风格的方法：用 自然语言 描述你 不 希望出现在图像中的内容。塞入过多关键字可能会损害结果，而不是使其更具体。

图像尺寸 + 采样器参数

Qwen Image 系列模型支持不同的图像尺寸。你可以通过设置宽度和高度的值来制作矩形形状。对于采样器参数，你可以尝试除 euler 之外的不同采样器，以及更多或更少的采样步数。工作流程将步数设置为 40，但对于快速测试 20 步可能已足够。更改 控制在生成后 的设置从随机到固定，如果你想查看不同设置如何改变输出。

运行

点击运行，大约 1 分钟内会生成一张图像（20 步约 30 秒）。该输出图像可以保存。有趣的是，整个 Comfy 工作流程的元数据保存在图像中。你可以分享该图像，任何人都可以通过在 UI 中加载它来查看它是如何创建的。

如果你遇到模糊/劣质图像，将 shift 提高到 12-13！这可以解决大多数不良输出问题。

多参考生成

Qwen-Image-Edit-2511 的一个关键功能是多参考生成，你可以提供多张图像来帮助控制生成。这次加载 unsloth_qwen_image_edit_2511.json。我们将使用大部分相同的模型，但将 qwen-image-2512-Q4_K_M.gguf 切换为 qwen-image-edit-2511-Q4_K_M.gguf 作为 unet。本次的另一个区别是额外的节点用于选择要参考的图像，这些图像我们之前已下载。你会注意到提示词同时引用了 图像 1 和 图像 2 ，它们是图像的提示锚。一旦加载，点击运行，你将看到一个输出，将我们两个独特的树懒角色放在一起，同时保留它们的相似性。

右侧图像生成的最终结果：

🤗 Diffusers 教程

我们还上传了一个 动态 4 位 BitsandBytes 量化版本，可以在 Hugging Face 的 diffusers 库中运行。再次说明，它使用 Unsloth 动态方法，将重要层提升到更高精度。

运行 Qwen-Image-2512-unsloth-bnb-4bit 使用以下代码：

from diffusers import DiffusionPipeline
import torch

pipe = DiffusionPipeline.from_pretrained(
    "unsloth/Qwen-Image-2512-unsloth-bnb-4bit",
    torch_dtype=torch.bfloat16,
).to('cuda')

# 如果内存不足请取消注释
# pipe.enable_model_cpu_offload() 

output = pipe(
    prompt="一个可爱风格的树懒在打鼓",
    negative_prompt="模糊，失焦",
    num_inference_steps=20,
    true_cfg_scale=4.0,
)

# 保存输出
image = output.images[0]
image.save('sample.png')

🎨 stable-diffusion.cpp 教程

如果你想在 stable-diffusion.cpp 中运行该模型，你可以按照我们的 逐步指南在此.