/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Qwen-Image-2.1
Опубликована
21 сен 2026

Qwen-Image-2.1-W4A4-int4

Генерация изображенийТекст → изображение3 профессии

Квантованная до 4 бит версия Qwen-Image-2.1 для генерации изображений по текстовому описанию с меньшим размером весов.

326скачиваний за 30 дней3лайкавеса обновлены25 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen-Image-2.1 W4A4 (int4) — 4-битная версия трансформера Qwen-Image-2.1, подготовленная ModelsLab на основе модели Qwen. Она предназначена для генерации изображений по текстовым запросам; основная часть модели упакована для fused kernel Nunchaku. Калибровка выполнена методом SVDQuant, а ошибка квантования компенсирована GPTQ. Файл весов занимает 4,34 ГБ; текстовый энкодер Qwen3-VL оставлен в bf16 и требует значительную часть видеопамяти.

В README приведены замеры генерации 1024×1024 за 40 шагов на нескольких GPU и сравнение качества с bf16. Скорость и сходство с эталоном зависят от оборудования; опубликованный int4-чекпойнт не проходил отдельную проверку точности текста, описанную для варианта nvfp4. Сборка рассчитана на Nunchaku и требует совместимой версии ядра: несовпадение формата может привести к некорректному изображению. Лицензия Qwen Research License допускает только некоммерческое использование; для коммерческого использования требуется отдельное разрешение правообладателя.

Сценарии применения

  • генерация изображений 1024×1024 по текстовому запросу
  • создание изображений с плотным текстом и надписями
  • запуск генерации изображений на совместимых GPU с уменьшенным размером весов

Ограничения

Для работы нужны совместимые версии Torch и Nunchaku; несовместимая раскладка ядра может дать неправильное изображение. Текстовый энкодер остаётся в bf16 и занимает около 16,3 ГБ, а отдельная проверка точности текста для этого int4-чекпойнта не проводилась.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen-Image-2.1 W4A4 (int4)

Built with Qwen.

Non-commercial use only. An educational artifact under the Qwen Research License, which the base model carries. Commercial use needs a separate licence from the rights holder; publishing this here does not grant one.

4-bit weights, 4-bit activations, for the Qwen-Image-2.1 transformer. Calibrated with SVDQuant, error-compensated with GPTQ, packed for Nunchaku's fused kernel. 4.34 GB against about 10 GB for the same layers in bf16.

The low-rank branch is fused into the 4-bit GEMM, which is where the speed comes from — an unfused branch gives back 24–34% of it.

Hardware

sm_75 through sm_120 — Ada (4090, L40S) and Blackwell alike.

Measured

cardcapsecondsvs bf16resident GBLPIPS vs bf16
RTX 4090 48GBsm_8911.5761.84x21.350.231
RTX PRO 6000 Max-Qsm_12037.6160.35x21.290.1836

40 steps, 1024×1024, seed 42, six prompts. LPIPS is AlexNet against the bf16 image of the same prompt on the same card.

GPTQ is worth 6% here: 0.1946 with round-to-nearest against 0.1836 with GPTQ, at the same speed, the same file size and the same resident memory — it only changes which grid point each weight lands on.

Read LPIPS as distance from the bf16 trajectory, not as damage. On a dense-text prompt every build renders the text correctly while scoring 0.24–0.35, and on one prompt the bf16 reference garbles a sign that this checkpoint renders correctly — and is scored worse for it.

Only the transformer is quantized. The Qwen3-VL text encoder stays bf16 and is about 16.3 GB of a 21.5 GB resident total, so it, not this file, decides how many reference images fit on a card.

Text accuracy against bf16

The nvfp4 build of this same recipe scored 15/16 against bf16's 14/16 on a reference-free seed sweep (8 seeds, two text prompts, text read against the prompt) — indistinguishable. This int4 build was not put through that sweep; its LPIPS is 0.1836 against the nvfp4 build's 0.1425, so treat it as the same recipe at slightly lower fidelity, on the far wider set of cards it runs on.

Requirements

Packed for a specific kernel. The layout is an MMA fragment swizzle, so a different Nunchaku build may read it incorrectly — and would produce a wrong image rather than an error. The loader checks and warns.

torch==2.12.1
nunchaku==1.3.0.dev20260306+cu13.0torch2.12

Loading

import torch
from diffusers import QwenImage21Pipeline
from quantize import nunchaku_io

transformer = nunchaku_io.load_checkpoint(precision="int4", device="cuda")
pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16, transformer=transformer)

How it was built

Smoothing factors from real activation statistics (SmoothQuant, α=0.5), a rank-128 SVD branch kept in bf16, and the residual rounded onto Nunchaku's grid by GPTQ against a calibration Hessian. One Hessian pass, 128 distinct inputs across 224 layers, 24 GB resident, ~5 minutes.

w4a4_build.json records the whole build, including per-layer GPTQ statistics.

License

Derivative of Qwen/Qwen-Image-2.1 under the Qwen Research License Agreement — non-commercial only. See NOTICE.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории только компонент QwenImage21Transformer2DModel без пайплайна: подключение такого компонента к базовой модели пока не поддерживается.

Ревизия весов
803ada5

0 моделей