更多AI前沿科技资讯，请关注我们：
【closerAI ComfyUI】王炸尝鲜玩：nunchaku z-image将要来临!最强国产开源文生图模型的高光前兆！冲！
大家好，我是Jimmy。
今年最强开源文生图模型z-image-turbo在11月底高光过：【closerAI ComfyUI】真实！美学！开放！开源图像模型巅峰战？代号Z文生图模型锋芒盖过FLUX2！一站成名之作！6!一出甚至扼杀Flux2在摇篮中。随之就是一系列的LORA、Controlnet支持。它的能力，毋庸置疑，它的质量，美感都是开源排行榜前几。关键，关键还是NSFW随便玩。
这几天，在nunchaku仓库中有大佬已提交了合并代码，现在还未正式发布，但是，代码已提交，其分支也有代码。
所以，在nunchaku未发布前，我先体验下了。今天捣鼓了一下，坑有点多。但好在，跑通了。
nunchaku，不用多说了吧？快就一个字。下面我将分享下这个安装与体验过程。
一、介绍
模型地址：https://hf-mirror.com/nunchaku-tech/nunchaku-z-image-turbo
数据类型：INT4用于非Blackwell GPU（50系列之前），NVFP4用于Blackwell GPU（50系列）。
说明：
r32为了更快的推理，
r128为了获得更好的质量但更慢的推理，
r256用于最高质量（最慢的推断）。
下载对应模型，我这里下载折中一点的svdq-int4_r128-z-image-turbo.safetensors，并将模型放置到models/diffusion models中。
二、节点代码
首先是这个大佬在nucnahku仓库上提交的代码：https://github.com/nunchaku-tech/ComfyUI-nunchaku/pull/713/commits/44b2d43216e28f502a82e4e575d190e8c7adb056
从这里，我顺藤摸瓜，找到分支地址：https://github.com/devgdovg/ComfyUI-nunchaku/tree/feat/z-image-turbo
下面是我的一些具体安装操作
第一步：安装 ComfyUI 插件
- 下载插件代码：
- 仓库：devgdovg/ComfyUI-nunchaku
- 分支：feat/z-image-turbo
- 下载它的分支压缩包。（会员小伙伴直接在第一步下载这个节点安装即可）
解压后，将文件夹重命名为 ComfyUI-nunchaku。
放入 ComfyUI/custom_nodes/ 目录下。
- 最终路径应为：.../custom_nodes/ComfyUI-nunchaku/、
第二步：安装 Nunchaku 核心库 (Backend - 移花接木法)
这是最关键的一步，我们需要官方的编译文件（.pyd）加上开发版的 Python 代码。
- 安装官方版（为了获取底层加速文件）： 在 ComfyUI 的 Python 环境下运行：pip install nunchaku
确保安装成功，此时 site-packages/nunchaku 里会有 _C.pyd 或类似文件。
原来有安装过的nunchaku的可以不用再操作；
2、下载开发版源码（为了获取 Z-Image 逻辑）：
- 仓库：devgdovg/nunchaku
- 分支：feat/z-image-turbo
- 点击下载 ZIP：https://github.com/devgdovg/nunchaku/archive/refs/heads/feat/z-image-turbo.zip 覆盖代码：
- 解压下载的 ZIP，找到里面的 nunchaku 子文件夹（包含 models, transformers 等）。
- 打开你的 ComfyUI Python 库目录：.../python/lib/site-packages/nunchaku/。
- ⚠️动作：将解压出的新文件全选复制，粘贴到 site-packages/nunchaku 中。
- ⚠️ 重点：当提示“是否覆盖”时，选择是。绝对不要删除原文件夹，否则会丢失 _C.pyd 导致报错。
第三步：升级 Diffusers 库 (Dependencies)
Z-Image 是 Diffusers 库才加入的新功能，稳定版还没有。
- 下载 Diffusers 开发版 (Main Branch) 源码： https://github.com/huggingface/diffusers/archive/refs/heads/main.zip
- 解压，并在终端进入解压后的文件夹。
- 执行强制安装命令：
pip install . --force-reinstall --no-deps
验证：运行 python -c "from diffusers.models.transformers import transformer_z_image; print('OK')" 输出 OK 即成功。
第四步：下载专用量化模型 (Models)
- 下载地址：HuggingFace: nunchaku-tech/nunchaku-z-image-turbo
- 选择文件：这里我使用int4的模型。50系列显卡用fp4的模型。
- 推荐：svdq-int4_r256-z-image-turbo.safetensors (画质佳)
- 或者：svdq-int4_r128-z-image-turbo.safetensors (速度快)
- 放置位置：ComfyUI/models/diffusion_models/。
第五步，我在原来作者基础上增加了数据类型。修改了下代码。也好增加一个数据类型供选择。大家不一定有数据类型的报错。（会员小伙伴直接在第一步下载这个节点安装即可）
重启就好了。
拖入工作流如下图示：
其中clip\VAE 都是用z-image原来的。
模型就用Nunchaku Z-Image DiT Loader加载器，
K采样器使用8步，1CFG，如图示。执行就行了。这样就能快乐抽卡了。
像我8G显存，平均３０秒一张了。
大家自己评估自己的。
上面是nunchaku z-image文生图工作流。
那图生图怎么操作呢？
使用LLM对图像进行提示词反推。
这里选择多了，可使用qwen 3VL
也可使用第三方的。
这里我使用自己开发的ChatLLM节点。
以下是closerAI nunchaku z-image图生图工作流
1、ChatLLM进行图像提示词反推
2、nunchaku z-image生图
然后，这就是一整套z-image的nunchaku超高速图像生成工作流。
NSFW快乐出图。快去玩吧。
如果对你有帮助，请一键三连支持下我。谢谢。
本地算力不够怎么办？
如果本地设备算力不好的小伙伴，推荐使用线上comfyUI来运行体验：runninghub.cn
Z-image(文生图）应用体验地址：
Z-image(图生图）应用体验地址：
注册地址：https://www.runninghub.cn/?utm_source=kol01-RH151
通过这个链接第一次注册送1000点，每日登录送100点
最后几句：
如果对你有帮助，请一键三连支持下我，感谢
closerAI-nanoPrompts:
http://closerai.douyoubuy.cn/2025/11/24/3396/
closerAI 分镜设计 软件（exe）本地运行版
http://aigc.douyoubuy.cn/2025/11/22/3350/
以下是closerAIwater节点：
http://aigc.douyoubuy.cn/2025/10/22/3121/
分镜分词器节点：
http://aigc.douyoubuy.cn/2025/10/11/3080/
json结构化提示词
http://aigc.douyoubuy.cn/2025/11/05/3242/
以上是closerAI团队制作的stable diffusion comfyUI closerAI开发的节点以及
closerAI nunchaku z-image工作流1222介绍，大家可以根据工作流思路进行尝试搭建。
当然，也可以在我们closerAI会员站上获取对应的工作流(查看原文)。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：JimmyMo
更多AI前沿科技资讯，请关注我们：
主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网
评论(0)