openclaw开源大模型：Nunchaku FLUX.1-dev ComfyUI部署一文详解

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，并利用ComfyUI快速搭建AI绘画环境。该镜像基于先进的FLUX.1-dev模型，用户可通过简单的配置，高效生成高质量的数字艺术图像，广泛应用于创意设计、内容创作等场景。

StarfallOwl89

410人浏览 · 2026-03-14 06:34:17

StarfallOwl89 · 2026-03-14 06:34:17 发布

openclaw开源大模型：Nunchaku FLUX.1-dev ComfyUI部署一文详解

想用上最新的FLUX.1-dev模型，但被复杂的部署步骤劝退？别担心，这篇教程就是为你准备的。我们将手把手带你完成Nunchaku FLUX.1-dev模型在ComfyUI中的完整部署，从环境准备到生成第一张图片，全程无坑指南。

无论你是刚接触AI绘画的新手，还是想尝鲜最新模型的老玩家，跟着步骤走，30分钟内就能让这个强大的文生图模型跑起来。我们不仅会讲“怎么做”，还会告诉你“为什么这么做”，让你真正理解每个环节。

1. 环境准备：打好基础才能跑得稳

在开始安装之前，确保你的电脑环境满足基本要求，这能避免后续90%的兼容性问题。

1.1 硬件要求：显卡是关键

Nunchaku FLUX.1-dev对硬件有一定要求，但别担心，有多种量化版本可选：

显卡：必须使用NVIDIA显卡，并且支持CUDA。这是硬性要求，AMD显卡暂时无法运行。
显存大小：
- 理想配置：24GB及以上显存，可以运行FP16完整版模型，效果最好。
- 主流配置：8GB-16GB显存，建议选择INT4或FP8量化版模型。
- 最低要求：6GB显存，只能运行最低配置的量化版本，生成速度较慢。
其他硬件：至少16GB内存，100GB可用硬盘空间（模型文件较大）。

1.2 软件环境：一步到位安装

软件环境相对简单，按顺序安装即可：

Python 3.10+：这是必须的版本，3.9或更低版本会有兼容性问题。
Git：用于从GitHub克隆代码，Windows用户可以从官网下载安装。
PyTorch：需要与你的CUDA版本匹配。如果你不确定，可以运行以下命令安装通用版本：

# 安装PyTorch（CUDA 12.1版本）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

huggingface_hub：用于下载模型文件，这是必须的：

pip install --upgrade huggingface_hub

小贴士：如果你之前已经安装过ComfyUI，可以跳过部分步骤，但一定要确保huggingface_hub是最新版本。

2. Nunchaku ComfyUI插件安装部署

环境准备好后，我们开始安装核心的Nunchaku插件。这部分有两种方法，推荐使用第一种，更简单快捷。

2.1 安装ComfyUI-nunchaku插件

方法A：使用Comfy-CLI（推荐，最简单）

这是官方推荐的方法，适合大多数用户，特别是新手：

# 第一步：安装ComfyUI命令行工具
pip install comfy-cli

# 第二步：安装ComfyUI（如果已经安装过，这步会自动跳过）
comfy install

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

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

这个方法的好处是自动处理依赖关系，减少手动配置的麻烦。

方法B：手动安装（适合自定义需求）

如果你需要对安装过程有更多控制，或者遇到网络问题，可以手动安装：

# 第一步：克隆ComfyUI主程序
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：进入自定义节点目录并克隆Nunchaku插件
cd custom_nodes
git clone https://github.com/mit-han-lab/ComfyUI-nunchaku nunchaku_nodes

手动安装的步骤稍多，但你可以更清楚地看到每个环节。

2.2 安装Nunchaku后端

插件安装完成后，还需要安装后端支持。从v0.3.2版本开始，这个过程变得非常简单：

启动ComfyUI（暂时先不生成图片）
在ComfyUI界面中，你会看到Nunchaku相关的节点
首次使用这些节点时，系统会自动提示安装后端wheel包
按照提示点击确认即可完成安装

如果自动安装失败，你也可以手动执行：

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

# 运行安装脚本
python install_wheel.py

3. Nunchaku FLUX.1-dev模型使用准备

插件安装好了，接下来要准备模型文件。这是最关键的一步，模型放错位置会导致无法运行。

3.1 配置Nunchaku工作流

工作流是ComfyUI中预定义的图片生成流程，Nunchaku提供了现成的模板：

# 进入ComfyUI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Nunchaku示例工作流
cp custom_nodes/nunchaku_nodes/example_workflows/* user/default/example_workflows/

完成这步后，重启ComfyUI，你就能在“Load”按钮下的工作流列表里看到Nunchaku相关的工作流了。

3.2 下载模型文件

模型文件分为两部分：基础FLUX模型和Nunchaku FLUX.1-dev专属模型。请严格按照目录结构存放。

3.2.1 下载基础FLUX模型（必须）

这些是所有FLUX模型共用的基础组件：

# 下载文本编码器模型（放到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（放到models/vae目录）
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，可以创建软链接：

# 文本编码器模型软链接示例
ln -s /你的模型路径/clip_l.safetensors ComfyUI/models/text_encoders/clip_l.safetensors
ln -s /你的模型路径/t5xxl_fp16.safetensors ComfyUI/models/text_encoders/t5xxl_fp16.safetensors

# VAE模型软链接示例
ln -s /你的模型路径/ae.safetensors ComfyUI/models/vae/ae.safetensors

3.2.2 下载Nunchaku FLUX.1-dev主模型（核心）

这是生成图片的核心模型，根据你的显卡选择合适版本：

显卡类型	推荐模型版本	显存占用	生成质量
Blackwell显卡（RTX 50系列）	FP4量化版	约8GB	优秀
其他NVIDIA显卡（RTX 30/40系列）	INT4量化版	约10GB	优秀
显存8GB及以下	FP8量化版	约6GB	良好
显存16GB及以上	FP16完整版	约33GB	最佳

下载命令示例（INT4版本）：

# 下载INT4量化版主模型
hf download nunchaku-tech/nunchaku-flux.1-dev svdq-int4_r32-flux.1-dev.safetensors --local-dir models/unet/

同样，如果你已经下载了模型文件，可以创建软链接：

ln -s /你的模型路径/svdq-int4_r32-flux.1-dev.safetensors ComfyUI/models/unet/svdq-int4_r32-flux.1-dev.safetensors

3.2.3 可选：下载LoRA模型（增强效果）

LoRA是小型的附加模型，可以微调生成风格。Nunchaku FLUX.1-dev支持多个LoRA同时使用：

# 下载FLUX.1-Turbo-Alpha LoRA（加速生成）
hf下载命令...

# 下载Ghibsky Illustration LoRA（吉卜力风格）
hf下载命令...

将下载的LoRA文件放到models/loras/目录下。

4. 启动ComfyUI并运行FLUX.1-dev文生图

所有准备工作完成后，终于可以开始生成图片了！

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 选择Nunchaku FLUX.1-dev工作流

ComfyUI支持多种工作流，我们需要加载专门为Nunchaku FLUX.1-dev优化的工作流：

点击界面右上角的“Load”按钮
选择user/default/example_workflows/nunchaku-flux.1-dev.json
工作流加载后，界面会显示完整的节点连接图

这个工作流已经预配置好了所有必要的节点和连接，你只需要调整参数即可。

4.3 文生图参数设置与运行

现在到了最激动人心的环节——生成你的第一张图片！

4.3.1 输入提示词

在工作流中找到“CLIP Text Encode”节点或类似的文本输入框，输入英文描述。FLUX模型对英文提示词的支持更好。

提示词编写技巧：

主体描述：明确你想要什么（如：a beautiful landscape）
细节补充：添加风格、质量、光线等（如：ultra HD, realistic, sunset lighting）
负面提示：在Negative Prompt框中输入不想要的内容（如：blurry, distorted, watermark）

示例提示词：

A majestic mountain landscape at sunset, snow-capped peaks, crystal clear lake reflection, cinematic lighting, ultra detailed, 8K resolution, photorealistic

4.3.2 调整生成参数

关键参数说明：

参数	推荐值	作用说明
Steps（推理步数）	20-50步	步数越多细节越好，但时间越长。开启Turbo LoRA时可减少到10-20步
Resolution（分辨率）	1024x1024	FLUX.1-dev支持多种分辨率，显存不足时可降低到768x768
CFG Scale	3.5-7.0	控制提示词跟随程度，值越高越贴近描述
Sampler（采样器）	Euler a	平衡速度和质量，新手推荐这个
LoRA权重	0.5-1.0	多个LoRA时，权重总和建议不超过1.5

4.3.3 生成并查看结果

点击界面上的“Queue Prompt”按钮开始生成
等待进度条完成（首次生成可能较慢，需要加载模型）
在右侧的预览区域查看生成的图片
满意的话可以点击“Save”保存图片

第一次运行常见问题：

显存不足：降低分辨率或使用量化版模型
节点缺失：通过ComfyUI-Manager安装缺失的自定义节点
模型加载失败：检查模型文件路径是否正确

5. 进阶技巧与优化建议

掌握了基础用法后，这些技巧能让你的生成效果更上一层楼。

5.1 提示词工程进阶

好的提示词是生成好图片的关键：

# 这是一个结构化的提示词模板，你可以根据需要调整
prompt_template = """
[主体描述], [详细特征], [艺术风格], [画质要求], [其他修饰]

示例：
A cute cat wearing a hat, detailed fur, bright eyes, 
in the style of studio ghibli, 
4K resolution, sharp focus, cinematic lighting
"""

# 负面提示词同样重要
negative_prompt = """
blurry, distorted, ugly, bad anatomy, 
watermark, signature, text, 
low quality, jpeg artifacts
"""

5.2 多LoRA组合使用

Nunchaku FLUX.1-dev支持同时使用多个LoRA，实现风格混合：

添加LoRA节点：在工作流中复制多个LoRA Loader节点
设置不同权重：每个LoRA设置不同的强度（建议0.3-0.8）
组合策略：
- 风格LoRA + 主题LoRA（如：吉卜力风格 + 猫主题）
- 细节LoRA + 色彩LoRA（如：细节增强 + 色彩优化）

5.3 批量生成与工作流保存

提高效率的技巧：

# 使用API进行批量生成（高级用法）
import requests
import json

def batch_generate(prompts, output_dir):
    """批量生成多张图片"""
    for i, prompt in enumerate(prompts):
        # 构建请求数据
        data = {
            "prompt": prompt,
            "steps": 30,
            "width": 1024,
            "height": 1024
        }
        
        # 发送生成请求
        response = requests.post(
            "http://127.0.0.1:8188/prompt",
            json=data
        )
        
        # 保存结果
        if response.status_code == 200:
            save_image(response.content, f"{output_dir}/image_{i}.png")