---

base_model: black-forest-labs/FLUX.1-Kontext-dev base_model_relation: quantized datasets:

• mit-han-lab/svdquant-datasets language:
• en library_name: diffusers license: other license_link: https://huggingface.co/black-forest-labs/FLUX.1-Kontext-dev/blob/main/LICENSE.md license_name: flux-1-dev-non-commercial-license pipeline_tag: image-to-image tags:
• image-to-image
• SVDQuant
• FLUX.1-Kontext-dev
• FLUX.1
• Diffusion
• Quantization
• ICLR2025

---

nunchaku-flux.1-kontext-dev 模型卡片

本仓库包含 FLUX.1-Kontext-dev 的 Nunchaku 量化版本，能够基于文本指令编辑图像。该模型针对高效推理进行了优化，同时将性能损失控制在最小范围内。

模型详情

模型描述

• 开发团队： Nunchaku 团队
• 模型类型： 图像到图像
• 许可证： flux-1-dev-non-commercial-license
• 量化基础模型： FLUX.1-Kontext-dev

模型文件

• svdq-int4_r32-flux.1-kontext-dev.safetensors：SVDQuant 量化的 INT4 FLUX.1-Kontext-dev 模型。适用于非 Blackwell 架构 GPU（50 系列之前）用户。
• svdq-fp4_r32-flux.1-kontext-dev.safetensors：SVDQuant 量化的 NVFP4 FLUX.1-Kontext-dev 模型。适用于 Blackwell 架构 GPU（50 系列）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： demo.nunchaku.tech

使用方法

• Diffusers 使用方法：参见 flux.1-kontext-dev.py。有关更高级的使用方法，请查看我们的 教程。
• ComfyUI 使用方法：参见 nunchaku-flux.1-kontext-dev.json。

性能表现

引用

@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] 非商业许可协议授权。版权所有 Black Forest Labs Inc.。在任何情况下，对于因使用本模型而引起的、与之相关的或由此产生的任何索赔、损害或其他责任，无论是基于合同、侵权行为还是其他原因，Black Forest Labs Inc. 均不承担责任。