Qwen-Image-2.1をローカルで動かすなら、画像生成モデルの重みだけでなく、テキストエンコーダーとVAEも確認したい。Hugging Faceの「abenzerps/Qwen-Image-2.1-Uncensored-GGUF」は、その構成を把握しやすいコミュニティ製の配布リポジトリだ。
Qwen公式のモデルと、このGGUF配布は区別して読む必要がある。公式モデルは画像生成と編集を統合し、透過画像の生成・編集にも対応する。視覚生成部分は7Bパラメーターだが、これはシステム全体の大きさを示す数字ではない。ここでは公開資料を整理しており、GGUF版の生成品質や速度は実測していない。
4.60GBは必要メモリの総量ではない
配布元がサイズと品質のバランスで推奨するのは、Q4_K_MのGGUFファイル。モデルカード上の容量は4.60GBで、Q8_0は7.59GBと記載されている。
ただし、別途使うテキストエンコーダーはBF16版が17.53GB、Int8版でも9.35GB。VAEも676MBある。いずれも配布ファイルの容量であり、そのまま実行時のVRAM使用量を示すわけではない。「4.60GBのファイルだから、その容量のGPUで一式が動く」とは読めない。
配布元は、画像生成側をGPUに置き、テキストエンコーダーをCPU側へオフロードする構成や、メモリ不足時の--lowvramを案内している。試す際にはGPUだけでなくシステムRAMも見て、生成条件と一緒に使用量を記録したい。
ComfyUIではローダーと関連ファイルをそろえる
モデルカードでは、GGUFをmodels/diffusion_models/、テキストエンコーダーをmodels/text_encoders/、VAEをmodels/vae/へ配置する。関連ファイルを同じリポジトリから選べるのは、組み合わせを確認するうえで助かる。
GGUFの読み込み先として案内されているのは、leejet/ComfyUI-GGUFのUnet Loader (GGUF)だ。このフォークのコミット履歴にも、Qwen-Image-2.1対応とアーキテクチャ識別子の追加がある。拡張の名前だけでなく、どのリポジトリの版を使うかまで合わせたい。
Comfy-Orgの公式Text-to-Imageテンプレートには、UNETLoader、CLIPLoader、VAELoaderが含まれる。配布元の手順は、このUNETLoaderをGGUF用ローダーへ置き換える形だ。CLIPLoaderのtypeはqwen_image。確認時点のテンプレートではローダーがサブグラフ内にあるため、外側のモデル選択欄だけでなく内部も見る必要がある。
公式テンプレートはComfyUI本体の更新も案内している。テンプレートを読み込めたことと、必要なノードが手元の版で動くことは別に確認したい。
「Uncensored」と利用許諾は別の話
配布元は、安全性チェッカーやコンテンツフィルターを内蔵しないと説明している。ただし、その説明だけで重みへの変更内容や、あらゆる実行環境での挙動まで確定するわけではない。
利用条件は名称よりもライセンス本文を先に読む。配布元が掲げるのはQwen Research Licenseで、公式の条文では非商用を研究・評価目的と定義し、商用利用には別途ライセンスを求めている。重みをダウンロードできることは、自由な商用利用を意味しない。
この配布を検討するなら、まず用途が許諾範囲に収まるかを確認する。そのうえで関連ファイルと対応ローダーをそろえ、必要メモリと出力を手元で確かめる。量子化ファイルの小ささだけでは決めない、というのが選ぶときの基準になる。