🔥 HiDream：多格式高级AI图像生成

📌 概述

HiDream 目前提供多个 AI 模型版本和格式（如 .safetensors 和 .gguf），每种格式均针对速度、质量、VRAM 使用率和软件兼容性等不同需求优化。了解这些差异有助于您根据硬件条件选择最佳版本，并找到正确的下载链接。

🔑 本指南涵盖

1. 核心模型：主要变体（完整版、开发版、快速版）及其获取位置

2. 必要组件：实现完整功能所需的文本编码器和 VAE 模型

3. 量化版本：GGUF 模型版本及其来源

4. 硬件要求：这些模型的一般 GPU VRAM 需求

⚡ 核心 HiDream 图像模型

• 1. HiDream 完整版

  • 重点：最高画质与细节

  • 设置：步数：50，采样器：uni_pc，调度器：simple，CFG：5.0（需负向提示）

• 2. HiDream 开发版

  • 重点：速度与实验性

  • 设置：步数：28，采样器：lcm，调度器：normal，CFG：1.0（无需负向提示）

• 3. HiDream 快速版

  • 重点：最大速度

  • 设置：步数：16，采样器：lcm，调度器：normal，CFG：1.0（无需负向提示）

下载位置（FP16/FP8 扩散模型分片）：Hugging Face 仓库

注意：下载所需模型的所有部分（如 hidream_i1_full_fp16.safetensors），并放入 ComfyUI/models/diffusion_models/ 文件夹中。

🧠 文本编码器与 VAE 模型

这些组件对于理解您的提示并完成图像生成至关重要。它们需与主图像模型一同加载，会占用额外的 VRAM。

必需的 HiDream 文本编码器

1. clip_g_hidream.safetensors（1.39 GB）

2. clip_l_hidream.safetensors（248 MB）

3. llama_3.1_8b_instruct_fp8_scaled.safetensors（9.08 GB）

4. t5xxl_fp8_e4m3fn_scaled.safetensors（5.16 GB）

下载位置（分片文本编码器）：Hugging Face 仓库

注意：下载所需编码器（clip_g、clip_l、t5xxl、llama3.1）的所有部分，并放入 ComfyUI/models/text_encoders/ 文件夹中。

VAE

• ae.safetensors

📁 推荐文件夹结构

为最佳组织 HiDream 模型与组件，请遵循以下推荐结构：

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   └── 📄 hidream_i1_[variant].safetensors（或 .gguf）
│   ├── 📂 text_encoders/
│   │   ├── 📄 clip_g_hidream.safetensors
│   │   ├── 📄 clip_l_hidream.safetensors
│   │   ├── 📄 llama_3.1_8b_instruct_fp8_scaled.safetensors
│   │   └── 📄 t5xxl_fp8_e4m3fn_scaled.safetensors
│   ├── 📂 vae/
│   │   └── 📄 ae.safetensors

📊 GGUF 模型版本（量化版 HiDream）

可用的 HiDream-I1 GGUF 量化版本及下载链接

1. HiDream 完整版 GGUF

   • https://huggingface.co/city96/HiDream-I1-Full-gguf

2. HiDream 快速版 GGUF

   • https://huggingface.co/city96/HiDream-I1-Fast-gguf

3. HiDream 开发版 GGUF

   • https://huggingface.co/city96/HiDream-I1-Dev-gguf

注意：K-量化（_K_M、_K_S）在相似比特级别下通常比旧标准量化（_0、_1）提供更高质量。

💻 GPU VRAM 需求与模型适用性

VRAM 至关重要，您需要足够的空间容纳模型、必要的辅助组件（编码器、VAE）、软件开销以及生成过程。

按 GPU VRAM 推荐的 GGUF 适用性（以 HiDream 完整版 GGUF 体积为参考）

1. 8GB VRAM

• 最适合 Q2_K（6.56 GB），或在部分卸载情况下尝试 Q3_K_S（8.21 GB）/ Q3_K_M（8.77 GB）

2. 12GB VRAM（如 RTX 3060 12GB）

• 可流畅运行 Q3 级别模型，完全驻留在 VRAM 中。

• 可运行 Q4 级别（最高 Q4_K_M @ 11.5 GB），但较大的 Q4 模型可能需要部分层卸载到 CPU/RAM。

• Q5 级别（最高 13.5 GB）可行，但需显著卸载。

• 建议：从 Q4_K_M 或 Q4_K_S 开始；若因卸载导致速度过慢，可尝试 Q3_K_M。

3. 16GB VRAM

• 可能完全在 VRAM 中运行 Q5 级别（最高 13.5 GB）。

• 可运行 Q6_K（14.7 GB），可能仅需极少量卸载。

4. 24GB VRAM（或更高）

• 可流畅运行 Q6_K（14.7 GB）及更高量化级别如 Q8_0。

• 完整 FP16 模型（34.2 GB）即使在 24GB 显卡上也需大量卸载，更适合 48GB+ 显卡或多 GPU 系统以实现完全 VRAM 利用。

🙏 致谢

• 特别感谢 Black Forest Labs 开发了原始的 FLUX.1-Fill-dev 模型。

• 衷心感谢 city96 在 GGUF 领域的开创性贡献！🙌

👨‍💻 开发者信息

本指南由 Abdallah Al-Swaiti 创建：

1. Hugging Face

2. GitHub

3. LinkedIn

如需更多工具与更新，请访问我的 ComfyUI-OllamaGemini

✨ 用 HiDream 升级您的创作愿景 ✨