@kop-wang 说:

目前试用了几下，文字精度、图像编辑、文生图的合理性、扩图等都不错。

唯一的问题就是空间能力不行。比如一张图让他换个“机位”，他是做不到的。
它可以给主体出三视图、设定图，但是不能给环境旋转。

可以说是补齐了目前开源唯二短板之一。

目前就差音乐模型没有开源的一线产品了。

https://huggingface.co/sensenova/SenseNova-U1.5-8B-MoT 这个模型做海报之类的好像也不错。

音乐模型我印象里minimax开源了一个Music、还有前两天刚开源的 https://huggingface.co/m-a-p/YuE2-3B 还有一个比较冷门的 https://github.com/Shao-Music-AI/Shao （示例站点：https://shao-music-ai.github.io/Shao-demo/ ）。

唯一的问题就是空间能力不行。比如一张图让他换个“机位”，他是做不到的。
它可以给主体出三视图、设定图，但是不能给环境旋转。

可以说是补齐了目前开源唯二短板之一。

目前就差音乐模型没有开源的一线产品了。

@perter 说:

qwen_image_2.1_int8_convrot.safetensors 权重只有7G，任何显卡都能跑。
Qwen Image 2.1最强的应该是图像编辑功能。
比如保持 <image1> 中的人物和姿势不变，让该人物穿上 <image2> 中的浅蓝色牛仔衬衫。

我觉得 Adobe 会哭晕在马桶里！

速度好快呀, 睡一個覺醒來 又有新東西了
這麼晚還在加班 記得護肝

• 文本编码器（约 15G）、DiT 主模型（johnnybegood 实测 17G）、VAE（约 1.2G）通常不会同时驻留：编码 prompt 用 text encoder，出图换 DiT，VAE 只在最后解码。ComfyUI 会顺序 load/unload，峰值主要看「同时驻留的最大模块 + 分辨率/批大小的激活 + attention 实现」。
• 所以 24G 的 3090 能跑不奇怪（实测 17G 占用），48G 的 4090/W7900 只是余量更大：能上更高分辨率、更大 batch、更少 offload，不是门槛。Geekyang 说的 32G 更接近「安装包总量」，不是「显存需求」。
• 2752×1536、40 步、6.9 s/step 偏慢，先分清是算力还是换页：nvidia-smi dmon 看显存占用和 SM 利用率——显存贴着 24G 且利用率低 → 在 offload/换页；利用率高 → 就是分辨率²×步数本身。可优化项：text encoder 换 fp8/GGUF 并放 CPU/offload、DiT 用 fp8/GGUF、开 flash/sage attention（SDPA/xformers）、VAE tiling、降分辨率或上 Lightning/LoRA 少步。
• 另外确认你下的是哪一版权重（原生 / GGUF / fp8），格式直接决定显存占用和能不能在 24G 上舒服跑。

随便搞了一张WWiii 超人拯救世界海报

@johnnybegood 说:

@Bunsei 正在玩， 0.41.0.dev0 才能跑起来， main分支里面还没更新呢

看着效果馋死了。好像赶紧回家试试看。

@Geekyang 说:

这个模型就32GB，对于普通用户，能带动的卡只有：
W7900 48GB
4090 48GB

这种模型好像不能看他的大小吧。