【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.safetensors
• svdq-int4_r128-z-image-turbo.safetensors
• svdq-fp4_r128-z-image-turbo.safetensors
• svdq-int4_r32-z-image-turbo.safetensors
• svdq-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）

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）

📌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。