【免费下载链接】Qwen-Image-Layered-6bit项目地址https://ai.gitcode.com/hf_mirrors/zimengxiong/Qwen-Image-Layered-6bit点击查看免费下载Qwen-Image-Layered-6bit 是面向Apple Silicon的 Qwen-Image-Layered 图层分解图像编辑模型的6-bit 量化版本它能把一张图拆成多层带透明度的 RGBA 图层每层可独立编辑、移动、缩放、换色。通过 MFLUXMLX 推理框架运行后模型体积从 BF16 的约 55 GB 降到约 31 GB统一内存占用约 29 GB让 32GB 内存的 Mac 也能跑动。本文完整解析 4-bit、6-bit、8-bit 三档量化在效果、显存与速度上的差异并给出选档建议与最快配置方法。一、这个项目能做什么Qwen-Image-Layered 的核心能力是图层分解image decomposition输入一张图输出layer_0.png、layer_1.png等多张带透明通道的 PNG。每层都可以单独处理——改颜色、挪位置、调大小而底层内容保持一致实现高保真的图像编辑。模型架构由三部分组成详见 README.mdTransformerQwenImageTransformer2DModel使用 Layer3D RoPE对[layer, height, width]做 3D 位置编码VAEAutoencoderKLQwenImageRGBA 4 通道 3D 时序卷积文本编码器Qwen2.5-VL负责提示词条件注入本仓库正是把这套模型权重做了MLX 6-bit 量化专门优化 Apple Silicon 上的推理。二、先看懂仓库结构四大模块各管什么仓库共四个目录对应推理时的四个部件目录作用分片权重大小磁盘transformer/主扩散 Transformer计算量最大8 个 safetensors 分片约 15.5 GBtext_encoder/Qwen2.5-VL 文本编码器7 个分片约 13.2 GBvae/RGBA 编解码器1 个分片约 0.24 GBtokenizer/Qwen2 分词器 对话模板-数 MB三个模型目录合计约28.9 GB与官方标注的约 31 GB / 显存约 29 GB口径一致。几个值得注意的细节每个分片索引文件的metadata中都写明了quantization_level: 6和mflux_version: 0.13.3见 transformer/model.safetensors.index.json量化采用 MLX 的仿射量化格式每个线性层除weight外还带scales与biases两组张量在 index 的weight_map中可见img_in.scales、img_in.biases等键tokenizer/chat_template.jinja 中保留了完整的对话模板说明文本编码器按 Qwen2.5-VL 的标准提示格式工作三、量化档位怎么选4-bit、6-bit、8-bit 对比MFLUX 通过-q参数选择量化档位4、6、8-bit不传则为 BF16 原始精度。以 16-bit BF16 为基准各档权重占用比例约为 bit 数 ÷ 16据此估算档位相对体积估算权重体积统一内存占用估算图像质量推理速度BF16原始100%约 55 GB约 55 GB基准基准8-bit50%约 38.5 GB约 40 GB接近原版几乎无可见损失明显更快6-bit本仓库37.5%约 28.9 GB约 29 GB与 8-bit 肉眼难分个别高频纹理略软快且为综合最优4-bit25%约 19 GB约 20 GB整体可用复杂场景细节与颜色过渡有可见差异最快、最省内存三档的取舍逻辑很直观4-bit牺牲最多精度换来最省内存。适合 16GB~24GB 统一内存的 Mac追求能跑起来 出图可用。6-bit官方推荐档位精度损失极小体积已砍掉 2/3是质量与体积的最佳平衡点——这也是本仓库选择 6-bit 的原因。8-bit几乎无损但体积只省一半适合 48GB 内存、对画质要求极高、不在乎等待更久的场景。速度方面MLX 推理的瓶颈主要在内存带宽bit 数越低权重读取量越少去量化计算也越轻。因此在同一台 Mac 上4-bit 6-bit 8-bit BF16 的耗时依次递增6-bit 相比 BF16 的提速主要体现在加载速度与显存压力显著下降推理步数--steps不变的前提下整体出图更快、更不易触发内存溢出。四、在 Mac 上最快跑起来一键安装步骤硬件门槛来自 README.mdApple SiliconM1 / M2 / M3 / M4 系列最低 24GB 统一内存推荐 32GB 以上macOS 13.0# 1. 下载 6-bit 量化权重 git clone https://gitcode.com/hf_mirrors/zimengxiong/Qwen-Image-Layered-6bit # 2. 准备支持 Qwen-Image-Layered 的 MFLUX git clone https://github.com/zimengxiong/mflux.git cd mflux uv sync # 3. 执行图层分解4 层、50 步、6-bit 量化 uv run flux-generate-qwen-layered \ --image input.png \ --layers 4 \ --steps 50 \ -q 6 \ --output-dir ./layers运行完会在./layers得到 4 张带透明度的 RGBA PNGlayer_0.png、layer_1.png…。常用参数速查参数说明默认值--image输入图片路径必填--layers要分解的图层数4--steps推理步数50-q量化档位4 / 6 / 8-bit无BF16--resolution分辨率桶640 或 1024640--output-dir图层输出目录./ 小建议先用--resolution 640快速验证效果满意后再切 1024 出正式图内存紧张时把-q 6换成-q 4。五、按内存选档3 个实用建议16GB~24GB 内存用-q 4并把分辨率锁定 640、图层数减到 2~3 层。32GB 内存直接用本仓库的 6-bit 权重 -q 61024 分辨率、4 层无压力这是官方推荐的甜点位。48GB 以上内存可改用 8-bit 权重追求最高画质如果追求极致也可直接跑 BF16 原版权重约 55 GB。⚠️ 注意本仓库的权重本身是 6-bit 量化格式含scales/biases运行时请配合-q 6使用4-bit 与 8-bit 档位对应的是同结构的 4/8-bit 量化权重。六、文件资料速查资料路径项目说明与参数表README.mdTransformer 权重索引6-bit 元数据transformer/model.safetensors.index.json文本编码器权重索引text_encoder/model.safetensors.index.jsonVAE 权重索引vae/model.safetensors.index.json分词器配置Qwen2Tokenizertokenizer/tokenizer_config.json对话提示模板tokenizer/chat_template.jinja总结Qwen-Image-Layered-6bit 把图层化图像编辑这项高端能力以 6-bit 量化塞进了 32GB 内存的 Mac。如果你要在苹果电脑上做可编辑的 RGBA 图层分解6-bit 是默认之选4-bit 留给低内存机器救急8-bit 留给内存富裕的画质党。装好 MFLUX、跑一条命令几分钟内就能看到第一组可编辑图层。赞分享【免费下载链接】Qwen-Image-Layered-6bit项目地址https://ai.gitcode.com/hf_mirrors/zimengxiong/Qwen-Image-Layered-6bit点击查看免费下载相关推荐Kubernetes DaemonSetexample-voting-app节点级服务部署Kubernetes DaemonSetexample voting app节点级服务部署 在Kubernetes集群中部署分布式应用时如何确保每个节点都运4-bit、8-bit还是16-bitDeepSeek-R1-Distill-Qwen-7B-mlx-16bit量化版本选购清单附内存与速度对比4 bit、8 bit还是16 bitDeepSeek R1 Distill Qwen 7B mlx 16bit量化版本选购清单附内存与速度对比 Deep大模型基础模型推理模型本地部署4-bit vs 6-bit vs 8-bitAREX-Turbo-4bit 量化变体对比与选型终极指南4 bit vs 6 bit vs 8 bitAREX Turbo 4bit 量化变体对比与选型终极指南 AREX Turbo 4bit 是 BAAI/上一篇为什么你用 Rufus 做启动盘总失败5 个高频问题一次讲透下一篇PhoneSploit Pro网络扫描功能终极指南自动发现局域网Android设备创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考