openclaw赋能Nunchaku FLUX.1-dev：GPU算力优化部署教程（含Blackwell适配）

你是不是也遇到过这种情况：看到别人用FLUX.1-dev模型生成的图片，细节丰富、光影真实，自己也想试试，结果一部署就卡在显存不足上？或者好不容易装好了，生成一张图要等好几分钟？

今天，我就带你用openclaw优化部署Nunchaku FLUX.1-dev模型，在ComfyUI里实现高效文生图。无论你是RTX 4090用户，还是最新的Blackwell架构显卡（比如RTX 50系列）用户，都能找到最适合你的部署方案。

我会手把手教你从零开始，避开所有常见的坑，让你在30分钟内就能跑起来，而且生成速度比常规方法快不少。准备好了吗？咱们开始吧。

1. 环境准备：打好基础才能跑得快

在开始安装之前，咱们先把环境准备好。这就像盖房子要先打地基，地基稳了，后面才不容易出问题。

1.1 硬件要求：你的显卡够用吗？

首先看看你的显卡。Nunchaku FLUX.1-dev对显存要求不低，但别担心，我们有多种量化版本可以选择：

• 推荐配置：NVIDIA显卡，24GB以上显存
• 中等配置：12-16GB显存，可以用INT4量化版
• 入门配置：8GB显存，可以用FP8量化版
• Blackwell显卡：RTX 50系列等，需要用专门的FP4版本

如果你不确定自己的显卡型号，可以在命令行里输入：

nvidia-smi

这个命令会显示你的显卡信息和显存大小。

1.2 软件环境：Python和PyTorch要匹配

软件环境这块，主要是Python和PyTorch的版本要选对：

# 检查Python版本
python --version
# 需要Python 3.10或更高版本

# 安装必要的工具
pip install --upgrade huggingface_hub

PyTorch的版本要和你的CUDA版本匹配。如果你用的是最新的显卡，建议安装PyTorch 2.7或更高版本。可以去PyTorch官网看看哪个版本最适合你的系统。

1.3 提前准备：下载加速小技巧

在正式开始安装前，有个小建议：如果你网络不太好，可以提前把需要的模型文件下载好。用这个命令可以查看模型信息：

# 查看FLUX.1-dev模型有哪些版本
hf repo info nunchaku-tech/nunchaku-flux.1-dev

看到模型列表后，你可以根据显卡选择对应的版本提前下载，这样安装时会快很多。

2. 安装部署：两种方法任你选

现在进入正题，安装ComfyUI和Nunchaku插件。我给你准备了两种方法，一种是最简单的，一种是自定义性更强的，你可以根据自己的情况选择。

2.1 方法一：用Comfy-CLI一键安装（推荐新手）

如果你不想折腾，想最快速度把环境搭起来，就用这个方法。Comfy-CLI是官方提供的命令行工具，能帮你自动化很多步骤。

# 第一步：安装Comfy-CLI工具
pip install comfy-cli

# 第二步：安装ComfyUI（如果已经安装过会跳过）
comfy install

# 第三步：安装Nunchaku插件
comfy noderegistry-install ComfyUI-nunchaku

# 第四步：移动插件到正确位置
mv ComfyUI-nunchaku ComfyUI/custom_nodes/nunchaku_nodes

这个方法的好处是自动处理依赖关系，不容易出错。安装过程中如果遇到网络问题，可以试试换源或者用代理。

2.2 方法二：手动安装（适合喜欢控制细节的你）

如果你对ComfyUI比较熟悉，或者想要更灵活地控制安装过程，可以用手动安装的方法。

# 第一步：克隆ComfyUI仓库
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 第二步：安装Python依赖
pip install -r requirements.txt

# 第三步：安装Nunchaku插件
cd custom_nodes
git clone https://github.com/mit-han-lab/ComfyUI-nunchaku nunchaku_nodes

手动安装的好处是你可以清楚地看到每一步在做什么，方便排查问题。不过需要你自己处理一些依赖关系。

2.3 安装Nunchaku后端

无论用哪种方法安装插件，最后都需要安装Nunchaku的后端。从v0.3.2版本开始，这个过程变得很简单：

1. 启动ComfyUI（先不用管工作流）
2. 在网页界面找到Nunchaku节点
3. 节点会自动检测并提示安装后端

或者你也可以直接运行安装脚本：

# 进入插件目录
cd ComfyUI/custom_nodes/nunchaku_nodes

# 运行安装脚本
python install_wheel.py

安装完成后，重启一下ComfyUI，让所有组件都加载到位。

3. 模型准备：选对版本很重要

插件装好了，接下来要下载模型文件。这是最关键的一步，因为模型文件很大，而且有不同版本，选错了可能就跑不起来。

3.1 基础模型：FLUX的核心组件

FLUX.1-dev需要几个基础模型文件，这些是所有版本都需要的：

# 创建必要的目录（如果不存在）
mkdir -p models/text_encoders
mkdir -p models/vae

# 下载文本编码器模型
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
hf download black-forest-labs/FLUX.1-schnell ae.safetensors --local-dir models/vae

这些文件加起来大概20GB左右，下载需要一些时间。如果你的models目录里已经有这些文件了（可能是从其他FLUX模型来的），可以创建软链接来节省空间：

# 查看模型文件是否已存在
ls -l ~/.cache/huggingface/hub/

# 创建软链接（如果文件在缓存中）
ln -s ~/.cache/huggingface/hub/你的缓存路径/models/text_encoders/clip_l.safetensors models/text_encoders/

3.2 主模型：根据显卡选择合适版本

这是最重要的部分。Nunchaku FLUX.1-dev有多个量化版本，你要根据显卡来选择：

对于大多数NVIDIA显卡（RTX 30/40系列等）：

# 下载INT4量化版本（平衡性能和显存）
hf download nunchaku-tech/nunchaku-flux.1-dev svdq-int4_r32-flux.1-dev.safetensors --local-dir models/unet/

对于Blackwell架构显卡（RTX 50系列等）：

# 下载FP4量化版本（Blackwell专用）
hf download nunchaku-tech/nunchaku-flux.1-dev svdq-fp4_r32-flux.1-dev.safetensors --local-dir models/unet/

对于显存较小的显卡（8-12GB）：

# 下载FP8量化版本（显存占用最小）
hf download nunchaku-tech/nunchaku-flux.1-dev svdq-fp8_r32-flux.1-dev.safetensors --local-dir models/unet/

怎么知道该选哪个？简单判断：

• 显存大于24GB：可以用INT4，效果最好
• 显存12-24GB：INT4或FP8都可以
• 显存8-12GB：建议用FP8
• Blackwell显卡：必须用FP4

3.3 可选模型：让效果更上一层楼

除了主模型，还有一些可选模型可以提升生成效果：

# 创建LoRA目录
mkdir -p models/loras

# 下载FLUX.1-Turbo-Alpha LoRA（加速生成）
# 这个LoRA可以让生成步数减少，速度更快
hf download 模型地址/flux.1-turbo-alpha.safetensors --local-dir models/loras/

# 下载其他风格LoRA（按需）
# 比如动漫风格、写实风格等

LoRA模型很小，通常只有几十到几百MB，但效果提升很明显。特别是FLUX.1-Turbo-Alpha，我强烈建议下载，它能大幅减少生成时间。

3.4 工作流配置：一键导入省时省力

Nunchaku插件自带了一些示例工作流，我们把它复制到ComfyUI能识别的位置：

# 进入ComfyUI根目录
cd ComfyUI

# 创建工作流目录
mkdir -p user/default/example_workflows

# 复制示例工作流
cp custom_nodes/nunchaku_nodes/example_workflows/* user/default/example_workflows/

这样在ComfyUI网页界面里，你就能直接加载这些工作流，不用自己从头搭建了。

4. 实战操作：生成你的第一张图

所有准备工作都完成了，现在让我们启动ComfyUI，开始生成图片吧。

4.1 启动ComfyUI

在ComfyUI根目录下运行：

python main.py

如果一切正常，你会看到类似这样的输出：

Starting server
To see the GUI go to: http://127.0.0.1:8188

在浏览器里打开这个地址，就能看到ComfyUI的界面了。

4.2 加载Nunchaku工作流

在ComfyUI界面里，点击右上角的"Load"按钮，然后选择我们刚才复制的工作流：

1. 找到user/default/example_workflows目录
2. 选择nunchaku-flux.1-dev.json文件

这个工作流是专门为Nunchaku FLUX.1-dev优化的，支持多LoRA加载，文生图效果最好。

如果你看到节点显示为红色，或者提示缺失节点，别担心，这是正常的。点击"Manager"按钮，然后选择"Install Missing Custom Nodes"，ComfyUI会自动安装缺少的节点。

4.3 配置生成参数

工作流加载成功后，你会看到这样的界面：

现在来配置生成参数：

1. 输入提示词 找到"CLIP Text Encode"节点，在文本框里输入英文描述。FLUX模型对英文支持更好，你可以这样写：

A beautiful landscape with mountains and lakes, ultra HD, realistic, 8K

或者更有创意的：

A cyberpunk city at night, neon lights, raining, reflections on wet streets, cinematic lighting

2. 调整基本参数

• 推理步数：默认是20步。如果用了FLUX.1-Turbo-Alpha LoRA，可以降到8-12步
• 分辨率：默认是1024x1024。如果显存不够，可以降到768x768或512x512
• 采样器：推荐用dpmpp_2m或euler_a
• CFG Scale：控制提示词权重，7-10之间效果比较好

3. LoRA配置 如果你下载了LoRA模型，可以在相应的节点里启用。FLUX.1-Turbo-Alpha能显著加快生成速度，建议开启。

4.4 生成并查看结果

所有参数设置好后，点击右下角的"Queue Prompt"按钮，开始生成。

第一次生成会比较慢，因为要加载模型到显存。后续生成就会快很多。在RTX 4090上，INT4模型生成一张1024x1024的图片大概需要15-20秒（20步）。

生成完成后，图片会显示在预览区域。你可以右键图片选择"Save Image"保存到本地。

5. 性能优化与问题排查

即使一切安装正确，有时候还是会遇到问题。这里我总结了一些常见问题和优化技巧。

5.1 显存优化技巧

如果你的显存紧张，可以试试这些方法：

1. 使用量化版本 这是最有效的方法。不同版本的显存占用大概如下：

• FP16原版：约33GB
• INT4量化：约12-16GB
• FP8量化：约8-10GB
• FP4量化：约6-8GB

2. 调整分辨率 降低输出分辨率能显著减少显存占用：

• 1024x1024：全尺寸，效果最好
• 768x768：平衡质量和显存
• 512x512：最低要求，细节会损失

3. 使用--lowvram模式 启动ComfyUI时加上参数：

python main.py --lowvram

这个模式会分批处理，减少峰值显存占用，但速度会慢一些。

5.2 生成速度优化

想要生成更快？试试这些：

1. 启用FLUX.1-Turbo-Alpha LoRA 这个LoRA能让生成步数减少50%以上，而质量损失很小。

2. 调整推理步数

• 不用Turbo LoRA：建议20-25步
• 用Turbo LoRA：8-12步就够了

3. 使用xformers加速 安装xformers并启用：

pip install xformers

然后在启动参数里加上--use-split-cross-attention

5.3 常见问题解决

问题1：启动时报错"找不到模块"

ModuleNotFoundError: No module named 'nunchaku'

解决：重新安装Nunchaku后端，确保在正确的Python环境下安装。

问题2：生成时显存不足

CUDA out of memory

解决：

1. 换用更小的量化模型（INT4→FP8）
2. 降低分辨率
3. 使用--lowvram模式
4. 关闭其他占用显存的程序

问题3：生成图片全黑或全白 解决：检查VAE模型是否正确加载。确保models/vae/目录下有ae.safetensors文件。

问题4：Blackwell显卡报错

Unsupported operation for fp4_e2m1

解决：确保使用的是FP4量化版本，INT4版本在Blackwell上可能不兼容。

问题5：工作流节点显示红色 解决：点击"Manager"→"Install Missing Custom Nodes"，让ComfyUI自动安装缺失的节点。

5.4 高级技巧：自定义工作流

当你熟悉基本操作后，可以尝试自定义工作流：

1. 多LoRA混合：同时加载多个LoRA，比如一个控制风格，一个控制细节
2. 提示词矩阵：用|分隔多个提示词，让模型自动组合
3. ControlNet集成：结合ControlNet实现姿势控制、边缘检测等
4. 批量生成：设置不同的种子，一次生成多张变体

这些高级功能能让你的创作更加灵活，但需要一定的学习成本。建议先从基础工作流开始，熟练后再尝试。

6. 总结

通过这篇教程，你应该已经成功在ComfyUI中部署了Nunchaku FLUX.1-dev模型，并且生成了第一张图片。让我们回顾一下关键点：

部署的核心步骤：

1. 根据显卡选择正确的量化版本（Blackwell用FP4，其他用INT4，小显存用FP8）
2. 用Comfy-CLI或手动方式安装插件
3. 下载所有必需的模型文件到正确目录
4. 加载示例工作流开始生成

性能优化的关键：

• 显存不够就换量化版本或降分辨率
• 想要速度快就启用Turbo LoRA并减少步数
• 定期更新插件和模型获取最新优化

最重要的建议：

• 第一次使用建议从示例工作流开始，不要自己从头搭建
• 生成时先用小分辨率测试提示词效果，满意后再用大分辨率
• 保存成功的工作流，方便以后重复使用

FLUX.1-dev是个很强大的模型，特别是在细节表现和光影处理上。虽然部署过程有点复杂，但一旦跑起来，你会发现这些努力都是值得的。它能生成质量很高的图片，而且通过Nunchaku的优化，生成速度也相当不错。

现在你可以开始探索不同的提示词，尝试各种风格，创作属于你自己的AI艺术作品了。如果在使用过程中遇到问题，记得回头看看第5节的问题排查部分，大多数常见问题都能在那里找到答案。

---

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。