GGUF_K: HyperFlux 8-Steps K_M Quants

警告：尽管这些K量化版本在ComfyUI中完美运行，但我尚未能使其在Forge UI中正常工作。如情况有变，请告知我。原始的非K量化版本可在此处找到 HERE ，这些版本已验证可在Forge UI中正常运行。

[注意：请解压下载文件以获取GGUF格式。CivitAI原生不支持此格式，因此采用此变通方法]

这些是适用于HyperFlux 8步的K(_M)量化版本。K量化版本比非K量化版本具有更高的精度和性能。HyperFlux是将Flux.D与字节跳动的8步HyperSD LoRA合并后转换为GGUF格式的成果。因此，您将获得一个超内存高效且快速的DEV模型（对CFG敏感），仅用8步即可生成完全去噪的图像，同时仅消耗约6.2GB显存（以Q4_0量化为例）。

您可以在ComfyUI中使用此自定义节点运行该模型。但我尚未能使其在Forge UI中工作。有关下载VAE、clip_l和t5xxl模型的信息，请参阅：https://github.com/lllyasviel/stable-diffusion-webui-forge/discussions/1050

与FastFlux及其他Dev-Schnell合并模型相比的优势

• 质量显著更好：与FastFlux等Schnell模型相比，8步下可获得更优的质量和表现力。

• CFG/引导敏感性：由于这是DEV模型，与混合模型不同，您可获得完整的（蒸馏后的）CFG敏感性——即您可以控制提示敏感度与创造力、柔和度与饱和度之间的平衡。

• 完全兼容Dev LoRAs，兼容性优于Schnell模型。

• 唯一缺点：为获得最佳质量，需使用8步推理。但即便如此，使用Schnell模型时，您大概也会尝试至少8步以获得最佳效果。

我应该下载哪个模型？

[当前情况：使用更新后的ComfyUI（GGUF节点），我可以在11GB显存的1080ti上运行Q6_K版本。]

请选择符合您显存容量的版本。若模型能完全载入GPU，其额外推理开销极小。尺寸排序为：Q2 < Q3 < Q4 < Q5 < Q6。除非您确实无法将模型装入内存，否则不建议使用Q2和Q3。

所有与Flux.1 Dev相关的许可条款均适用。

PS：感谢字节跳动提供HyperSD Flux 8步LoRA，可在以下地址获取：https://huggingface.co/ByteDance/Hyper-SD/tree/main