HunyuanImage GGUF量化:3步跑图【免费下载链接】hunyuanimage-gguf项目地址: https://ai.gitcode.com/hf_mirrors/calcuis/hunyuanimage-gguf腾讯混元图像 2.1 的官方权重在 20GB 量级(bf16),8GB 显存的显卡想直接加载官方 safetensors 版本基本无望。calcuis/hunyuanimage-gguf这个仓库把整个 HunyuanImage 模型家族转成了 GGUF 格式(LLaMA.cpp 生态的单文件量化模型容器),轻量量化版 6GB 显存就能跑,在 ComfyUI 里直接加载。这篇讲清楚从下载到出图的完整步骤。10 秒看清仓库里有什么仓库里的文件按「模型家族 量化档位」命名,共四类:文件前缀定位特点hunyuanimage2.1-*标准版12~15 步出图,质量上限hunyuanimage-lite-*轻量版8 步 cfg1,比标准版快 2~3 倍hunyuanimage2.1-distilled-v2-*蒸馏版仅 8 步出图,适合快速出稿hunyuanimage-refiner-v2-*精修版对模糊、变形的图二次处理,锐化提清量化档位从q2_k一直到q8_0,另有iq4_nl、iq4_xs、mxfp4_moe等低比特方案可选。除扩散模型外,仓库自带两块关键组件:PIG VAE:pig_hunyuan_image_vae_fp32-f16.gguf(refiner 用配套的 refiner VAE)文本编码器:qwen2.5-vl-7b-test-q4_0.gguf(约 5GB)工作流方面,仓库直接附带 4 份 ComfyUI 工作流 JSON:workflow-hunyuanimage.json、workflow-hunyuanimage-lite.json、workflow-hunyuanimage-distilled.json、workflow-hunyuanimage-refiner.json,导入即用,不用自己连线。机制上一句话:GGUF 把不同量化档位的权重打进单个文件,ComfyUI 装一个 gguf-node 自定义节点(pip 可装的插件)后就能读取该文件,推理时按所选档位动态反量化,无需转换 safetensors,显存占用由你选的量化档位决定。文字提示词 → qwen2.5-vl-7b byt5(文本编码) ↓ CONDITIONING hunyuanimage*.gguf(LoaderGGUF) → KSampler(8~15步) → LATENT ↓ PIG VAE(VaeGGUF) → VAEDecode → 出图三步在个人 ComfyUI 跑通 HunyuanImage GGUF第 1 步:装 gguf-node 节点pip install gguf-node # 装完重启 ComfyUI,节点面板应出现 LoaderGGUF、 # DualClipLoaderGGUF、VaeGGUF 三个节点第 2 步:拉取模型文件⚠️ 这个镜像仓库的.gguf走 Git LFS 存储,clone 后必须再拉一次 LFS,否则文件只有 4KB:git clone https://gitcode.com/hf_mirrors/calcuis/hunyuanimage-gguf cd hunyuanimage-gguf git lfs pull第 3 步:分目录摆放并加载工作流cd hunyuanimage-gguf cp hunyuanimage-lite-iq4_nl.gguf ~/ComfyUI/models/diffusion_models/ cp qwen2.5-vl-7b-test-q4_0.gguf ~/ComfyUI/models/text_encoders/ cp pig_hunyuan_image_vae_fp32-f16.gguf ~/ComfyUI/models/vae/还差一个 127MB 的byt5_small_glyphxl_fp32-iq4_nl.gguf,它不在本仓库,需从 HuggingFace 的calcuis/pig-encoder页面下载,同样放text_encoders/。最后在 ComfyUI 网页里点「Workflow → Load」,选择仓库里的workflow-hunyuanimage-lite.json,改好提示词,直接 Queue Prompt 出图。lite 工作流的默认参数是 2048×2048、8 步、cfg1。按显存选量化档位:6GB 到 16GB 速查显存标准版(质量优先)蒸馏/轻量版(速度优先)6~8GBhunyuanimage2.1-v2-iq4_xs.ggufhunyuanimage2.1-distilled-v2-iq4_nl.gguf或hunyuanimage-lite-iq4_nl.gguf8~12GBhunyuanimage2.1-v2-q4_1.ggufhunyuanimage2.1-distilled-v2-q4_1.gguf或hunyuanimage-lite-v2.2-q4_1.gguf12~16GBhunyuanimage2.1-v2-q5_k_m.ggufhunyuanimage2.1-distilled-v2-q5_1.gguf或hunyuanimage-lite-v2.2-q5_k_m.gguf16GB 以上hunyuanimage2.1-v2-q8_0.ggufhunyuanimage2.1-distilled-v2-q8_0.gguf选法很简单:显存紧就先在iq4_nl/q4_0/q8_0里挑,这三档反量化快、占的内存也小(仓库内 lite 工作流的 Note 节点就是这么建议的);显存够就升到q5_k_m、q6_k,16GB 以上直接q8_0接近无损。标准版建议优先用带-v2-的文件,更轻量且出图质量差距很小。两个进阶场景:8 步出图与图片精修蒸馏版 8 步出图:用workflow-hunyuanimage-distilled.json配hunyuanimage2.1-distilled-v2-*.gguf,8 步直接出可用图,适合批量出稿或迭代提示词阶段。refiner 精修:把任何低质图(q2 低量化产物、模糊图、手部畸形图)作为输入接进workflow-hunyuanimage-refiner.json,即可锐化提清。注意 refiner 和 VAE 要配套:cp hunyuanimage-refiner-v2-q4_1.gguf ~/ComfyUI/models/diffusion_models/ cp pig_hunyuan_image_refiner_vae_fp32-f16.gguf ~/ComfyUI/models/vae/refiner 请用v2系列(hunyuanimage-refiner-v2-*),非 v2 版本仅可做测试,精修效果差。蒸馏版同理,认准-v2-。3 条命令验证文件 高频加载错误速查出图前先确认文件是真的拉下来了:# 1) 校验 gguf 已取到:前 4 字节应为 GGUF for f in *.gguf; do printf %-42s $f; head -c 4 $f; echo; done | head -6 # 2) 校验 gguf-node 已安装 pip show gguf-node第 3 条验证在 ComfyUI 里做:打开工作流后,各 GGUF 加载节点的 COMBO 下拉框里应能看到你刚拷进去的文件名,看不到就是路径放错了。现象原因解决.gguf文件只有 4KBclone 只拿到 LFS 指针cd进仓库执行git lfs pull节点面板找不到 LoaderGGUFgguf-node 未装或未重启pip install gguf-node后重启 ComfyUI采样时 CUDA OOM量化档位偏高或分辨率过大降一档量化(q5→q4→iq4),或换 lite/distilled 8 步方案文本编码器占显存不释放个别显卡/驱动组合的已知问题换用 fp8 e4m3fn 缩放的编码器(见 HuggingFacechatpig/encoder),再不行就降分辨率refiner 精修后仍模糊用了非 v2 的 refiner换hunyuanimage-refiner-v2-*.gguf及配套 refiner VAE手指、肢体畸形提示词缺负面描述负向提示词加上low quality, bad anatomy, extra digits等✅ 先拿distilled-v2的 iq4 档 8 步跑出第一张图确认链路通了,再按显存表升级到 q5/q8 标准版对比质量,是最省时间的验证顺序。【免费下载链接】hunyuanimage-gguf项目地址: https://ai.gitcode.com/hf_mirrors/calcuis/hunyuanimage-gguf创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 HunyuanImage GGUF量化:3步跑图
HunyuanImage GGUF量化:3步跑图【免费下载链接】hunyuanimage-gguf项目地址: https://ai.gitcode.com/hf_mirrors/calcuis/hunyuanimage-gguf腾讯混元图像 2.1 的官方权重在 20GB 量级(bf16),8GB 显存的显卡想直接加载官方 safetensors 版本基本无望。calcuis/hunyuanimage-gguf这个仓库把整个 HunyuanImage 模型家族转成了 GGUF 格式(LLaMA.cpp 生态的单文件量化模型容器),轻量量化版 6GB 显存就能跑,在 ComfyUI 里直接加载。这篇讲清楚从下载到出图的完整步骤。10 秒看清仓库里有什么仓库里的文件按「模型家族 量化档位」命名,共四类:文件前缀定位特点hunyuanimage2.1-*标准版12~15 步出图,质量上限hunyuanimage-lite-*轻量版8 步 cfg1,比标准版快 2~3 倍hunyuanimage2.1-distilled-v2-*蒸馏版仅 8 步出图,适合快速出稿hunyuanimage-refiner-v2-*精修版对模糊、变形的图二次处理,锐化提清量化档位从q2_k一直到q8_0,另有iq4_nl、iq4_xs、mxfp4_moe等低比特方案可选。除扩散模型外,仓库自带两块关键组件:PIG VAE:pig_hunyuan_image_vae_fp32-f16.gguf(refiner 用配套的 refiner VAE)文本编码器:qwen2.5-vl-7b-test-q4_0.gguf(约 5GB)工作流方面,仓库直接附带 4 份 ComfyUI 工作流 JSON:workflow-hunyuanimage.json、workflow-hunyuanimage-lite.json、workflow-hunyuanimage-distilled.json、workflow-hunyuanimage-refiner.json,导入即用,不用自己连线。机制上一句话:GGUF 把不同量化档位的权重打进单个文件,ComfyUI 装一个 gguf-node 自定义节点(pip 可装的插件)后就能读取该文件,推理时按所选档位动态反量化,无需转换 safetensors,显存占用由你选的量化档位决定。文字提示词 → qwen2.5-vl-7b byt5(文本编码) ↓ CONDITIONING hunyuanimage*.gguf(LoaderGGUF) → KSampler(8~15步) → LATENT ↓ PIG VAE(VaeGGUF) → VAEDecode → 出图三步在个人 ComfyUI 跑通 HunyuanImage GGUF第 1 步:装 gguf-node 节点pip install gguf-node # 装完重启 ComfyUI,节点面板应出现 LoaderGGUF、 # DualClipLoaderGGUF、VaeGGUF 三个节点第 2 步:拉取模型文件⚠️ 这个镜像仓库的.gguf走 Git LFS 存储,clone 后必须再拉一次 LFS,否则文件只有 4KB:git clone https://gitcode.com/hf_mirrors/calcuis/hunyuanimage-gguf cd hunyuanimage-gguf git lfs pull第 3 步:分目录摆放并加载工作流cd hunyuanimage-gguf cp hunyuanimage-lite-iq4_nl.gguf ~/ComfyUI/models/diffusion_models/ cp qwen2.5-vl-7b-test-q4_0.gguf ~/ComfyUI/models/text_encoders/ cp pig_hunyuan_image_vae_fp32-f16.gguf ~/ComfyUI/models/vae/还差一个 127MB 的byt5_small_glyphxl_fp32-iq4_nl.gguf,它不在本仓库,需从 HuggingFace 的calcuis/pig-encoder页面下载,同样放text_encoders/。最后在 ComfyUI 网页里点「Workflow → Load」,选择仓库里的workflow-hunyuanimage-lite.json,改好提示词,直接 Queue Prompt 出图。lite 工作流的默认参数是 2048×2048、8 步、cfg1。按显存选量化档位:6GB 到 16GB 速查显存标准版(质量优先)蒸馏/轻量版(速度优先)6~8GBhunyuanimage2.1-v2-iq4_xs.ggufhunyuanimage2.1-distilled-v2-iq4_nl.gguf或hunyuanimage-lite-iq4_nl.gguf8~12GBhunyuanimage2.1-v2-q4_1.ggufhunyuanimage2.1-distilled-v2-q4_1.gguf或hunyuanimage-lite-v2.2-q4_1.gguf12~16GBhunyuanimage2.1-v2-q5_k_m.ggufhunyuanimage2.1-distilled-v2-q5_1.gguf或hunyuanimage-lite-v2.2-q5_k_m.gguf16GB 以上hunyuanimage2.1-v2-q8_0.ggufhunyuanimage2.1-distilled-v2-q8_0.gguf选法很简单:显存紧就先在iq4_nl/q4_0/q8_0里挑,这三档反量化快、占的内存也小(仓库内 lite 工作流的 Note 节点就是这么建议的);显存够就升到q5_k_m、q6_k,16GB 以上直接q8_0接近无损。标准版建议优先用带-v2-的文件,更轻量且出图质量差距很小。两个进阶场景:8 步出图与图片精修蒸馏版 8 步出图:用workflow-hunyuanimage-distilled.json配hunyuanimage2.1-distilled-v2-*.gguf,8 步直接出可用图,适合批量出稿或迭代提示词阶段。refiner 精修:把任何低质图(q2 低量化产物、模糊图、手部畸形图)作为输入接进workflow-hunyuanimage-refiner.json,即可锐化提清。注意 refiner 和 VAE 要配套:cp hunyuanimage-refiner-v2-q4_1.gguf ~/ComfyUI/models/diffusion_models/ cp pig_hunyuan_image_refiner_vae_fp32-f16.gguf ~/ComfyUI/models/vae/refiner 请用v2系列(hunyuanimage-refiner-v2-*),非 v2 版本仅可做测试,精修效果差。蒸馏版同理,认准-v2-。3 条命令验证文件 高频加载错误速查出图前先确认文件是真的拉下来了:# 1) 校验 gguf 已取到:前 4 字节应为 GGUF for f in *.gguf; do printf %-42s $f; head -c 4 $f; echo; done | head -6 # 2) 校验 gguf-node 已安装 pip show gguf-node第 3 条验证在 ComfyUI 里做:打开工作流后,各 GGUF 加载节点的 COMBO 下拉框里应能看到你刚拷进去的文件名,看不到就是路径放错了。现象原因解决.gguf文件只有 4KBclone 只拿到 LFS 指针cd进仓库执行git lfs pull节点面板找不到 LoaderGGUFgguf-node 未装或未重启pip install gguf-node后重启 ComfyUI采样时 CUDA OOM量化档位偏高或分辨率过大降一档量化(q5→q4→iq4),或换 lite/distilled 8 步方案文本编码器占显存不释放个别显卡/驱动组合的已知问题换用 fp8 e4m3fn 缩放的编码器(见 HuggingFacechatpig/encoder),再不行就降分辨率refiner 精修后仍模糊用了非 v2 的 refiner换hunyuanimage-refiner-v2-*.gguf及配套 refiner VAE手指、肢体畸形提示词缺负面描述负向提示词加上low quality, bad anatomy, extra digits等✅ 先拿distilled-v2的 iq4 档 8 步跑出第一张图确认链路通了,再按显存表升级到 q5/q8 标准版对比质量,是最省时间的验证顺序。【免费下载链接】hunyuanimage-gguf项目地址: https://ai.gitcode.com/hf_mirrors/calcuis/hunyuanimage-gguf创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考