Nunchaku
nunchaku
3/5
🧩 软硬件结合
已发布
项目简介
[ICLR2025 Spotlight] SVDQuant: Absorbing Outliers by Low-Rank Components for 4-Bit Diffusion Models
Nunchaku 是一个专为 4 位量化神经网络设计的高性能推理引擎，源自 MIT 团队提出的 SVDQuant 技术（论文发表于 arXiv:2411.05007）。该项目旨在解决大模型在消费级 GPU 上部署时显存占用高、推理速度慢的核心痛点，通过创新的低比特量化与高效算子融合，让原本需要高端显卡的生成式 AI 模型能够在普通硬件上流畅运行。
标签
项目特点
**SVDQuant量化方法**：通过低秩分解吸收异常值，实现高质量的4位权值和激活值量化（W4A4）。
**显著性能提升**：在多种模型上实现2-3倍加速，显存占用降低3-4倍。
**广泛模型支持**：支持FLUX.1系列、SANA、Qwen-Image、PixArt-∑等多种主流扩散模型。
**低显存推理**：支持逐层CPU卸载，最低仅需4 GiB显存即可运行FLUX模型。
**丰富的功能集成**：支持LoRA、ControlNet、PuLID、多批次推理等高级功能。
**ComfyUI集成**：提供原生ComfyUI节点，方便在ComfyUI工作流中使用。
**多平台支持**：支持NVIDIA RTX 20系列及以上GPU，包括RTX 5090的NVFP4精度。
**Python后端**：提供Pythonic的模型实现，便于理解和扩展。
技术规格
| 量化精度 | W4A4 (INT4/NVFP4) |
|---|---|
| 量化方法 | SVDQuant (后训练量化) |
| 支持模型 | FLUX.1-dev, FLUX.1-schnell, FLUX.1-tools, SANA, Qwen-Image, PixArt-∑, Z-Image-Turbo等 |
| 显存需求 | 最低4 GiB (支持CPU卸载) |
| 加速比 | 相比BF16: 2-8.7倍; 相比NF4 W4A16: 3倍 |
| GPU支持 | NVIDIA RTX 20系列及以上 (支持NVFP4的RTX 5090) |
| 框架集成 | ComfyUI, Gradio |
| 额外功能 | LoRA, ControlNet, PuLID, 多批次推理, CPU卸载 |
项目资源
搜索资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| Python 3.8+ | 1 | — | 运行环境 |
| PyTorch | 1 | — | 深度学习框架 |
| CUDA Toolkit | 1 | — | GPU计算支持 |
| NVIDIA GPU (RTX 20系列及以上) | 1 | — | 推荐16GB+显存 |
| 预训练扩散模型 (如FLUX.1-dev) | 1 | — | 从Hugging Face下载 |
| 4位量化模型权重 | 1 | — | 从Hugging Face/ModelScope下载 |
能力画像
⚪ 记忆与知识检索: 1/5
🔵 逻辑推演: 3/5
⚪ 表达与交流: 1/5
⚪ 感知与观察: 1/5
🔵 数理与计算: 4/5
🔵 动手与操作: 3/5
🔵 狂热与坚持: 3/5
🔵 创造与创新: 4/5
项目图库
视频
所需技能
🔧 **动手能力**：需要能够配置Python环境和安装依赖，熟悉Git操作，能够运行命令行脚本。
💻 **编程能力**：需要具备Python编程基础，了解PyTorch框架，能够阅读和修改示例脚本。
⚡ **电子电路**：不涉及硬件电路。
适用场景
**学术研究**：研究低比特量化技术（W4A4）在扩散模型中的应用和效果。
**AI应用开发**：在资源受限的环境（如笔记本电脑）中部署和运行大型扩散模型。
**图像生成**：使用FLUX、SANA等模型进行高效的文生图、图生图、深度图生成等任务。
**ComfyUI工作流**：将4位量化模型集成到ComfyUI工作流中，实现高效的图像生成管线。
**模型部署**：将大型扩散模型量化后部署到边缘设备或云端，降低推理成本和延迟。