Nunchaku FLUX.1-dev部署实操：WSL2环境下Ubuntu+RTX4090配置全记录

最近在折腾AI生图，发现Nunchaku FLUX.1-dev这个模型效果相当惊艳，就想在自己的RTX4090上部署试试。网上资料虽然不少，但真正从零开始、手把手带你走完整个流程的教程不多，特别是针对WSL2+Ubuntu环境的。

今天我就把自己完整的部署过程记录下来，从环境准备到最终出图，每一步都有详细说明和踩坑记录。如果你也有一张N卡，想在本地体验FLUX.1-dev的强大生图能力，跟着这篇教程走，应该能少走不少弯路。

1. 环境准备：打好基础才能跑得稳

在开始安装之前，咱们先把基础环境搭建好。这一步看似简单，但很多问题都出在这里，所以务必仔细检查。

1.1 硬件要求

首先说说硬件，这是决定你能不能跑起来的关键：

• 显卡：必须是NVIDIA显卡，而且支持CUDA。我用的RTX4090有24GB显存，跑FP16版本完全没问题。如果你的显存小一些（比如16GB或更少），后面我会告诉你怎么选择量化版模型。
• 内存：建议至少16GB，32GB更佳。因为模型加载和推理过程会占用不少系统内存。
• 存储：模型文件比较大，基础FLUX模型加上Nunchaku FLUX.1-dev模型，大概需要30-40GB空间，建议预留50GB以上。

1.2 软件环境

我的环境是WSL2下的Ubuntu 22.04，如果你用其他Linux发行版或者Windows直接安装，步骤大同小异。

Python环境：

# 检查Python版本，需要3.10或以上
python3 --version

# 如果没有Python3.10+，可以这样安装
sudo apt update
sudo apt install python3.10 python3.10-venv python3.10-dev

Git环境：

# 安装Git
sudo apt install git

CUDA和PyTorch： 这是最关键的一步，版本不匹配会导致各种奇怪的问题。

# 先检查CUDA版本
nvidia-smi

# 我的输出显示CUDA 12.4，所以选择对应的PyTorch版本
# 安装PyTorch（以2.3.0为例，具体版本根据你的CUDA版本选择）
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

安装huggingface_hub： 这个工具后面下载模型会用到，先装好：

pip install --upgrade huggingface_hub

环境检查清单：

• [x] Python 3.10+
• [x] Git
• [x] PyTorch（匹配CUDA版本）
• [x] huggingface_hub

2. Nunchaku ComfyUI插件安装部署

环境准备好了，现在开始安装ComfyUI和Nunchaku插件。ComfyUI是一个可视化的AI工作流工具，用节点连接的方式操作，比写代码直观多了。

2.1 安装ComfyUI-nunchaku插件

有两种安装方法，我推荐第一种，更简单快捷。

方法A：用Comfy-CLI一键安装（推荐）

这个方法最省心，几条命令搞定：

# 1. 安装ComfyUI CLI工具
pip install comfy-cli

# 2. 安装ComfyUI（如果已经安装过会跳过）
comfy install

# 3. 安装Nunchaku插件
comfy noderegistry-install ComfyUI-nunchaku

# 4. 移动插件到正确目录
mv ComfyUI-nunchaku ComfyUI/custom_nodes/nunchaku_nodes

方法B：手动安装（适合喜欢控制细节的朋友）

如果你想完全手动控制安装过程，可以用这个方法：

# 1. 克隆ComfyUI仓库
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 2. 安装依赖
pip install -r requirements.txt

# 3. 进入custom_nodes目录，克隆Nunchaku插件
cd custom_nodes
git clone https://github.com/mit-han-lab/ComfyUI-nunchaku nunchaku_nodes

两种方法选一个就行，我用的方法A，整个过程大概5-10分钟。

2.2 安装Nunchaku后端

插件装好后，还需要安装后端支持。从v0.3.2版本开始，这个过程变得很简单：

# 进入ComfyUI根目录
cd ComfyUI

# 运行安装脚本
python custom_nodes/nunchaku_nodes/install_wheel.py

这个脚本会自动检测你的系统环境，下载并安装对应版本的wheel包。如果遇到网络问题，可能需要多试几次，或者手动下载对应的wheel文件。

3. Nunchaku FLUX.1-dev模型使用准备

插件安装好了，接下来要准备模型文件。这是最耗时的部分，因为模型文件都比较大，下载需要一些时间。

3.1 配置Nunchaku工作流

为了让ComfyUI能识别Nunchaku的工作流，需要把示例工作流复制到指定目录：

# 确保在ComfyUI根目录
cd ComfyUI

# 创建工作流目录（如果不存在）
mkdir -p user/default/example_workflows

# 复制Nunchaku的示例工作流
cp custom_nodes/nunchaku_nodes/example_workflows/* user/default/example_workflows/

复制完成后，在ComfyUI网页端就能看到这些工作流了。

3.2 下载模型文件

这里需要下载两类模型：基础FLUX模型和Nunchaku FLUX.1-dev专属模型。

3.2.1 下载基础FLUX模型（必须）

基础模型包括文本编码器和VAE，是FLUX架构的核心组件：

# 创建模型目录（如果不存在）
mkdir -p models/text_encoders
mkdir -p models/vae

# 下载文本编码器模型
hf download comfyanonymous/flux_text_encoders clip_l.safetensors --local-dir models/text_encoders
hf download comfyanonymous/flux_text_encoders t5xxl_fp16.safetensors --local-dir models/text_encoders

# 下载VAE模型
hf download black-forest-labs/FLUX.1-schnell ae.safetensors --local-dir models/vae

下载小贴士：

• 这些模型每个都有几个GB，下载时间取决于你的网络速度
• 如果hf download命令报错，可以尝试先登录huggingface：huggingface-cli login
• 也可以手动从HuggingFace网站下载，然后放到对应目录

3.2.2 下载Nunchaku FLUX.1-dev模型（核心）

这是我们要用的主模型，根据你的显卡选择合适版本：

显卡类型	推荐模型版本	显存占用	适合场景
Blackwell显卡（RTX 50系列）	FP4量化版	最低	最新显卡专用
其他NVIDIA显卡（RTX 30/40系列）	INT4量化版	较低	大多数用户
显存充足（24GB+）	FP16原版	约33GB	追求最佳效果
显存不足（16GB以下）	FP8量化版	约17GB	平衡效果和性能

我用的RTX4090，选择了INT4版本，效果和速度都不错：

# 创建unet目录
mkdir -p models/unet

# 下载INT4量化版FLUX.1-dev模型
hf download nunchaku-tech/nunchaku-flux.1-dev svdq-int4_r32-flux.1-dev.safetensors --local-dir models/unet/

可选：下载LoRA模型 LoRA可以微调生成效果，让图片更符合特定风格。常用的有：

# 创建loras目录
mkdir -p models/loras

# 下载FLUX.1-Turbo-Alpha LoRA（加速生成）
# 下载其他风格LoRA（如Ghibsky Illustration）

LoRA不是必须的，但用了之后效果会更好，特别是FLUX.1-Turbo-Alpha能显著提升生成速度。

4. 启动ComfyUI并运行FLUX.1-dev文生图

所有准备工作都完成了，现在可以启动ComfyUI开始生图了！

4.1 启动ComfyUI

# 进入ComfyUI根目录
cd ComfyUI

# 启动服务
python main.py

启动成功后，你会看到类似这样的输出：

Starting server
To see the GUI go to: http://127.0.0.1:8188

在浏览器中打开http://127.0.0.1:8188，就能看到ComfyUI的界面了。

4.2 加载Nunchaku FLUX.1-dev工作流

在ComfyUI网页端，点击右上角的"Load"按钮，选择我们之前复制的工作流：

1. 找到user/default/example_workflows目录
2. 选择nunchaku-flux.1-dev.json（这是主工作流）
3. 点击加载

加载成功后，界面会显示一个完整的工作流节点图。这个工作流已经预配置好了所有必要的节点，包括：

• 文本编码器（CLIP和T5）
• FLUX.1-dev模型加载
• LoRA支持
• VAE解码器
• 图像保存

4.3 文生图参数设置与运行

现在到了最激动人心的环节——生成第一张图片！

步骤1：输入提示词 在工作流中找到"CLIP Text Encode"节点，在文本框中输入英文描述。FLUX模型对英文提示词支持更好，建议用英文。

示例提示词：

A beautiful landscape with mountains and lakes, ultra HD, realistic, 8K, masterpiece, detailed

步骤2：调整参数（可选）

• 推理步数：默认20-30步，步数越多细节越好，但时间越长
• 分辨率：默认1024x1024，可以根据显存调整
• LoRA权重：如果加载了LoRA，可以调整权重控制风格强度
• 采样器：默认使用DPM++ 2M Karras，效果不错

步骤3：生成图片 点击右上角的"Queue Prompt"按钮，开始生成。

第一次运行会比较慢，因为要加载模型到显存。我的RTX4090上，加载大概需要1-2分钟，之后每张图生成时间在10-20秒左右。

步骤4：查看结果 生成完成后，图片会显示在"Save Image"节点上。你可以右键图片选择保存，或者直接在ComfyUI的输出目录找到它（默认在ComfyUI/output）。

5. 效果展示与技巧分享

让我分享一些实际生成的效果和实用技巧。

5.1 不同主题的生成效果

我测试了几个不同主题的提示词，效果都很不错：

风景场景：

A serene mountain lake at sunrise, mist rising from the water, pine trees on the shore, photorealistic, 8K

生成的山湖景色非常逼真，水面的倒影和晨雾的质感都很自然。

人物肖像：

Portrait of a wise old wizard with a long beard, intricate robes, holding a glowing staff, fantasy art, detailed

人物的面部细节、服装纹理都处理得很好，魔法杖的光效也很自然。

动漫风格：

Cute anime girl with blue hair, wearing a school uniform, cherry blossoms in background, studio Ghibli style

用Ghibsky Illustration LoRA后，生成的动漫风格很有宫崎骏动画的感觉。

5.2 提升生成效果的技巧

经过多次测试，我总结了一些实用技巧：

提示词编写：

• 用英文，描述越详细越好
• 先写主体，再加细节和风格词
• 负面提示词也很重要，可以排除不想要的内容

参数调整：

• 推理步数20-30步效果最佳
• CFG scale（指导强度）7-9之间比较合适
• 种子固定可以复现相同效果

LoRA使用：

• FLUX.1-Turbo-Alpha LoRA能提升生成速度
• 风格LoRA权重建议0.7-0.8，太高会过度影响
• 可以同时加载多个LoRA，组合不同风格

5.3 常见问题解决

在实际使用中，我遇到并解决了一些问题：

问题1：显存不足

RuntimeError: CUDA out of memory

解决：

• 使用量化版模型（INT4或FP8）
• 降低生成分辨率（如768x768）
• 关闭其他占用显存的程序

问题2：生成速度慢 解决：

• 启用FLUX.1-Turbo-Alpha LoRA
• 减少推理步数（但不要低于20）
• 使用xFormers加速（如果支持）

问题3：图片质量不佳 解决：

• 检查提示词是否足够详细
• 增加推理步数到25-30
• 尝试不同的采样器

6. 关键注意事项与总结

6.1 必须注意的几点

1. 模型目录不能错

   • FLUX.1-dev主模型 → models/unet/
   • LoRA模型 → models/loras
   • 文本编码器 → models/text_encoders
   • VAE模型 → models/vae

2. 显存管理很重要

   • FP16版：约33GB显存
   • FP8版：约17GB显存
   • INT4/FP4版：更低显存占用 根据你的显卡选择合适的版本。

3. 显卡兼容性

   • Blackwell显卡（RTX 50系列）只能用FP4模型
   • 其他N卡优先用INT4模型
   • 不确定的话，从INT4开始试

4. 工作流依赖 如果加载工作流时提示节点缺失，可以通过ComfyUI-Manager安装缺少的自定义节点。

5. 推理步数设置 关闭FLUX.1-Turbo-Alpha LoRA后，推理步数不能低于20步，否则效果会大打折扣。

6.2 个人使用感受

经过几天的使用，我对Nunchaku FLUX.1-dev的整体感受是：

优点：

• 生成质量很高，细节丰富自然
• 对复杂提示词的理解能力不错
• 配合LoRA后风格可控性强
• 在RTX4090上速度可以接受

待改进：

• 显存占用还是偏大
• 首次加载时间较长
• 对中文提示词支持一般

适合场景：

• 需要高质量图片的内容创作者
• 游戏/动漫概念设计
• 艺术创作和灵感激发
• 产品原型可视化

6.3 给新手的建议

如果你是第一次接触ComfyUI和FLUX模型，我的建议是：

1. 从量化版开始：先用INT4或FP8版本，确保能跑起来
2. 多用示例工作流：Nunchaku提供的工作流已经优化过，比自己从头搭省心
3. 循序渐进：先学会基本使用，再慢慢探索高级功能
4. 备份重要设置：找到合适的参数组合后，记得保存工作流
5. 加入社区：遇到问题可以在GitHub或Discord上求助，很多问题别人已经遇到过

7. 总结

通过这篇教程，你应该已经成功在WSL2+Ubuntu环境下部署了Nunchaku FLUX.1-dev，并在ComfyUI中实现了文生图功能。整个过程虽然步骤不少，但每一步都有明确的操作指引。

关键要点回顾：

1. 环境准备是基础，Python、CUDA、PyTorch版本要匹配
2. 插件安装推荐用Comfy-CLI，一键搞定最省心
3. 模型下载最耗时，根据显卡选对版本很重要
4. 工作流加载用官方示例，避免自己配置的麻烦
5. 参数调整需要耐心尝试，找到最适合的组合

FLUX.1-dev确实是一个强大的文生图模型，特别是在细节表现和风格控制方面。虽然部署过程有些复杂，但一旦跑起来，你会发现这些努力都是值得的。

现在你可以开始自己的创作了——试试不同的提示词，探索各种风格，看看这个模型能带给你什么样的惊喜。如果在使用过程中遇到问题，或者有新的发现，欢迎分享交流。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。