【Z-Image-Turbo 量化模型】svdq-int4 / fp4 多版本对比与下载说明svdq-int4_r256-z-image-turbo.safetensors
【Z-Image-Turbo Nunchaku 量化模型下载】svdq-int4 / fp4 多版本对比与下载说明 svdq-int4_r256-z-image-turbo.safetensors
关键词：Z-Image-Turbo、SVDQuant、INT4、FP4、Diffusion 模型量化、ICLR2025
最近在折腾文生图模型的推理性能优化时，接触到了Nunchaku 团队基于 Z-Image-Turbo 的 SVDQuant 量化版本，实际体验下来，对显存占用和推理速度的改善非常明显，这里做一次完整梳理和记录。
模型下载地址（网盘链接）
本文主要介绍以下五个常用模型文件 可通过网盘获取：
svdq-int4_r256-z-image-turbo.safetensorssvdq-int4_r128-z-image-turbo.safetensorssvdq-fp4_r128-z-image-turbo.safetensorssvdq-int4_r32-z-image-turbo.safetensorssvdq-fp4_r32-z-image-turbo.safetensors
👉网盘下载地址：
https://pan.quark.cn/s/472aeef09aa4?pwd=fCD2
一、模型背景说明
Z-Image-Turbo是 Tongyi-MAI 推出的高性能文生图模型，在生成质量和速度之间做了比较好的平衡。
而Nunchaku团队基于 ICLR 2025 的论文成果SVDQuant，对该模型进行了4bit 级别量化，在尽量不损失画质的前提下，大幅降低了显存和算力需求。
二、模型核心信息一览
base_model:Tongyi-MAI/Z-Image-Turbobase_model_relation:quantizeddatasets:-mit-han-lab/svdquant-datasetslibrary_name:diffuserspipeline_tag:text-to-imagelicense:apache-2.0language:-entags:-image-editing-SVDQuant-Z-Image-Turbo-Diffusion-Quantization-ICLR2025三、项目与模型展示
四、模型说明（Model Card 摘要）
1️⃣ 基本介绍
- 模型名称：nunchaku-z-image-turbo
- 模型类型：Text-to-Image / Image Editing
- 开发团队：Nunchaku Team
- 原始模型：Tongyi-MAI / Z-Image-Turbo
- 许可证：Apache-2.0
该仓库包含的是Nunchaku 优化后的 Z-Image-Turbo 量化模型版本，主打高效推理 + 低显存占用。
2️⃣ 量化方式说明（重点）
| 显卡类型 | 数据类型 |
|---|---|
| 50 系列以下显卡 | INT4 |
| 50 系列（Blackwell） | NVFP4 |
Rank（低秩分解维度）说明：
r32：速度最快，画质一般r128：速度与质量平衡（推荐）r256：质量最高，速度最慢
五、模型文件对照表
标准推理模型（通用）
| 数据类型 | Rank | 模型文件名 |
|---|---|---|
| INT4 | r32 | svdq-int4_r32-z-image-turbo.safetensors |
| INT4 | r128 | svdq-int4_r128-z-image-turbo.safetensors |
| INT4 | r256 | svdq-int4_r256-z-image-turbo.safetensors |
| NVFP4 | r32 | svdq-fp4_r32-z-image-turbo.safetensors |
| NVFP4 | r128 | svdq-fp4_r128-z-image-turbo.safetensors |
📌个人建议：
- 显存 8G~12G：
INT4 r128 - 追求画质：
INT4 r256 - 50 系显卡：优先
FP4 r128
六、使用方式说明
1️⃣ Diffusers 使用
官方示例代码在这里：
示例脚本：
https://github.com/nunchaku-tech/nunchaku/blob/main/examples/v1/z-image-turbo.py使用文档：
https://nunchaku.tech/docs/nunchaku/usage/zimage.html
2️⃣ ComfyUI 工作流
- 官方工作流 JSON：
https://nunchaku.tech/docs/ComfyUI-nunchaku/workflows/zimage.html#nunchaku-z-image-turbo-json
对于习惯ComfyUI 可视化工作流的用户来说，几乎是即插即用。
七、性能表现参考
从官方测试图可以看到：
- 4bit 量化后显存占用大幅下降
- 推理速度在中低端显卡上提升明显
- 对生成质量影响相对可控（尤其 r128 / r256）
九、参考与来源
- 推理引擎：
https://github.com/nunchaku-tech/nunchaku - 量化工具：
https://github.com/nunchaku-tech/deepcompressor - 论文：
https://arxiv.org/abs/2411.05007 - 在线 Demo：
https://demo.nunchaku.tech
十、写在最后
如果你正在做本地文生图部署、ComfyUI 工作流优化、低显存显卡推理，这套Z-Image-Turbo 的 SVDQuant 版本确实值得尝试。