nunchaku qwen image edit 2509
par nunchaku-ai
Open source · 9k downloads · 287 likes
3.1
(287 avis)ImageAPI & LocalÀ propos
Le modèle *nunchaku qwen image edit 2509* est une version optimisée et quantifiée du modèle Qwen-Image-Edit-2509, spécialisée dans l'édition d'images à partir de texte. Il permet de modifier des images existantes en appliquant des transformations précises, comme des ajustements de style, des ajouts d'éléments ou des corrections, tout en conservant une haute qualité visuelle. Ses capacités principales incluent une inférence rapide grâce à des versions allégées (4 ou 8 étapes) et une compatibilité avec différents types de GPU, y compris les modèles récents comme les séries 50. Ce modèle se distingue par son efficacité énergétique et sa légèreté, idéale pour les utilisateurs cherchant à intégrer des fonctionnalités d'édition d'images dans des applications ou des workflows sans alourdir les ressources. Il est particulièrement adapté aux créateurs de contenu, aux développeurs d'outils graphiques ou aux plateformes nécessitant des retouches automatisées. Son approche par quantification (4 bits) garantit des performances optimisées sans sacrifier la qualité, tout en offrant des options de personnalisation selon les besoins (rapidité ou précision).
Documentation
Model Card for nunchaku-qwen-image-edit-2509
This repository contains Nunchaku-quantized versions of Qwen-Image-Edit-2509, an image-editing model based on Qwen-Image, advances in complex text rendering. It is optimized for efficient inference while maintaining minimal loss in performance.
News
- [2025-11-15] 🚀 Release new quantized qwen-image-edit-2509 4/8-step lightning models, fused with lightx2v Qwen-Image-Edit-2509 lightning lora. All models are available in the
lightning-251115folder. - [2025-09-25] 🔥 Release 4-bit 4/8-step lightning Qwen-Image-Edit!
- [2025-09-24] 🚀 Release 4-bit SVDQuant quantized Qwen-Image-Edit-2509 model with rank 32 and 128!
Model Details
Model Description
- Developed by: Nunchaku Team
- Model type: image-to-image
- License: apache-2.0
- Quantized from model: Qwen-Image-Edit-2509
Model Files
Data Type: INT4 for non-Blackwell GPUs (pre-50-series), NVFP4 for Blackwell GPUs (50-series).
Rank: r32 for faster inference, r128 for better quality but slower inference.
Base Models
Standard inference speed models for general use
| Data Type | Rank | Model Name | Comment |
|---|---|---|---|
| INT4 | r32 | svdq-int4_r32-qwen-image-edit-2509.safetensors | |
| r128 | svdq-int4_r128-qwen-image-edit-2509.safetensors | ||
| NVFP4 | r32 | svdq-fp4_r32-qwen-image-edit-2509.safetensors | |
| r128 | svdq-fp4_r128-qwen-image-edit-2509.safetensors |
4-Step Distilled Models
4-step distilled models fused with Qwen-Image-Lightning-4steps-V2.0 LoRA or Qwen-Image-Edit-2509-Lightning-4steps-V1.0 LoRA using LoRA strength = 1.0
8-Step Distilled Models
8-step distilled models fused with Qwen-Image-Lightning-8steps-V2.0 LoRA or Qwen-Image-Edit-2509-Lightning-8steps-V1.0 LoRA using LoRA strength = 1.0
Model Sources
- Inference Engine: nunchaku
- Quantization Library: deepcompressor
- Paper: SVDQuant: Absorbing Outliers by Low-Rank Components for 4-Bit Diffusion Models
- Demo: demo.nunchaku.tech
Usage
- Diffusers Usage: See qwen-image-edit-2509.py. Check this tutorial for more advanced usage.
- ComfyUI Usage: See nunchaku-qwen-image-edit-2509.json.
Performance
Citation
Bibtex
@inproceedings{
li2024svdquant,
title={SVDQuant: Absorbing Outliers by Low-Rank Components for 4-Bit Diffusion Models},
author={Li*, Muyang and Lin*, Yujun and Zhang*, Zhekai and Cai, Tianle and Li, Xiuyu and Guo, Junxian and Xie, Enze and Meng, Chenlin and Zhu, Jun-Yan and Han, Song},
booktitle={The Thirteenth International Conference on Learning Representations},
year={2025}
}
Liens & Ressources