6GB 显存的老电脑能跑 Qwen-Image-2.1 吗？1660 Ti 实测配方

发布于 2026-10-21本地生图 · 低显存 · 实测

测试机：GTX 1660 Ti（6GB）＋ 16GB 内存＋ Windows，ComfyUI 0.37.0 portable（cu126）。本文所有数字都是这台机器上跑出来的，不是"理论上可以"。

结论先行

能跑，1024×1024 完全可用；1328×1328 也能出，只是要等。
快稿档（turbo，4 步）：热跑 127 秒/张，冷启动约 6 分钟（含模型加载）。
质量档（int8 原生权重，25 步）：11.43 秒/步，采样 6 分 33 秒，全管线含冷加载约 9.9 分钟。
显存峰值约 4.7GB / 6GB；文本编码器 7.9GB 常驻内存、流式上卡，所以内存别同时开重载程序。

Qwen-Image-2.1 在 GTX 1660 Ti 6GB 上生成的乡村道路改造前后对比图 — 实测输出：同一条村道的「改造前 / 改造后」对比（1664×928，int8 质量档 25 步 cfg=1）。画面里不放任何文字——AI 渲染中文标注必然乱码，文字一律后期叠。

一、为什么不是"直接 pip 装 diffusers"

6GB 显存跑 20B 级 DiT，天真做法会在加载阶段就 OOM。可行的组合是三件事叠加：

量化：DiT 用 GGUF（Q4_K_M，约 4.2GB）或 int8（7.26GB，靠流式上卡）；文本编码器也必须量化（Q4_K_M，5.03GB）。
低显存模式：ComfyUI 的 --lowvram，把权重按需换入换出。
fp32 计算：不要开 --force-fp16。图灵（TU116）没有 fp16 加速单元，实测 fp16 GEMM 比 fp32 慢 6 倍（219ms vs 36.1ms），而且会把模型卡在初始化阶段空转。

二、四个模型文件 + 两个补丁节点

放进 ComfyUI 对应目录，文件名别改（GGUF 的 mmproj 是按文件名匹配的）：

models/diffusion_models/
  qwen_image_2.1_int8_convrot.safetensors   7.26G   质量档（推荐默认）
  qwen_image_2.1_turbo_Q4_K_M.gguf          4.19G   4 步快稿档
models/text_encoders/
  qwen3vl_8b_heretic-Q4_K_M.gguf            5.03G
  mmproj-qwen3vl_8b_heretic-f16.gguf        1.16G   ← 必须同目录
models/vae/
  qwen_image_2.1_vae_bf16.safetensors       0.68G

custom_nodes/
  ComfyUI-GGUF-main                          GGUF 加载节点（city96）
  ComfyUI-GGUF-Qwen3VL-TE-main               修 12288 维文本编码器报错的补丁

还要给 loader 打一行补丁——带 general.architecture 元数据的 GGUF 会被拒载：

# custom_nodes/ComfyUI-GGUF-main/loader.py 第 12 行附近
IMG_ARCH_LIST = {..., "qwen_image21"}

注意：这个文件在节点更新后会被覆盖，每次更新都要重打。

三、启动

cd ComfyUI_windows_portable
.\python_embeded\python.exe -s ComfyUI\main.py --lowvram --port 8188

日志出现 [GGUF-Qwen3VL-TE] ... patched 就说明补丁生效了。

四、实测性能（1660 Ti 6GB / fp32 / LOW_VRAM）

场景	耗时	备注
turbo 4 步 @1024²	127 秒	热跑；冷启动约 6 分钟
turbo 4 步 @1328²	约 9.5 分钟	含文本编码
int8 质量档 25 步 @1024²	11.43 秒/步，采样 6:33	全管线约 9.9 分钟（含冷加载）
int8 质量档 25 步 @1328²	步时约 19.2 秒，采样约 8 分钟	按面积外推，实测同量级
显存峰值	约 4.7GB / 6GB	文本编码器走内存流式

分辨率换算记住一条：步耗时与面积成正比——2048² 大约是 1024² 的 4 倍。另外分辨率必须是 16 的倍数（VAE 16× 压缩），1920×1080 无效，要用 1920×1088。

Qwen-Image-2.1 在 6GB 显存上生成的完工道路效果图 — 同一台的产出：完工效果图（1664×928）。透视、光影与材质一致性是判断低显存方案"能不能用"的关键——不是能出图就行。

五、为什么 int8 比 GGUF 快 2.28 倍

同一个 25 步配置：GGUF Q4_K_M 是 26.09 秒/步，int8 是 11.43 秒/步。原因不是"量化更狠"，而是每步的额外开销：

GGUF Q4 在 eager 模式下每个算子都要先做 Q4→fp32 反量化，反量化开销约等于矩阵乘本身；
int8 走的是 Hadamard 旋转 + 动态 W8A8 + DP4A 矩阵指令，整条链更便宜；
精度上做过漂移校验（A/B/A 对照），差异 0.5%，肉眼等效于 fp32。

代价是内存：加载期 commit 会多约 9GB，16GB 机器属于薄余量运行，跑的时候别再开浏览器几十个标签。

六、8 个必踩的坑

PNG 元数据泄密：ComfyUI 默认把整段 workflow（含提示词与模型名）写进 PNG 的 tEXt 块，别人拖回 ComfyUI 就能还原。交付前必须用 PIL 重存清零。
文本编码器维度报错：Given normalized_shape=[4096] ... got [1,512,12288] → 装 Qwen3VL-TE 补丁节点，且 mmproj 必须与 GGUF 同目录、同名匹配。
Unexpected architecture type: 'qwen_image21' → 就是上面那行 IMG_ARCH_LIST 补丁没打。
--force-fp16 卡死：图灵上会卡在 Model Initializing、GPU 100% 空转。永久禁用。
fp16 的各种变体都是无效功：--fp16-unet 对 GGUF 模型输出与 fp32 逐字节相同（no-op），dequant_dtype=fp16 零提速。GGUF 路径上 fp32 就是地板。
PowerShell 5.1 的 UTF-8 带 BOM：用它生成的 JSON 会被 aiohttp 拒收，改用无 BOM 写入。
分辨率非 16 倍数：1920×1080 直接报错，用 1920×1088。
后台常驻服务被会话超时杀掉：长任务里的 ComfyUI 会被 10 小时上限掐死，久驻服务要用计划任务保活（幂等启动、活着就跳过）。

七、许可红线（很重要）

Qwen-Image-2.1 及其衍生（turbo / UC / GGUF）适用 Qwen RESEARCH LICENSE，仅限研究评估；商用交付（包括投标文件配图）需向官方购买授权。
需要可商用替代时，上一代 Qwen-Image 1.0 是 Apache-2.0。
另外：本地生成的图没有官方水印，但 AIGC 检测器仍能判"AI 生成"；如果用于对外发布，按《标识办法》要求应加显式/隐式标识。

八、完整部署仓库

脚本、基准记录与全部踩坑都整理在 GitCode： qwen-image-2.1-lowvram-deploy （ComfyUI + GGUF Q4 / int8 双流水线，含 1660 Ti 实测数据）。

小结

6GB 显存不是"跑不动大模型"的判决书，但需要认清三件事：量化要选对（int8 > GGUF Q4）、计算精度别乱降（fp32 是地板）、显存靠流式换，不靠显存本身。把这三条吃透，一张 2019 年的显卡也能稳定产出 1024² 的图。

← 返回技术博客