openclaw+Nunchaku FLUX.1-dev：开源文生图模型微调入门指南

本文介绍了如何在星图GPU平台上自动化部署Nunchaku FLUX.1-dev文生图镜像，快速搭建AI绘画环境。该镜像基于开源FLUX.1-dev模型优化，用户可通过ComfyUI可视化界面，输入文本描述轻松生成高质量图片，适用于创意设计、内容创作等场景。

富叔

284人浏览 · 2026-02-27 00:09:38

富叔 · 2026-02-27 00:09:38 发布

openclaw+Nunchaku FLUX.1-dev：开源文生图模型微调入门指南

想试试最新的开源文生图模型，但被复杂的安装和配置劝退？别担心，今天带你用最简单的方式，在ComfyUI里玩转Nunchaku FLUX.1-dev这个强大的开源模型。

FLUX.1-dev是Black Forest Labs开源的下一代文生图模型，而Nunchaku团队基于它做了优化和量化，让我们能在消费级显卡上运行。这篇文章就是你的保姆级教程，从零开始，手把手教你部署、配置和生成第一张图片。

1. 开始之前：你需要准备什么

在动手之前，先看看你的电脑环境是否满足要求。这就像做饭前要准备好食材和厨具一样，准备工作做得好，后面才能顺利进行。

硬件要求

显卡：需要NVIDIA显卡，并且支持CUDA。这是最重要的，因为模型运行需要显卡加速。
显存：建议24GB以上。如果显存不够，后面我们会介绍量化版模型，16GB甚至8GB显存也能跑起来。
内存：至少16GB，32GB会更流畅。
硬盘空间：准备50GB以上的空闲空间，用来存放模型文件。

软件环境

操作系统：Windows 10/11、Linux或者macOS（M系列芯片需要特殊配置）。
Python：需要Python 3.10或更高版本。
Git：用来下载代码和插件。
基础工具：提前安装好huggingface_hub，这是下载模型必备的工具。

安装huggingface_hub很简单，打开命令行输入：

pip install --upgrade huggingface_hub

如果你对这些工具不熟悉，没关系，跟着步骤做就行。整个过程就像搭积木，我们一块一块来。

2. 搭建你的AI画室：安装ComfyUI和Nunchaku插件

ComfyUI是一个可视化的AI工作流工具，你可以把它想象成一个数字画室，而Nunchaku插件就是画室里专门为FLUX模型定制的画笔和颜料。

2.1 安装ComfyUI（如果你还没有）

如果你已经安装过ComfyUI，可以跳过这一步。如果没有，这里有两种安装方法，选一个你觉得方便的就行。

方法一：用Comfy-CLI一键安装（推荐给新手）

这个方法最简单，就像在应用商店安装软件一样：

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

# 安装ComfyUI主程序
comfy install

# 安装完成后，进入ComfyUI目录
cd ComfyUI

方法二：手动安装（适合喜欢自己掌控的用户）

如果你习惯手动操作，或者想安装在特定位置：

# 下载ComfyUI的代码
git clone https://github.com/comfyanonymous/ComfyUI.git

# 进入目录
cd ComfyUI

# 安装依赖包
pip install -r requirements.txt

两种方法都能成功安装，区别在于第一种更自动化，第二种更透明。我建议新手用第一种，省心省力。

2.2 安装Nunchaku插件

插件就是给ComfyUI增加新功能的扩展。Nunchaku插件让我们能在ComfyUI里使用FLUX.1-dev模型。

安装插件本体

同样有两种方法：

用Comfy-CLI安装（最简单）

# 安装Nunchaku插件
comfy noderegistry-install ComfyUI-nunchaku

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

手动安装

# 进入ComfyUI的自定义节点目录
cd ComfyUI/custom_nodes

# 下载Nunchaku插件
git clone https://github.com/mit-han-lab/ComfyUI-nunchaku nunchaku_nodes

安装Nunchaku后端

从v0.3.2版本开始，安装变得特别简单。插件安装完成后，ComfyUI会自动识别并提示你安装后端。如果没自动提示，你也可以：

启动ComfyUI
在网页界面找到"Manager"菜单
选择"Install Missing Custom Nodes"
系统会自动安装所需的后端组件

后端是什么？你可以把它理解成插件的"发动机"，没有它插件就无法工作。

3. 准备绘画工具：下载模型文件

现在画室搭好了，我们需要准备绘画工具——也就是模型文件。FLUX.1-dev模型由几个部分组成，就像画画的颜料需要不同颜色一样。

3.1 创建正确的工作流目录

首先，让我们把Nunchaku自带的工作流示例复制到正确位置：

# 确保你在ComfyUI的根目录
cd ComfyUI

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

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

工作流是什么？你可以把它想象成预设好的绘画流程模板。有了这些模板，你就不用从头开始搭建，直接加载就能用。

3.2 下载基础FLUX模型（必装）

FLUX模型需要几个基础组件才能工作，这些是必须下载的。

文本编码器模型

# 下载CLIP文本编码器
hf download comfyanonymous/flux_text_encoders clip_l.safetensors --local-dir models/text_encoders

# 下载T5文本编码器
hf download comfyanonymous/flux_text_encoders t5xxl_fp16.safetensors --local-dir models/text_encoders

VAE模型（视觉自编码器）

# 下载VAE模型
hf download black-forest-labs/FLUX.1-schnell ae.safetensors --local-dir models/vae

如果你已经通过其他方式下载了这些模型，也可以创建软链接。比如你的模型放在/root/ai-models/目录下：

# 进入模型目录
cd ComfyUI/models

# 创建文本编码器的软链接
ln -s /root/ai-models/text_encoders/clip_l.safetensors text_encoders/
ln -s /root/ai-models/text_encoders/t5xxl_fp16.safetensors text_encoders/

# 创建VAE的软链接
ln -s /root/ai-models/vae/ae.safetensors vae/

3.3 下载Nunchaku FLUX.1-dev主模型（核心）

这是最重要的部分，也是我们生成图片的核心模型。根据你的显卡类型，需要选择不同的版本：

显卡类型	推荐模型版本	显存占用	适合人群
Blackwell架构（RTX 50系列）	FP4量化版	约8-10GB	最新显卡用户
其他NVIDIA显卡	INT4量化版	约10-12GB	大多数用户
显存较小（16GB以下）	FP8量化版	约17GB	显存有限的用户
显存充足（24GB以上）	FP16原版	约33GB	追求最高质量的用户

下载INT4量化版（适合大多数用户）

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

或者使用本地已有的模型文件创建软链接：

cd ComfyUI/models/unet/
ln -s /root/ai-models/unet/svdq-int4_r32-flux.1-dev.safetensors ./

3.4 下载可选LoRA模型（让效果更好）

LoRA是什么？你可以把它理解成"风格滤镜"。基础模型就像素描写生，而LoRA可以给画面加上不同的艺术风格。

常用的LoRA模型

FLUX.1-Turbo-Alpha：加速生成，减少推理步数
Ghibsky Illustration：宫崎骏动画风格
其他风格LoRA：根据你的喜好选择

下载LoRA模型：

# 进入LoRA目录
cd ComfyUI/models/loras/

# 创建软链接到你的LoRA文件
ln -s /root/ai-models/lora/flux_turbo_alpha.safetensors ./
ln -s /root/ai-models/lora/ghibli_style.safetensors ./

4. 开始创作：运行你的第一张AI图片

所有准备工作都完成了，现在让我们启动ComfyUI，开始生成第一张图片。

4.1 启动ComfyUI

在ComfyUI根目录下运行：

python main.py

启动成功后，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

在浏览器中打开这个地址（通常是http://127.0.0.1:8188），就能看到ComfyUI的界面了。

4.2 加载Nunchaku FLUX.1-dev工作流

ComfyUI的界面可能一开始看起来有点复杂，但别担心，我们一步步来。

找到工作流加载按钮：在界面右上角，点击"Load"按钮
选择工作流文件：找到user/default/example_workflows/nunchaku-flux.1-dev.json
加载工作流：点击打开，界面会自动加载所有节点

Nunchaku FLUX.1-dev工作流界面

这个工作流已经为我们配置好了所有必要的节点，包括：

文本编码器（把文字描述转换成模型能理解的形式）
FLUX.1-dev主模型
可选的LoRA模型
采样器（控制生成过程）
图像保存和显示

4.3 设置参数并生成图片

现在到了最有趣的部分——输入你的创意描述，让AI帮你画出来。

第一步：输入提示词

在工作流中找到"Prompt"输入框，这里输入你想要生成的图片描述。FLUX模型对英文提示词支持更好，所以建议用英文描述。

试试这个例子：

A beautiful landscape with mountains and lakes, ultra HD, realistic, 8K, sunset, golden hour, photorealistic

翻译成中文就是："美丽的山水风景，有山有湖，超高清，写实风格，8K分辨率，日落时分，黄金时刻，照片级真实感"

第二步：调整参数（可选）

如果你对生成效果有特定要求，可以调整这些参数：

参数	作用	推荐值
Steps（推理步数）	生成过程的精细程度	20-50（开启Turbo LoRA可减少）
CFG Scale	提示词跟随程度	3.5-7.5
Sampler（采样器）	影响生成风格	Euler Ancestral或DPM++ 2M
Resolution（分辨率）	输出图片大小	1024x1024或更高

第三步：点击生成

找到界面上的"Queue Prompt"按钮，点击它开始生成。根据你的显卡性能和图片复杂度，生成时间从几十秒到几分钟不等。

生成完成后，你会在右侧看到结果。如果对效果不满意，可以：

修改提示词（更具体或换种描述方式）
调整参数（比如增加推理步数）
尝试不同的LoRA模型

生成结果示例

5. 进阶技巧和问题解决

掌握了基础用法后，来看看如何让生成效果更好，以及遇到问题怎么解决。

5.1 提升图片质量的技巧

提示词工程 好的提示词是生成好图片的关键。试试这些技巧：

具体描述：不要只说"一个女孩"，要说"一个穿着红色连衣裙的长发女孩，在樱花树下微笑"
添加质量词：像"masterpiece, best quality, ultra detailed, 8K"这样的词能提升质量
使用负面提示：告诉模型不要什么，比如"blurry, low quality, deformed"
权重控制：用(word:1.2)给重要词加权重，用[word]降低权重

参数调优

推理步数：20-30步通常够用，追求细节可以到50步
CFG Scale：太高会让图片过饱和，太低会不遵循提示词，5-7是比较好的范围
种子固定：找到喜欢的图片后，固定种子值可以生成类似风格的图片

5.2 常见问题解决

问题1：显存不足

RuntimeError: CUDA out of memory

解决方法：

降低分辨率（从1024x1024降到768x768）
使用量化版模型（INT4或FP8）
关闭其他占用显存的程序
减少批处理大小

问题2：工作流节点缺失 加载工作流时提示某些节点找不到。

解决方法：

通过ComfyUI Manager安装缺失的节点
或者手动安装对应的自定义节点

问题3：生成速度慢 解决方法：

开启FLUX.1-Turbo-Alpha LoRA
减少推理步数
使用更快的采样器（如Euler a）
确保使用GPU加速，而不是CPU

问题4：图片质量不理想 解决方法：

检查提示词是否足够具体
增加推理步数
尝试不同的采样器
调整CFG Scale值

5.3 模型文件存放位置总结

为了避免混淆，这里总结一下各个模型文件应该放在哪里：

文件类型	存放目录	示例文件
FLUX.1-dev主模型	`models/unet/`	`svdq-int4_r32-flux.1-dev.safetensors`
LoRA模型	`models/loras/`	`flux_turbo_alpha.safetensors`
文本编码器	`models/text_encoders/`	`clip_l.safetensors`, `t5xxl_fp16.safetensors`
VAE模型	`models/vae/`	`ae.safetensors`