Jianghu · 本地生图（替代豆包 Seedream）方案 v1
本地生图方案
Jianghu · 用本机 GPU 替代豆包 Seedream 5.0 Flash 的可行性与落地路径
v1 · 2026-10-07 · 全部硬件数据为本机实测，模型参数来自公开模型卡
一、结论先行
能替代，但建议「分类替换」而不是全线替换。
- 首选模型：Z-Image Turbo（6B，阿里通义，Apache 2.0） + GGUF 量化。
本机 ComfyUI 已原生支持，不用装任何插件。
- 透明背景：用 ComfyUI 内置的 BiRefNet 抠图节点（也是原生，无需插件）。
- 真正的收益不是「更快」，而是：无限量
不过敏感词风格可训 LoRA 离线批跑。
- 三个硬约束：1 8GB 显存刚好卡线；2 与 MiniMax H3 不能同时跑；
3 D 盘只剩 62.8GB（先清 20.6GB 废弃模型就好办）。
一句话决策：图标类（约 350 张，风格统一、硬边、易抠图）值得迁到本地； 人物立绘与背景图先做 A/B 对比，质量不达标就继续走豆包。
二、本机体检（实测）
8 GB 显存 VRAM
64 GB 系统内存
62.8 GB D 盘可用
0.39.0 ComfyUI
| 项目 | 实测值 | 对生图的影响 |
|---|---|---|
| GPU | NVIDIA RTX 3070 Ti · 8GB · sm_86 | 能跑量化模型；不支持原生 FP8 ⇒ 一律优先 GGUF，别用 FP8 版 |
| 当前显存占用 | 7151 / 8192 MiB | 已被 H3 占满跑图前必须让 H3 释放 |
| 系统内存 | 64GB，当前仅剩 8.5GB 空闲 | H3 把权重 offload 到内存了；跑图时内存也要腾 |
| CPU | i5-13400F · 10 核 16 线程 | 够用，不是瓶颈 |
| C 盘 | 82.5 GB 可用 | — |
| D 盘 | 62.8 GB 可用（ComfyUI 已占 61GB） | 偏紧刚好够装 8.4GB 新模型；清废弃模型后宽裕 |
| Y: / Z: 盘 | Synology DS120j 网络盘（\\DS120j\home / \video），各 2.0 TB 可用 | 不能放模型写入实测 43.6 / 19.6 MB/s，加载 4GB 模型要 1.5~3 分钟 |
| ComfyUI | v0.39.0 @ :8188 运行中，--lowvram --disable-mmap | 低显存档位已配好，可复用 |
| torch | 2.9.1+cu130 · Python 3.13.14 · bf16 ✅ | 环境齐备 |
| 已装插件 | ComfyUI-GGUF、ComfyUI-KJNodes | GGUF 加载器已就位，零安装成本 |
关键好消息：ComfyUI 已原生支持我们要用的两个模型
comfy/text_encoders/z_image.py ← Z-Image 文本编码器（Qwen3-4B） comfy/supported_models.py: class ZImage(Lumina2) ← Z-Image 主模型 comfy_extras/nodes_bg_removal.py ← BiRefNet 抠图节点（官方内置） 意味着不需要装第三方插件，只要把权重文件放到正确目录就能用 —— 这是本方案最大的成本优势。
三、候选模型筛选
先排除（8GB 显存装不下）
| 模型 | 参数量 | 量化后显存 | 结论 |
|---|---|---|---|
| FLUX.2 [dev] | 32B | 18–24 GB | 排除 |
| Qwen-Image | 20B | 12–13 GB | 排除 |
| HunyuanImage 3.0 | 80B MoE | 40 GB+ | 排除 |
| SD 3.5 Large | 8.1B | 12 GB | 排除 |
可跑的候选
| 模型 | 参数 | 8GB 可行性 | 中文提示词 | 许可 | 适配度 |
|---|---|---|---|---|---|
| Z-Image Turbo 阿里通义 2025-11 | 6B | GGUF Q4/Q5 约 3.6–4.2GB 舒适 | 好 Qwen3-4B 编码器 | Apache 2.0 | ★★★★★ |
| Z-Image Base 2026-01 | 6B | 同上 舒适 | 好 | Apache 2.0 | ★★★★ 可训 LoRA |
| SDXL 1.0（含各类微调） | 3.5B | fp16 约 7GB 卡线但成熟 | 弱 CLIP 编码器 | OpenRAIL++ | ★★★★ 生态最大 |
| FLUX.2 [klein] 4B | 4B | 官方称 ~8GB（含编码器 13GB） 边界 | 好 Qwen3-4B | Apache 2.0 | ★★★ 多参考图 |
| FLUX.1 [schnell] | 12B | GGUF Q4 约 7GB + T5 4.6GB 超 | 弱 T5 编码器 | Apache 2.0 | ★★ 慢 |
为什么 Z-Image Turbo 是第一选择（四条理由，按权重排序）
- 中文提示词原生支持 —— 它用 Qwen3-4B 做文本编码器，不是 CLIP / T5。
我们现有 350+ 条提示词都是中文写的（tools/gen_*.py 里），迁移时几乎不用重写。 SDXL / FLUX 系换过去，提示词要整体翻成英文且效果打折。
- 零安装成本 —— ComfyUI 0.39.0 已内置 Z-Image 支持，GGUF 插件也已装好。
- 8 步出图 —— 蒸馏模型，只跑 8 次前向（SDXL 要 20–30 步，FLUX 要 20+ 步），
在 8GB 卡上这一步就是 3 倍差距。
- Apache 2.0 —— 商用无限制，后面真上线了也不会有许可尾巴。
四、推荐组合与三张账
4.1 模型组合
| 角色 | 文件 | 放置目录 | 大小 |
|---|---|---|---|
| 主模型（DiT） | z_image_turbo-Q5_K_M.gguf | models/unet/ | 4.2 GB |
| 文本编码器 | qwen_3_4b-Q5_K_M.gguf | models/text_encoders/ | 3.0 GB |
| VAE | ae.safetensors | models/vae/ | 0.33 GB |
| 抠图（透明底） | birefnet.safetensors | models/background_removal/ | 0.9 GB |
| 合计 | ≈ 8.4 GB |
追求更快更稳可降到 Q4_K_M：主模型 3.6GB + 编码器 2.4GB = 6.0GB，画质损失很小。
4.2 显存账（8GB 卡线，逐项列）
DiT Q5 4.2GB 文本编码器 Q5 3.0GB VAE 0.33GB 激活/开销
合计约 7.5–8.0 GB，刚好卡线。两条应对：
- 文本编码器换成 Q4_K_M（2.4GB） —— 编码器量化对画质影响远小于主模型，这是最划算的一刀。
- 继续用
--lowvram，让 ComfyUI 在 DiT 和编码器之间轮换上卡，慢一些但绝不 OOM。
与 MiniMax H3 互斥（必须排班，不能并行）
H3 视频模型本机加载时 staged 15GB（靠 --lowvram 往 64GB 内存里 offload）， 当前显存已占 7151MiB、系统内存只剩 8.5GB。此时再跑生图 必 OOM。
建议排班：图形批作业与视频批作业分开时段跑；或跑图前先让 ComfyUI 释放 H3 （POST /free 带 {"unload_models":true,"free_memory":true}）。
4.3 磁盘账
D 盘现在 62.8GB 可用，新模型要 8.4GB → 装完剩 54GB。但这里有 20.6GB 是纯废料：
| 文件 | 大小 | 说明 |
|---|---|---|
| models/unet/minimax_h3_fl2va_pruned-UD-Q2_K_XL.gguf | 7.6 GB | 可删既定结论：H3 的 GGUF 一律不用，DiT 与文本编码器都走 safetensors + 原生加载器。这两个文件是当初试错留下的 |
| models/text_encoders/qwen3vl_32b_minimax_h3-Q2_K_M.gguf | 13 GB |
删掉后 D 盘回到 ≈ 83GB 可用，模型盘和输出盘都宽松了。建议先做，再下载。
五、下载与安装
5.1 下载（走 hf-mirror，已实测连通 0.57s）
`# 环境变量（临时） export HF_ENDPOINT=https://hf-mirror.com
1) 主模型 — city96 的 GGUF 量化
repo: city96/Z-Image-Turbo-gguf
huggingface-cli download city96/Z-Image-Turbo-gguf \ z_image_turbo-Q5_K_M.gguf --local-dir D:/ComfyUI/models/unet
2) 文本编码器（Qwen3-4B）
huggingface-cli download Comfy-Org/z_image_turbo \ split_files/text_encoders/qwen_3_4b.safetensors --local-dir D:/ComfyUI/models/text_encoders
3) VAE
huggingface-cli download Comfy-Org/z_image_turbo \ split_files/vae/ae.safetensors --local-dir D:/ComfyUI/models/vae
4) 抠图模型
huggingface-cli download Comfy-Org/BiRefNet \ birefnet.safetensors --local-dir D:/ComfyUI/models/background_removal`
下载必须并行分片 —— hf-mirror 单连接限速约 2.4MB/s，8 连接并行能到 40MB/s。 本机已有现成脚本：D:/MiniMax-H3/_meta/dl_parallel.py，直接复用它下这 8.4GB， 预计 5 分钟内完成；单连接硬下要 1 小时。
5.2 启动参数
沿用现有 run_h3.bat 的档位即可，如需单独给生图开实例，加一个：
".venv\Scripts\python.exe" main.py --lowvram --disable-mmap --port 8188 --disable-auto-launch REM 与 H3 同一个实例串行排队即可，不必另起进程（另起会抢显存）
5.3 首次验收（三步，缺一不可）
- 用官方模板 Workflow → Browse Templates → Image → Z-Image Turbo 跑一张 1024²，
确认出图 + 记录真实耗时（这一步之前所有速度都是估算，必须以实测定档）。
- 同一张图接 BiRefNet: Remove Background 模板，确认输出的 PNG alpha 通道为真透明
（务必用支持 alpha 的查看器，普通预览只显示 RGB，会误判成"抠图失败"）。
- 拿一张 现成的装备图标（如
public/assets/equips/weapon_sword_gold.webp）
做图生图，对比豆包产出，判定风格能否保持一致。
六、与现有管线怎么Integrate
现在所有生图脚本（gen_equip_icons.py / gen_art_icons.py / gen_portraits.py / gen_idle_bg.py 等 13 个）都通过 tools/ark2.py 的 generate() 出图。接入本地最小改动是新写一个同签名的客户端：
`tools/comfy_img.py # 新增，对齐 tools/comfy_h3_client.py 的写法 generate(prompt, *, ref=None, size="1024x1024", background=None, output_format=None, out=None) -> dict
返回 {ok, error, path, bytes, elapsed} ← 与 ark2.generate 完全一致`
然后在各 gen_*.py 里加一个后端开关（对齐 gen_idle_video.py 已有的 --backend comfy_h3 模式）：
python tools/gen_equip_icons.py --backend local # 本地 Z-Image python tools/gen_equip_icons.py --backend ark # 原豆包（默认，保证不破坏现状）
为什么同签名 + 双后端这么重要：13 个生成脚本的提示词、组装逻辑、mask 裁形全都复用了， 只要换出图这一环。而且灰度期可以「同一提示词两边各出一张」做 A/B， 不满意随时切回豆包 —— 零风险。
七、透明背景：两条路
| 方案 | 原理 | 在 8GB 卡上的可行性 | 适配度 |
|---|---|---|---|
| BiRefNet 抠图 推荐 | 先生成白底/纯色底图，再用分割模型抠出 alpha | 已内置约 0.9GB，单张耗时 1–2 秒，可与生图解耦、单独批量重跑 | ★★★★★ 图标是硬边纸板，几乎零失误 |
| LayerDiffuse | 训练一个理解透明层的模型，采样阶段直出 RGBA | 不适用只支持 SD1.5 / SDXL 底座，Z-Image 没有对应版本 | ★★ 边缘最干净但换模型 |
和豆包的机制差异（这点要提前知道）
豆包的 background:"transparent" 是图生图 + 输入必须自带 alpha， 路径是"参考图 → 透明输出"。本地方案是"文生图 → 抠图"，生成端反而更自由（不强制给参考图）， 但多了一步抠图。
对图标类（满版方形纸板，提示词本来就让模型画方形底板，程序用统一 mask 裁圆角）—— 抠图比豆包那条路更可控。对人物精灵/发丝边缘，需要实测验证，这是本方案的头号待验证项。
八、分类替代建议
| 素材类型 | 数量级 | 建议 | 理由 |
|---|---|---|---|
| 装备图标 | 97 张 | 迁本地 | 方形纸板 + 硬边，最容易被抠图和小模型搞定 |
| 功法图标 | 240 张 | 迁本地 | 量最大、风格要求统一 —— 正是 LoRA 的用武之地 |
| 资源/材料图标 | 10 张 | 迁本地 | 同上 |
| 人物头像/半身像 | 36 组 | 先 A/B | 质量要求最高（512² / 768×1152），且人设差异要靠大模型的理解力 |
| 动作精灵表 | 90+ 段 | 不动 | 已走本地 H3 视频抽帧，与本方案无关 |
| 挂机条带背景 | 12 区 × 3 段 | 留豆包 | 需要跨段构图基线严格对齐 + 大尺寸，8GB 卡出不了这个尺寸， 且现有 BASE_LINES 质检逻辑是针对 Seedream 产出调过的 |
| 3D 模型 / 全景 | — | 不动 | 走 Blender / 混元生3D 链路 |
先拿「功法图标 240 张」做试点：量最大、要求最同质、失败成本最低。
九、风险与待验证项
| # | 风险 | 等级 | 对策 |
|---|---|---|---|
| R1 | 8GB 显存卡线，实测可能触发 offload 导致速度腰斩 | 中 | 先测 Q5，不行退 Q4；编码器单独降档；坚持 --lowvram |
| R2 | 速度不一定比豆包快（估算 8–15 秒/张 + 抠图 2 秒） | 中 | 明确定位：本地赢在「批量 + 无限量 + 免拦截」，不是单张延迟。批 240 张约 40–60 分钟，挂夜里跑 |
| R3 | 与 H3 抢显存/内存 | 高 | 排班作业；跑图前 POST /free 卸 H3 |
| R4 | 人物发丝边缘抠不干净（豆包那条路没有这个问题） | 中 | 先用现成素材跑 5 张对比；必要时人物类保留豆包 |
| R5 | 出图风格和现有素材不统一（换模型 = 换"笔触"） | 高 | 硬需求 → 训一个 Z-Image 风格 LoRA（Z-Image Base 专为微调发布）。 ⚠️ 8GB 训 LoRA 需降分辨率/rank，可能要在别处训 |
| R6 | Discord / 敏感词：本地模型无内容Review，反而少了一类麻烦 | 收益 | — |
十、下一步动作清单
- 腾空间：删掉 H3 的两个废弃 GGUF（20.6GB）→ D 盘回到 ~83GB。
- 下载：8.4GB 权重，用
dl_parallel.py多连接并行，约 5 分钟。
- 首次实测：官方模板跑通一张 1024²，记录真实耗时（定档用）。
- 抠图验证：BiRefNet 对「纸板图标」和「人物半身像」各测 5 张，看 alpha 质量。
- 写客户端：
tools/comfy_img.py，签名对齐ark2.generate。
- 试点：
gen_art_icons.py --backend local出 10 张对比豆包，老大定夺风格。
- 决策：风格通过 → 全量批跑；不通过 → 走 LoRA 微调路线再评一次。
需要老大先拍的三个板
- 能不能删那 20.6GB 废弃 H3 GGUF（腾空间）？
- 作业排班怎么定 —— 白天跑图 / 夜里跑视频，还是随用随切？
- 风格一致性如果第一轮不达标，愿不愿意走「训 LoRA」这条路（多花半天到一天）？
附录 A · 执行进展与实测数据（2026-10-08 凌晨）
全线跑通了。本机 Z-Image 出图 + BiRefNet 透明底都已落地，实测 8.3~8.6 秒/张（1024²，8 步）。
A.1 已完成
| # | 事项 | 结果 |
|---|---|---|
| 1 | 删废弃 H3 GGUF | ✅ 清掉 19.7GB，D 盘 62.8 → 83.0 GB 可用 |
| 2 | 下载 Z-Image 权重 | ✅ 11.75GB，用 ModelScope（60 MB/s），2 分钟下完 |
| 3 | 写 tools/comfy_img.py | ✅ generate() 签名对齐 ark2.generate，内置随用随切 |
| 4 | 跑通首张图 | ✅ 实测耗时见下表 |
| 5 | 透明底抠图 | ✅ RGBA 输出，背景 93.1% 透明，四角 α=0、主体 α=254 |
A.2 实际落盘的模型（与官方模板完全一致）
| 角色 | 文件 | 大小 | 说明 |
|---|---|---|---|
| DiT | z_image_turbo_int8_convrot.safetensors | 5.91 GB | int8_tensorwise + convrot，groupsize 256 |
| 文本编码器 | qwen_3_4b_fp8_mixed.safetensors | 5.37 GB | 788 个张量 |
| VAE | ae.safetensors | 0.32 GB | — |
| 抠图 | birefnet.safetensors | 0.42 GB | — |
A.3 实测耗时（3070 Ti 8GB，1024×1024，8 步）
| 场景 | 纯生成 | 总耗时 | 说明 |
|---|---|---|---|
| 第一张（含切换 + 加载权重） | 11.6 s | 13.7 s | 含 POST /free 卸 H3 + 11.8GB 权重上卡 |
| 第二张（模型已驻留） | 8.6 s | 8.6 s | — |
| 第三张 | 8.3 s | 8.3 s | 稳定 |
| 透明底（+BiRefNet 抠图） | 12.7 s | 13.1 s | 抠图本身只多花 1.1 s |
结论：比方案里的估算（8~15 秒）落在下限。批 100 张图标约 15 分钟；批 240 张功法图标约 35 分钟。
A.4 首轮 A/B 风格判断（诚实版）
对的：折纸质感、暖赭金手工纸底板、满版方形（可被现有 round_corners() 统一裁圆角）—— 三个关键特征都在。
不够的：精细度/华丽度明显低于现有 Seedream 素材。现有那把金币剑有云纹装饰、多层纸片叠压、纸纤维与折痕； 本地版是干净的几何折纸，形准但朴素。
判定：方向对，火候不够 —— 属于「提示词调优 / 训风格 LoRA」能解决的问题， 不是模型选错。按附录 B 的路线走：先调提示词（零成本），不够再云训 LoRA（¥4~8）。
A.5 这一轮踩到的坑（都已修进代码）
| # | 现象 | 根因 | 判据 |
|---|---|---|---|
| 1 | 下载器报「短读」，反复重试同一片 | 我手写的大小比真实值大 385,852 字节（6,201,387,148 vs 真实的 6,201,001,296） | 🔴 文件大小一律从 API 的 lfs.size 取，绝不手写 |
| 2 | 文件大小对得上，ComfyUI 却报 corrupt or invalid | 下载器的 sidecar/out/.part 状态不一致时， 它会新建一个全零稀疏文件，只补它"认为缺"的那一片 | 🔴 续传前先看 .part、out、.done.json 三者是否自洽； 怀疑文件损坏先验 header（前 8 字节 = header 长度，能读出 JSON 且张量末端 == 文件大小才算完整） |
| 3 | 抠图把主体抠掉、留下背景 | RemoveBackground 输出「前景=1」，而 JoinImageWithAlpha 内部还会再取一次反 （alpha = 1.0 - 输入） | 🔴 中间必须串一个 InvertMask，否则抠反 |
顺带修正的一条旧结论：下载源要换
原方案写的是「hf-mirror 8 连接 40MB/s」。实测 hf-mirror 会突然限流到 459 B/s（同一时刻 ModelScope 单连接 15.6 MB/s）。 换 ModelScope 后 11.75GB 只用 2 分钟（8 连接 60 MB/s）。
URL 形态：https://modelscope.cn/api/v1/models/<repo>/repo?Revision=master&FilePath=<urlencoded>， 支持 Range，Comfy-Org/* 在 ModelScope 有同名镜像。
附录 B · LoRA 微调：本机设备够不够？
结论：本机 8GB 不够 —— 属于「官方最低档还差 2~4GB」的边界外。 想训就租云卡，总成本约 ¥4~8，别在本机耗。
B.1 显存账（SimpleTuner 官方文档数据）
训练一个 rank-16 Z-Image LoRA（覆盖 MLP + 投影 + transformer block 全组件）：
| 精度 / 量化 | 官方标称显存 | 本机 8GB | 说明 |
|---|---|---|---|
| 不量化基座（bf16） | 32–40 GB | 差得远 | 需要 24GB 以上的卡 |
| 基座 int8 量化 | 16–24 GB | 不够 | 3090/4090 舒适区 |
| 基座 NF4 量化（官方最低档） | 10–12 GB | 差 2~4GB | 官方原话：「绝对最低是单张 3080 10G」—— 连 10GB 卡都是"激进量化 + offload"才勉强 |
| 再叠 Ramtorch / group offload 硬压 | 未标称 | 赌一把 | 无官方保证；即使能跑，速度会掉到 10~30 小时级别 |
另外还有两个本机独有的卡点，跟显存无关：
- 磁盘：训练还要额外下 Z-Image Base 12GB + Qwen3-4B 训练版 8GB + VAE ≈ 20GB。
刚腾完 D 盘有 83GB，装得下，但会再吃掉四分之一。
- 独占机器：训练期间这台机器不能跑作品服务、不能出视频，而且 8GB 卡上训 10~30 小时 ——
对一台日常在用的开发机，这个代价比租卡贵多了。
B.2 推荐路线：云端租卡（便宜到意外）
AutoDL 官方价目表（2026）：
| 卡型 | 显存 | 价格 | 够训 Z-Image LoRA 吗 |
|---|---|---|---|
| RTX 4090 | 24 GB | ¥1.88 / 小时（会员 95 折） | 舒适 |
| RTX 3090 | 24 GB | ¥1.32 / 小时 | 够 |
| RTX 5090 | 32 GB | ¥2.78 / 小时 | 宽裕 |
算总账：6B 模型 rank16 LoRA 跑 3000 步，4090 上约 1~2 小时（Z-Image 比 SDXL 慢些，留 2 小时余量） ⇒ ¥3.8 ~ ¥7.6。训完把 LoRA（几十 MB 到一百多 MB）下载回本机即可，推理还是在本机跑。
工具链（三选一，都支持 Z-Image）
| 工具 | Z-Image Base | Z-Image Turbo | 备注 |
|---|---|---|---|
| SimpleTuner | ✅ | ✅（需 assistant adapter） | 文档最全，有 Z-Image 专用 quickstart |
| ai-toolkit（Ostris） | ✅ | ✅ | 训练适配器作者自己写的，集成最好 |
| musubi-tuner | ✅ | 未确认 | 训 Base 没问题 |
训练集我们其实已经有了：社区建议的起步量是 10~20 张同风格图、rank 8~16、3000 步左右。 手上那 97 张装备图标本身就是同一套折纸风格 —— 天然的训练集，不用另找素材。 训出来的风格 LoRA 可以直接反过来喂给功法图标 240 张，一致性一次解决。
B.3 但先别急着训 —— 按这个顺序走
| # | 做法 | 成本 | 什么情况下停在这一步 |
|---|---|---|---|
| 1 | 固定 seed + 复用现有中文提示词模板 + 参考图 img2img | ¥0 | 出图和现有素材摆一起看不出违和 ⇒ 根本不用训 |
| 2 | 云端租卡训风格 LoRA | ¥4~8 | 训完风格统一了 ⇒ 收工 |
| 3 | 本机硬训（NF4 + group offload） | ¥0，但要占机 10~30 小时 | 不推荐。除非完全不想花钱、也不急着用 |
一个待实测项：LoRA 是在 Z-Image Base（bf16） 上训的，而本机推理用的是 int8_convrot 量化版。社区共识是「Train on Base, deploy anywhere」， 但 int8 convrot 量化基座 + LoRA 的叠加在 ComfyUI 里需要实测确认 （量化走的是 weight_patch，LoRA 也是，两者叠加理论上可行但要跑一遍才知道）。 若不兼容，退路是推理也切到 bf16 基座 + 更低的画布分辨率。
附录 C · Qwen-Image-2.1 评估与新画风（2026-10-11）
C.1 结论：本地生图换用 Qwen-Image-2.1 标准版
Z-Image 方案跑通后，本日又把 Qwen-Image-2.1 完整评估了一轮，结论是换用 Qwen-Image-2.1 标准版。三条理由：
- 原生 RGBA —— VAE 是 4 通道，采样阶段就出真 alpha，整条 BiRefNet 抠图链可以撤掉；
- 画风可控 —— 「折纸纸雕」风格会让模型主动画白边（见 C.4），改用「漫画 + 折纸硬边」后白边归零；
- 8GB 卡跑得动 —— 实测峰值显存 5.2~6.0 GB，比原方案更宽裕。
零升级成本 ComfyUI 0.39.0 已原生支持 class QwenImage21 / comfy/text_encoders/qwen_image21.py，不用升级、不用装插件、不动 H3 环境。
C.2 实测数据（RTX 3070 Ti 8GB）
| 配置 | 尺寸 | 步数 | 耗时 | 峰值显存 |
|---|---|---|---|---|
| turbo 版 | 1024×1024 | 8 | 24.1 s | 6022 MiB |
| turbo 版 | 1024×1536 | 8 | 18.1 s | 5244 MiB |
| 标准版 | 1024×1536 | 25 | 39~48 s | 5.2~5.5 GB |
权重（官方 Comfy-Org/Qwen-Image-2.1）：主模型 6.76 GB + 文本编码器 8.71 GB + VAE 0.63 GB = 16.1 GB。
C.3 关键参数（照抄官方模板 + README）
| 项 | 值 | 说明 |
|---|---|---|
| 主模型 | qwen_image_2.1_int8_convrot | 标准版；turbo 版是 8 步蒸馏 |
| 文本编码器 | qwen3vl_8b_int8_convrot | Qwen3-VL 8B（比 Z-Image 的 4B 大一倍） |
| VAE | qwen_image_2.1_vae_bf16 | 64 通道 RGBA，原生透明 |
| CLIPLoader.type | qwen_image | 🔴 不是 lumina2（Z-Image 才是） |
| 步数 / cfg | 25 / 1.0 | turbo 版 8 步 |
| 采样器 / 调度器 | euler / simple | 官方模板值 |
| 尺寸 | 1024×1536 生成 → 768×1152 交付 | 由 EmptyLatentImage 决定 |
四个必踩的坑（都已写进代码）
1 cfg=1 时 negative_prompt 完全无效 —— 蒸馏模型不做 classifier-free guidance，负向提示词被直接忽略。要负向生效得把 cfg 提到 5 左右。
2 尺寸归 EmptyLatentImage 管，不是 TextEncodeQwenImage21.resolution（后者只管参考图 resize；它第 3 个 latent 输出在官方模板里是悬空的）。
3 QwenImage21Cache(device=cpu, dtype=int8) —— 前缀 KV 缓存放内存，8GB 卡的救命项。
4 与 MiniMax H3 显存互斥，跑图前必须让 H3 排空。判空要「连续 3 次队列都空」—— H3 批跑在任务间隙会空一下，只看一眼必误判。
C.4 白边根因：画风禁忌词表（本轮最值钱的一条经验）
白边不是 alpha 瑕疵，是模型主动画上去的。放大到绿底可见：约 8~10 px 宽的实心白色轮廓（alpha=255、RGB≈255），贴着人物外形走。
成因：「折纸纸雕 / 纸片层叠 / 手工纸纤维」这套描述把模型带进了「纸艺贴纸素材」的先验 —— 而纸艺素材在训练数据里普遍带白边，它就照着画。实测不透明像素里 8.9% 是这圈白边。
| 类别 | 词 | 白边实测 |
|---|---|---|
| 禁用 | 纸片层叠 / 手工纸纤维纹理 / 卡纸剪贴 / 纸艺质感 / 贴纸感 | 8.9% |
| 安全 | 硬线条 / 硬边块面 / 几何折角 / 直线锐角 / 顿挫感 / 块面体积 / 三层明暗 / 厚度边 / 投影纵深 / 3D 体积感 | ≈ 0 |
结论：要「硬线条」可以随便要；「纸片层叠 / 纸纤维」这类词一个都不能出现。换纯漫画风后白边自动归零，不需要任何负向提示词、不需要后处理。
附带说明：一度做过 tools/defringe.py 的后处理（替换边缘 RGB + 切描边 alpha）。既然根因是画风，该方案已放弃 —— 而且它会误切轮廓（全不透明像素从 23% 掉到 10%）。工具留作备用。
C.5 新画风：漫画 + 折纸硬边（三档）
提示词按段拼装：01_style + 02_solid_*(选一档) + 03_tail_full → 整条塞进 TextEncodeQwenImage21.prompt。
| 档 | 构图 | 白边 | 观感 |
|---|---|---|---|
| C 基线 | 01 + 03 | 0.21% | 折面平缓、偏平涂 |
| D 立体 | 01 + 02_solid_normal + 03 | 0.16% | 明确的亮/暗面，体积感起来了 |
| D2 强立体 | 01 + 02_solid_strong + 03 | 0.18% | 反差最大，最像低模 3D（已选档） |
用 D2 要注意：头发会被块面化（马尾变成一片片）。需在尾部补一句「头发保留细线分股，不要整片块面化」。
另外固化进尾段的约束：Q版三头身（头占身高 1/3）、人物一律朝右（NPC/Boss 朝左，方向相对才成对战）、画完整全身（构图交给后处理裁，见 §八）。
C.6 备用路线：参考图模式
走 TextEncodeQwenImage21.images（官方称参考图会被文本编码器看到并作为 VAE latent 拼进序列），拿现成的干净透明立绘当参考。实测：能出折纸质感 + 无白边 + 朝右，但颜色会丢（衣服变灰白），需另用提示词补颜色。
API 格式备忘：AUTOGROW 输入的传参写法 "images": {"image_1": [节点, 0]} 实测可行。
C.7 相关文件
| 路径 | Purpose |
|---|---|
| tools/prompts/portrait/ | 画风提示词真源（01_style / 02_solid_* / 03_tail_full / README） |
| tools/_probe_qwen21.py | 文生图验证（--cfg / --unet / --prompt-file / --transparent） |
| tools/_probe_qwen21_ref.py | 参考图模式 |
| tools/_queue_qwen21_test.py | 等权重落地 + 等 H3 排空 → 跑测试矩阵 |
| tools/defringe.py | 白边后处理（已放弃，留作备用） |
C.8 待办
- 把
01 + 02 + 03写进tools/gen_portraits.py的STYLE（目前仍是旧的折纸风，未动）
- 「朝右」约束固化
- 按新画风重跑 36 个门人立绘
- 定：山门主景 / 图标是否同步换风
数据来源：本机 nvidia-smi / df / dd / net use / curl :8188/system_stats 实测；模型参数量与显存要求来自各官方模型卡与 ComfyUI 官方文档。 速度一栏为公开资料的跨卡推算，以本机实测为准。
