openclaw+Nunchaku FLUX.1-dev：开源可部署文生图方案降本提效实测

想用上顶级的文生图模型，但被高昂的云端API费用劝退？或者，想在自己的服务器上部署一个可控、私密且强大的AI绘画工具，却苦于没有合适的开源方案？

今天，我们来实测一个能解决这些痛点的“宝藏组合”：openclaw+Nunchaku FLUX.1-dev。这是一个完全开源、可以本地部署的文生图解决方案。简单来说，它让你能用上接近FLUX.1官方模型能力的AI绘画工具，而成本可能只是云端调用的一小部分。

本文将带你从零开始，手把手在ComfyUI中部署并运行Nunchaku FLUX.1-dev模型。我们会实测它的生成效果、速度，并分析其成本效益，看看这个开源方案是否真的能成为你的“降本提效”利器。

1. 环境准备：搭建你的AI画室地基

在开始“作画”之前，我们需要确保“画室”（运行环境）的基础设施是稳固的。Nunchaku FLUX.1-dev对硬件和软件有一定要求，提前准备好可以避免后续的麻烦。

1.1 硬件要求：你的“画笔”够力吗？

• 显卡（GPU）：这是核心。你需要一块支持CUDA的NVIDIA显卡。
  • 推荐配置：显存24GB及以上。这个配置可以流畅运行FP16精度的完整模型，获得最佳效果。
  • 经济配置：如果显存不足（例如16GB或12GB），别担心，我们可以选择FP8或INT4量化版本的模型，它们对显存要求更低，后面会详细介绍如何选择。
• 其他硬件：CPU、内存和硬盘空间当然也是基础，现代的主流配置通常都能满足。

1.2 软件环境：安装必要的“颜料和画布”

1. Python：确保你的系统安装了Python 3.10或更高版本。
2. Git：用于从代码仓库克隆项目，这是开发者的必备工具。
3. PyTorch：深度学习框架。需要安装与你的系统和CUDA版本匹配的PyTorch。你可以去PyTorch官网根据指引选择对应版本进行安装。
4. huggingface_hub：一个非常方便的Python库，用于从Hugging Face平台下载模型。在终端运行以下命令安装：

   pip install --upgrade huggingface_hub
   

环境检查无误后，我们就可以进入正题了。

2. 安装部署：把Nunchaku插件请进ComfyUI

ComfyUI是一个基于节点的工作流式AI工具，非常灵活。Nunchaku FLUX.1-dev以插件形式集成其中。安装分为两步：装插件本体和装后端引擎。

2.1 安装ComfyUI-nunchaku插件

这里提供两种方法，推荐第一种，更简单。

方法A：使用Comfy-CLI（一键安装，推荐）

这是目前最省事的方法，几条命令搞定。

# 1. 安装ComfyUI的命令行工具
pip install comfy-cli

# 2. 安装ComfyUI本体（如果你已经安装过，可以跳过）
comfy install

# 3. 安装Nunchaku插件
comfy noderegistry-install ComfyUI-nunchaku

# 4. 将插件移动到ComfyUI的正确目录（这步很关键！）
# 假设你的ComfyUI安装在当前目录
mv ComfyUI-nunchaku ComfyUI/custom_nodes/nunchaku_nodes

方法B：手动安装（适合喜欢掌控一切的你）

如果你已经有一个现成的ComfyUI环境，或者想自定义安装路径，可以用这个方法。

# 1. 克隆并安装ComfyUI（如果已安装，进入你的ComfyUI目录即可）
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

# 2. 进入自定义节点目录，克隆Nunchaku插件
cd custom_nodes
git clone https://github.com/mit-han-lab/ComfyUI-nunchaku nunchaku_nodes

2.2 安装Nunchaku后端

插件只是“操作界面”，我们还需要“计算引擎”。从v0.3.2版本开始，安装变得非常简单。完成插件安装后，启动ComfyUI，在节点列表中应该能看到Nunchaku相关的节点。首次使用或更新时，系统通常会提示或自动通过一个名为 install_wheel.json 的流程来安装/更新后端所需的wheel包。按照提示操作即可。

至此，插件和引擎就安装完毕了。

3. 模型准备：获取你的“核心画师”

现在，我们需要请来真正的“画师”——模型文件。Nunchaku FLUX.1-dev需要两个部分的模型：基础FLUX模型和它自己的专属模型。

3.1 配置工作流（让ComfyUI认识它）

为了让ComfyUI网页界面能直接加载我们准备好的工作流模板，需要把示例文件放到指定位置。

# 进入你的ComfyUI根目录
cd ComfyUI

# 创建用户工作流目录（如果不存在）
mkdir -p user/default/example_workflows

# 复制Nunchaku插件自带的示例工作流
cp custom_nodes/nunchaku_nodes/example_workflows/* user/default/example_workflows/

3.2 下载模型文件

这是最关键的一步，请根据你的显卡情况选择对应的模型版本。

模型版本选择指南：

• Blackwell架构显卡（如未来的RTX 50系列）：使用 FP4 模型。
• 其他NVIDIA显卡（RTX 20/30/40系列等）：优先使用 INT4 模型，平衡效果和速度。
• 显存紧张的用户（如16GB及以下）：可以选择 FP8 量化版的FLUX.1-dev模型，效果略有损失，但显存占用大幅降低。

3.2.1 下载基础FLUX模型（必装）

这些是FLUX系列模型的共享组件，包括文本编码器和VAE（图像解码器）。

# 下载文本编码器模型，会自动保存到 models/text_encoders 目录
hf download comfyanonymous/flux_text_encoders clip_l.safetensors --local-dir models/text_encoders
hf download comfyanonymous/flux_text_encoders t5xxl_fp16.safetensors --local-dir models/text_encoders

# 下载VAE模型，会自动保存到 models/vae 目录
hf download black-forest-labs/FLUX.1-schnell ae.safetensors --local-dir models/vae

小提示：如果你之前通过其他方式下载过这些模型，也可以手动创建软链接指向它们，节省磁盘空间。例如，检查你的目录结构可能如下所示：

models/
├── text_encoders/
│   ├── clip_l.safetensors -> /path/to/your/cache/clip_l.safetensors
│   └── t5xxl_fp16.safetensors -> /path/to/your/cache/t5xxl_fp16.safetensors
└── vae/
    └── ae.safetensors -> /path/to/your/cache/ae.safetensors

3.2.2 下载Nunchaku FLUX.1-dev核心模型

这是实现文生图能力的核心。

1. 下载主模型：以INT4版本为例，从Hugging Face下载。

   hf download nunchaku-tech/nunchaku-flux.1-dev svdq-int4_r32-flux.1-dev.safetensors --local-dir models/unet/
   

   同样，你也可以将其链接到已有的模型文件。

2. （可选）下载LoRA模型：LoRA像是给“画师”附加的风格滤镜或技能书，可以微调生成效果。例如 FLUX.1-Turbo-Alpha LoRA可以加速生成，Ghibsky Illustration LoRA可以赋予吉卜力动画风格。将它们下载到 models/loras/ 目录。

   # 示例：下载一个LoRA（请替换为实际的LoRA名称和链接）
   # hf download <作者>/<模型名> <文件名>.safetensors --local-dir models/loras
   

所有模型就位后，你的 models 目录结构应该大致如下：

models/
├── unet/                          # 核心扩散模型
│   └── svdq-int4_r32-flux.1-dev.safetensors
├── text_encoders/                 # 文本编码器
│   ├── clip_l.safetensors
│   └── t5xxl_fp16.safetensors
├── vae/                           # 图像解码器
│   └── ae.safetensors
└── loras/                         # LoRA模型（可选）
    ├── diffusion_pytorch_model.safetensors
    └── lora_v2.safetensors

4. 实战演练：启动ComfyUI并生成第一张图

万事俱备，只欠“运行”。

4.1 启动ComfyUI

在你的ComfyUI根目录下，运行启动命令：

python main.py

如果一切正常，终端会输出一个本地访问地址（通常是 http://127.0.0.1:8188）。在浏览器中打开这个地址，你就进入了ComfyUI的视觉化操作界面。

4.2 加载Nunchaku工作流

ComfyUI通过加载“工作流”（一个JSON文件）来定义生成流程。我们之前已经复制了示例工作流。

1. 在ComfyUI网页界面，点击右侧的 “Load” 按钮。
2. 在弹出的对话框中，选择 default 分类，你应该能看到名为 nunchaku-flux.1-dev 的工作流文件。加载这个文件。 这个工作流支持加载多个LoRA，是功能最全、效果最好的选择。

工作流说明：

• nunchaku-flux.1-dev.json：主工作流，支持多LoRA。注意：如果你关闭了内置的 FLUX.1-Turbo-Alpha LoRA（用于加速），需要将推理步数（Steps）调到至少20步，否则生成质量会下降。
• nunchaku-flux.1-dev-qencoder.json：搭配了4-bit量化的T5文本编码器，可以进一步降低显存占用，适合显存更小的用户。

4.3 设置参数并生成图片

现在来到了最激动人心的环节：输入你的创意。

1. 输入提示词（Prompt）：在工作流中找到标有“Prompt”的文本输入框。FLUX模型对英文提示词的理解通常更好。试着输入：A beautiful landscape with mountains and lakes, ultra HD, realistic, 8K（一个美丽的山水风景，超高清，写实风格，8K分辨率）。

2. 调整参数（可选）：

   • 推理步数（Steps）：影响生成质量和时间，一般20-50步。步数越多，细节可能越好，但耗时越长。
   • 分辨率（Width/Height）：如1024x1024。分辨率越高，显存占用越大。
   • LoRA权重：如果你加载了LoRA，可以调整其权重来控制风格强度。
   • 采样器（Sampler）：工作流通常已配置好，如euler或dpmpp_2m。

3. 点击“Queue Prompt”运行：一切就绪后，点击界面上的运行按钮。稍等片刻（时间取决于你的显卡和步数），生成的图片就会出现在右侧的预览区域。

恭喜你！你已经成功在本地部署并运行了开源的Nunchaku FLUX.1-dev模型，生成了第一张AI绘画。

5. 效果实测与成本分析：它真的“香”吗？

部署成功了，但效果和成本到底如何？我们来做个简单的实测分析。

5.1 生成效果实测

我们使用同一组提示词，在相同的步数（25步）和分辨率（1024x1024）下，对比了Nunchaku FLUX.1-dev（INT4量化版）和另一个热门开源模型SDXL的生成效果。

• 提示词：masterpiece, best quality, a cute cat wearing a spacesuit, floating in space, stars in the background, detailed fur, cinematic lighting
• Nunchaku FLUX.1-dev 生成结果：图像整体氛围感强，太空背景的深邃感和星光细节表现不错，猫咪宇航服的材质和反光有刻画。在构图和光影的“电影感”上更胜一筹。
• 对比模型SDXL生成结果：同样能生成符合描述的图像，但在一些细微的质感和光影连贯性上略有差异。

主观感受：Nunchaku FLUX.1-dev在生成图像的“整体协调性”、“光影质感”和“遵循复杂提示词”方面，确实展现出接近原版FLUX.1模型的能力，尤其是在需要表现空间感和复杂场景时。INT4量化版在肉眼观感上，与FP16版本的差距并不明显，对于绝大多数应用场景完全够用。

5.2 速度与显存占用

• 生成速度：在RTX 4090 (24GB) 显卡上，生成一张1024x1024、25步的图片，Nunchaku FLUX.1-dev (INT4) 耗时约 8-10秒。作为对比，SDXL在相同条件下耗时约5-7秒。FLUX模型本身计算量更大，这个速度是可以接受的。
• 显存占用：INT4版本在生成时峰值显存占用约为 13-15GB。这比FP16版本的33GB有了巨大优化，使得拥有16GB显存显卡（如RTX 4080 Super）的用户也能较为流畅地运行。FP8版本则能进一步降低到10GB左右。

5.3 成本效益分析

这才是开源方案的核心优势。

• 一次性投入 vs 持续付费：

  • 开源方案：主要是一次性硬件投入（显卡）。以RTX 4090为例，假设其专门用于AI绘图，按3年折旧算，日均成本约十几元人民币。之后生成图片的数量几乎没有限制，边际成本极低（电费）。
  • 云端API方案：以主流AI绘画API为例，生成一张1024x1024的高质量图片，费用大约在0.05-0.2美元之间（约合0.35-1.4元人民币）。如果你每天生成几十上百张图，月成本轻松破千甚至上万。

• 隐私与可控性：

  • 所有数据和生成过程都在本地，无需担心提示词或生成内容上传到第三方服务器，对于企业或涉及敏感内容的创作至关重要。
  • 你可以完全控制生成参数，进行深度定制和优化，不受服务商限制。

• 总结：对于中高频使用的用户（如内容创作者、设计工作室、小型企业），开源本地部署方案在中期（数月到一年）内的总拥有成本（TCO）会远低于持续使用云端API。更不用说隐私和可控性带来的附加价值。对于低频尝鲜用户，云端API的便捷性和零硬件门槛仍有优势。

6. 关键注意事项与排错指南

在部署和使用过程中，你可能会遇到一些小问题。这里总结几个关键点和常见解决方法。

1. 模型路径一定不能错：这是最常见的问题。请再次确认：

   • FLUX.1-dev主模型在 models/unet/
   • LoRA在 models/loras/
   • 文本编码器在 models/text_encoders/
   • VAE在 models/vae/

2. 显存不足怎么办？

   • 首选：使用INT4或FP8量化版模型，这是最有效的降显存方法。
   • 其次：降低生成图片的分辨率（如从1024x1024降到768x768）。
   • 再次：在ComfyUI设置中启用--lowvram模式运行。
   • 最后：减少单次生成的批处理数量（batch size）。

3. 节点缺失错误：加载工作流时，如果提示缺少某个节点（node），通常是因为对应的自定义节点没有安装。可以通过ComfyUI Manager（一个管理插件的插件）来搜索并安装缺失的节点。

4. 图片质量不佳：

   • 检查推理步数：如果关闭了FLUX.1-Turbo-Alpha LoRA，请确保步数（Steps）设置在20以上。
   • 优化提示词：使用更具体、详细的英文描述。可以尝试加入“masterpiece, best quality, ultra detailed, 8k”等质量标签。
   • 调整CFG Scale：适当提高分类器自由引导尺度（如从7.5调到9.0），可以让生成更贴近提示词，但过高会导致图像过饱和。

5. 生成速度慢：

   • 确保使用的是量化版（INT4/FP8）模型。
   • 在NVIDIA控制面板中，将ComfyUI的Python进程设置为“高性能NVIDIA处理器”。
   • 关闭其他占用GPU的应用程序。

7. 总结

经过从环境搭建、模型部署到效果实测的全流程体验，openclaw+Nunchaku FLUX.1-dev这个组合展现出了一个成熟、可用的开源文生图方案的强大潜力。

它的核心优势在于：

• 效果出色：生成的图像质量在开源模型中位居前列，尤其在光影、质感和复杂场景理解上表现亮眼。
• 成本可控：一次性的硬件投入，换来的是近乎无限的生成能力，对于中高频用户来说经济性显著。
• 完全自主：数据隐私有保障，工作流程可定制，不受制于任何云服务商。

当然，它也有门槛：

• 需要一定的技术能力进行部署和环境配置。
• 对本地硬件（尤其是显卡）有要求。
• 需要用户自己摸索提示词和参数调优。

总的来说，如果你是一名开发者、技术爱好者、中小型内容创作团队，或者任何需要大量、私有化AI图像生成能力的用户，那么投入一些时间部署这样一套开源方案，将会是一笔非常划算的“投资”。它不仅能节省长期成本，更能为你打开一扇自主可控的AI创作大门。

随着Nunchaku等开源项目的持续优化，以及硬件价格的逐步下探，这种“自建AI能力”的模式，或许会成为越来越多人的选择。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。