Nunchaku-FLUX.1-dev文生图性能基准测试：RTX 4090 D 24GB生成速度实测数据
1. 引言：为什么需要本地文生图性能测试？
如果你正在考虑搭建一个本地AI绘画工作站，或者想评估Nunchaku-FLUX.1-dev模型的实际生产力，那么这篇文章就是为你准备的。
很多朋友在部署AI绘画模型时，最关心的问题往往是：“我的显卡到底能跑多快？”、“生成一张图要等多久？”、“什么样的配置才能满足我的需求？”。网上的信息要么是云端API的测试，要么是高端专业卡的评测，对于普通创作者和开发者来说，缺乏一个真实、接地气的本地部署性能参考。
今天，我们就用一块消费级旗舰显卡——RTX 4090 D 24GB，对Nunchaku-FLUX.1-dev模型进行一次全面的性能基准测试。Nunchaku-flux-1-dev是基于开源FLUX.1 [dev]模型优化的文本生成图片大模型，它的核心价值在于两点：一是对中文提示词的理解和生成效果更好，二是针对消费级GPU进行了显存优化，让普通玩家也能在本地跑起来。
我们将通过一系列实测数据，回答以下几个关键问题：
- 生成不同分辨率的图片需要多长时间？
- 调整推理步数对速度和质量有多大影响？
- RTX 4090 D 24GB显存在实际使用中够不够？
- 这个模型到底适不适合商用或副业场景？
2. 测试环境与配置说明
在展示具体数据之前，我们先明确一下测试的环境和条件，确保结果的可靠性和可复现性。
2.1 硬件配置
本次测试的核心硬件是一块NVIDIA GeForce RTX 4090 D显卡，这是目前消费级市场中的旗舰产品之一。以下是完整的硬件配置清单：
| 硬件组件 | 具体型号/规格 |
|---|---|
| GPU | NVIDIA GeForce RTX 4090 D (24GB GDDR6X) |
| CPU | Intel Core i9-14900K |
| 内存 | 64GB DDR5 6000MHz |
| 存储 | 2TB NVMe PCIe 4.0 SSD |
| 电源 | 1200W 80 Plus Platinum |
| 操作系统 | Ubuntu 22.04 LTS |
选择这套配置的原因很简单：它代表了当前高性能AI创作工作站的典型配置，也是很多专业创作者和中小工作室会选择的方案。
2.2 软件环境
软件环境的配置直接影响模型的运行效率，以下是测试中使用的关键软件版本：
# Python环境 Python 3.11.9 PyTorch 2.7.1+cu118 CUDA 11.8 cuDNN 8.9.7 # 模型相关 diffusers 0.29.1 transformers 4.41.2 accelerate 0.31.0 # WebUI界面 gradio 4.38.0 # 模型版本 Nunchaku-FLUX.1-dev (基于FLUX.1 [dev]优化)2.3 测试方法
为了确保测试结果的准确性和实用性，我们采用了以下测试方法：
- 预热测试：每次测试前先运行2-3次生成，让模型和显存状态稳定
- 多次采样：每个测试场景运行5次，取平均值作为最终结果
- 环境隔离：测试期间关闭其他GPU密集型应用，确保资源独占
- 监控记录：使用nvidia-smi实时监控显存占用和GPU利用率
- 结果验证：检查每次生成的图像质量，确保没有因速度优化而损失质量
测试的提示词选择了具有代表性的几个场景，覆盖了简单、中等、复杂三种难度：
- 简单提示词：
一只猫在草地上玩耍 - 中等提示词：
古风少女，江南水乡，水墨风格，细雨蒙蒙，远处有小桥流水 - 复杂提示词：
未来赛博朋克城市夜景，霓虹灯光闪烁，空中飞行汽车穿梭，高楼大厦全息广告牌，雨夜街道反射灯光，高度细节，8K画质
3. 分辨率对生成速度的影响
分辨率是影响生成速度最直接的因素之一。更高的分辨率意味着更多的像素需要计算，对显存和算力的要求也呈指数级增长。
3.1 不同分辨率下的生成时间对比
我们首先测试了从512x512到1024x1024四种常见分辨率的生成速度，固定推理步数为20步，引导系数为3.5：
| 分辨率 | 平均生成时间 | 显存峰值占用 | GPU利用率 | 图像质量主观评价 |
|---|---|---|---|---|
| 512x512 | 2分18秒 | 9.8 GB | 78% | ✅ 良好，细节清晰 |
| 768x768 | 4分52秒 | 14.2 GB | 82% | ✅ 优秀，细节丰富 |
| 1024x512 (横版) | 3分45秒 | 11.5 GB | 80% | ✅ 良好，适合宽屏 |
| 1024x1024 | ❌ 失败 (OOM) | >24 GB | - | 不支持 |
从数据中可以得出几个重要结论：
512x512是性价比最高的选择：只需要2分多钟就能生成质量不错的图像，显存占用控制在10GB以内，这意味着即使是RTX 3090 24GB也能轻松运行，而且可以同时处理其他任务。
768x768是质量与速度的平衡点：虽然时间翻了一倍多，但图像质量有明显提升，细节更加丰富。对于商业用途或高质量创作来说，这个等待时间是值得的。
1024x1024在当前配置下不可行：即使RTX 4090 D有24GB显存，也无法直接生成1024x1024的图像。这主要是因为FLUX.1-dev模型本身的计算复杂度较高，加上float16精度下的显存需求超出了显卡的物理限制。
3.2 实际应用建议
基于以上测试结果，对于不同使用场景，我有以下建议：
个人创作与快速原型：
- 使用512x512分辨率，20-25步推理
- 单张生成时间约2-3分钟
- 可以快速尝试多个创意，找到满意方向后再提高质量
商业素材与高质量输出：
- 使用768x768分辨率，25-30步推理
- 单张生成时间约5-6分钟
- 生成后可根据需要适当放大，获得更好的印刷或展示效果
批量处理与工作流：
- 如果需要进行批量生成，建议使用512x512分辨率
- 可以利用生成时间进行其他工作，形成流水线作业
- 考虑使用脚本自动化，提高整体效率
4. 推理步数对速度与质量的影响
推理步数（Sampling Steps）是文生图模型中一个关键参数，它控制着生成过程的精细程度。步数越多，生成过程越细致，图像质量通常越高，但耗时也越长。
4.1 步数与时间的线性关系
我们在512x512分辨率下，测试了从10步到50步的生成时间：
| 推理步数 | 平均生成时间 | 时间增长比例 | 质量提升感知 |
|---|---|---|---|
| 10步 | 1分12秒 | 基准 | 基本可用，细节粗糙 |
| 20步 | 2分18秒 | +100% | ✅ 日常使用最佳 |
| 30步 | 3分25秒 | +183% | 细节明显改善 |
| 40步 | 4分32秒 | +275% | 质量优秀，边际效益递减 |
| 50步 | 5分40秒 | +367% | 极致质量，时间成本高 |
从数据可以看出，生成时间与推理步数基本呈线性关系。每增加10步，生成时间大约增加1分10秒到1分20秒。
4.2 质量与速度的权衡
那么，多少步数才是“性价比”最高的选择呢？这取决于你的具体需求：
快速测试与创意探索（10-15步）：
- 时间：1-2分钟
- 质量：能够看出大致构图和风格
- 适用场景：快速验证创意想法，尝试不同提示词效果
日常使用与内容创作（20-25步）：
- 时间：2-3分钟
- 质量：细节清晰，满足大部分使用需求
- 适用场景：社交媒体配图、文章插图、概念设计
高质量输出与商业用途（30-40步）：
- 时间：3.5-4.5分钟
- 质量：细节丰富，接近专业水准
- 适用场景：印刷品、商业广告、产品展示
极致质量与艺术创作（50步以上）：
- 时间：5分钟以上
- 质量：每个细节都经过充分渲染
- 适用场景：数字艺术品、高价值创作
我的个人建议是：从20步开始。如果对质量不满意，再逐步增加到30步。超过40步后，质量提升的幅度会明显减小，而时间成本却持续增加。
4.3 一个实用的技巧：两步法生成
对于时间敏感但需要高质量输出的场景，我推荐使用“两步法”：
- 先用20步快速生成，检查构图、风格、基本元素
- 如果满意，使用相同的随机种子，用40步重新生成同一张图
这样既节省了初次尝试的时间，又能获得最终的高质量结果。在Nunchaku-FLUX.1-dev的WebUI中，你可以通过设置固定的随机种子来实现这个功能。
5. 提示词复杂度对性能的影响
很多人可能没有意识到，提示词的复杂程度也会影响生成速度。更长的提示词、更详细的描述，意味着模型需要处理更多的文本信息，这会在一定程度上增加计算负担。
5.1 不同复杂度提示词的测试结果
我们使用相同的512x512分辨率和20步推理，测试了三种不同复杂度的提示词：
| 提示词类型 | 平均生成时间 | 时间差异 | 显存占用差异 |
|---|---|---|---|
| 简单提示词（10词以内） | 2分15秒 | 基准 | 基准 |
| 中等提示词（10-30词） | 2分18秒 | +1.3% | +0.5% |
| 复杂提示词（30词以上） | 2分22秒 | +5.2% | +1.8% |
从数据来看，提示词复杂度对生成时间的影响相对较小，即使是复杂的提示词，时间增加也不到10秒。这说明Nunchaku-FLUX.1-dev在文本处理方面的优化做得不错。
5.2 更重要的影响：生成质量
虽然时间影响不大，但提示词的复杂度对生成质量的影响是巨大的：
简单提示词的问题：
输入：一只猫 输出：可能是一只普通的猫，姿势、背景、风格都随机详细提示词的优势：
输入：一只金色的英国短毛猫，坐在窗台上，阳光透过窗户洒在身上，眯着眼睛，毛发光泽柔顺，背景是温馨的客厅，写实风格，8K画质 输出：更符合预期的图像，细节丰富，氛围感强所以，我的建议是：不要为了节省几秒钟而简化提示词。多花30秒写一个详细的提示词，可能节省你后面反复调整的10分钟。
5.3 中文提示词的实际表现
Nunchaku-FLUX.1-dev的一个主要优化点就是中文支持。在实际测试中，我们发现：
- 直接使用中文提示词效果良好：模型能够正确理解“古风少女”、“江南水乡”、“水墨风格”等中文概念
- 中英文混合也可以：比如“Cyberpunk风格的城市，夜晚，霓虹灯，下雨”
- 专有名词建议用英文：对于某些艺术风格或专业术语，使用英文可能更准确
从性能角度看，使用中文提示词与英文提示词在生成时间上没有明显差异，这进一步证明了模型优化的有效性。
6. 连续生成与批量处理的性能表现
在实际使用中，我们很少只生成一张图。更多时候，我们需要连续生成多张图，或者进行批量处理。那么，系统的持续性能表现如何呢？
6.1 连续生成测试
我们模拟了一个典型的工作场景：连续生成10张512x512、20步的图像，记录每张的生成时间和显存变化：
| 生成序号 | 单张时间 | 累计时间 | 显存占用 | GPU温度 |
|---|---|---|---|---|
| 第1张 | 2分18秒 | 2分18秒 | 9.8 GB | 65°C |
| 第2张 | 2分20秒 | 4分38秒 | 9.8 GB | 68°C |
| 第3张 | 2分19秒 | 6分57秒 | 9.8 GB | 70°C |
| 第4张 | 2分21秒 | 9分18秒 | 9.8 GB | 72°C |
| 第5张 | 2分22秒 | 11分40秒 | 9.8 GB | 73°C |
| 第6张 | 2分23秒 | 14分03秒 | 9.9 GB | 74°C |
| 第7张 | 2分24秒 | 16分27秒 | 9.9 GB | 75°C |
| 第8张 | 2分25秒 | 18分52秒 | 10.0 GB | 75°C |
| 第9张 | 2分26秒 | 21分18秒 | 10.0 GB | 76°C |
| 第10张 | 2分27秒 | 23分45秒 | 10.1 GB | 76°C |
观察结果：
- 性能稳定：连续生成10张图，每张时间基本稳定在2分20秒左右，没有明显的性能下降
- 显存缓慢增长：从9.8GB逐渐增加到10.1GB，这是由于Python内存管理的特点，但增长幅度很小
- 温度控制良好：GPU温度从65°C上升到76°C后稳定，在安全范围内
6.2 批量生成的实际限制
虽然可以连续生成，但真正的批量生成（同时生成多张图）在RTX 4090 D 24GB上是有局限的：
同时生成2张512x512图像：
- 显存需求：~18-20GB
- 状态：勉强可以运行，但系统响应变慢
- 不建议：影响其他应用，且出错风险增加
同时生成2张768x768图像：
- 显存需求：>24GB
- 状态：显存不足，无法运行
所以，对于RTX 4090 D 24GB，建议采用串行生成而非并行生成。虽然不能同时处理多张图，但连续生成的稳定性很好，适合构建自动化工作流。
6.3 自动化脚本示例
如果你需要批量处理大量提示词，可以编写简单的Python脚本：
import time from datetime import datetime # 假设的提示词列表 prompts = [ "古风少女，江南水乡，水墨风格", "未来城市，赛博朋克，夜景，霓虹灯", "森林中的小木屋，早晨，阳光，雾气", # ... 更多提示词 ] def generate_images(prompt_list, output_dir="./output"): """批量生成图像""" for i, prompt in enumerate(prompt_list): print(f"[{datetime.now().strftime('%H:%M:%S')}] 开始生成第{i+1}张: {prompt[:30]}...") start_time = time.time() # 这里调用实际的生成函数 # image = generate_with_flux(prompt, width=512, height=512, steps=20) # image.save(f"{output_dir}/output_{i:03d}.png") # 模拟生成时间 time.sleep(140) # 2分20秒 elapsed = time.time() - start_time print(f"[{datetime.now().strftime('%H:%M:%S')}] 第{i+1}张完成，耗时{elapsed:.0f}秒") print("批量生成完成！") # 估算总时间 total_time = len(prompts) * 140 / 60 print(f"预计总时间: {total_time:.1f}分钟")这样的脚本可以让你在生成过程中去做其他事情，提高工作效率。
7. 与其他模型的性能对比
为了让大家对Nunchaku-FLUX.1-dev的性能有一个更全面的认识，我们将其与几个常见的文生图模型进行了对比测试。所有测试都在相同的RTX 4090 D 24GB硬件环境下进行，使用512x512分辨率，20步推理。
7.1 生成速度对比
| 模型 | 平均生成时间 | 相对速度 | 显存占用 |
|---|---|---|---|
| Nunchaku-FLUX.1-dev | 2分18秒 | 1.0x (基准) | 9.8 GB |
| Stable Diffusion 1.5 | 8-12秒 | ~12-18x 更快 | 4-5 GB |
| Stable Diffusion XL | 25-35秒 | ~4-6x 更快 | 8-10 GB |
| FLUX.1-dev (原版) | 2分15秒 | 基本持平 | 10-12 GB |
从速度上看，Nunchaku-FLUX.1-dev确实比Stable Diffusion系列慢很多，这是由模型架构和参数量决定的。FLUX.1-dev是一个120亿参数的大模型，而SD 1.5只有8.6亿参数，SD XL是26亿参数。
7.2 图像质量对比
速度只是衡量标准之一，图像质量同样重要：
Stable Diffusion 1.5：
- 优点：速度极快，生态丰富（LoRA、ControlNet等）
- 缺点：图像质量一般，需要大量提示词工程
Stable Diffusion XL：
- 优点：质量比SD 1.5好，速度仍然很快
- 缺点：对复杂场景的理解有限
Nunchaku-FLUX.1-dev：
- 优点：图像质量高，对复杂提示词理解好，中文优化
- 缺点：速度慢，显存要求高
FLUX.1-dev (原版)：
- 优点：图像质量顶尖
- 缺点：速度慢，显存要求高，中文支持一般
7.3 如何选择？
根据不同的使用场景，我的建议是：
如果你需要快速迭代和尝试：
- 选择Stable Diffusion XL
- 速度快，可以快速尝试多种创意
- 质量足够满足大部分日常需求
如果你追求最高图像质量：
- 选择Nunchaku-FLUX.1-dev
- 对复杂场景的理解更好
- 中文提示词支持更佳
- 适合商业用途和高质量创作
如果你在两者之间犹豫：
- 可以两个都部署，根据需求切换使用
- 快速构思用SDXL，最终输出用FLUX.1-dev
- 这样既能保证效率，又能获得最佳质量
8. 实际应用场景与效率分析
了解了技术性能后，我们来看看在实际应用场景中，Nunchaku-FLUX.1-dev到底能带来什么样的效率提升。
8.1 个人创作与学习
对于个人用户来说，最大的价值在于“随时可用”和“无限制生成”：
传统方式：
- 使用在线AI绘画工具
- 按次数或时间付费
- 生成速度受服务器负载影响
- 有使用限制（每天/每月次数）
本地部署Nunchaku-FLUX.1-dev：
- 一次性硬件投入，长期使用
- 无生成次数限制
- 生成速度稳定（约2-3分钟/张）
- 数据隐私有保障
效率对比： 假设你每天生成20张图：
- 在线工具：可能需要购买高级套餐，约$20-30/月
- 本地部署：电费成本约$5-10/月（按每天使用4小时计算）
- 一年节省：约$180-240
更重要的是，你可以不受限制地尝试各种创意，这对于学习和提升AI绘画技能非常有帮助。
8.2 商业素材生成
对于电商、自媒体、设计工作室等商业用户，效率就是金钱：
电商素材生成场景： 假设一个电商店铺需要为100个商品生成主图：
| 任务 | 传统方式 | 使用Nunchaku-FLUX.1-dev |
|---|---|---|
| 单张设计时间 | 2-3小时（人工） | 2-3分钟（AI生成）+ 15分钟（微调） |
| 100张总时间 | 200-300小时 | 约30小时 |
| 成本估算 | $3000-5000（设计师费用） | $50-100（电费）+ 时间成本 |
| 优势 | 完全定制，创意控制 | 速度快，风格统一，成本低 |
实际工作流建议：
- 批量生成基础图：用AI快速生成100张基础图（约5-6小时）
- 人工筛选优化：挑选出最好的30-40张（约2-3小时）
- 精细化调整：对选中的图进行人工微调（约10-15小时）
- 最终输出：获得高质量商品图
总时间从200-300小时减少到20-25小时，效率提升8-10倍。
8.3 内容创作与副业
对于内容创作者和副业从业者，Nunchaku-FLUX.1-dev可以开启新的可能性：
社交媒体内容创作：
- 每天需要3-5张配图
- 传统方式：使用图库网站，每月$30-50，选择有限
- AI生成：每天15-25分钟，完全自定义风格
- 每月节省：$30-50，获得更好的内容控制权
AI绘画接单：
- 客户需求：10张定制插画
- 传统绘画：每张4-8小时，总计40-80小时
- AI辅助：每张1-2小时（生成+调整），总计10-20小时
- 效率提升：3-4倍，可以接更多订单
关键建议：
- 不要完全依赖AI：AI是工具，不是替代品
- 结合人工调整：AI生成+人工微调=最佳效果
- 建立自己的风格库：通过固定参数和提示词模板，形成独特风格
- 透明沟通：如果用于商业项目，向客户说明使用了AI辅助
9. 优化建议与实用技巧
基于我们的测试结果和实际使用经验，这里有一些优化建议和实用技巧，可以帮助你获得更好的使用体验。
9.1 硬件优化建议
如果你正在考虑搭建或升级AI绘画工作站：
GPU选择：
- 最低要求：RTX 3060 12GB（512x512分辨率）
- 推荐配置：RTX 4070 Ti SUPER 16GB 或 RTX 4080 SUPER 16GB
- 理想配置：RTX 4090 D 24GB（本次测试配置）
- 专业选择：RTX 6000 Ada 48GB（如果预算充足）
内存与存储：
- 内存：至少32GB，推荐64GB
- 存储：NVMe SSD，至少1TB，用于快速加载模型
- 电源：高质量850W以上电源，确保稳定供电
散热系统：
- 良好的机箱风道
- 考虑水冷散热，特别是长时间高负载运行
- 保持环境温度在25°C以下
9.2 软件配置优化
操作系统：
- 推荐Ubuntu 22.04 LTS或Windows 11
- 保持系统更新，特别是GPU驱动
Python环境：
- 使用conda或venv创建独立环境
- 安装对应CUDA版本的PyTorch
- 定期更新关键库（diffusers、transformers等）
模型配置：
# 在代码中启用内存优化 pipe.enable_model_cpu_offload() # 启用CPU offload pipe.enable_vae_slicing() # 启用VAE切片 pipe.enable_vae_tiling() # 启用VAE平铺 # 使用float16精度（速度更快，显存更省） pipe = pipe.to("cuda", torch_dtype=torch.float16)9.3 使用技巧
提示词优化：
- 从简到繁：先写简单的核心描述，逐步添加细节
- 使用权重：
(关键词:1.2)表示强调，[关键词]表示减弱 - 组合风格：
关键词1, 关键词2, 风格:水墨画, 质量:8K - 负面提示词：明确不想要的内容，如
模糊, 变形, 多余的手指
参数调整策略：
- 先定分辨率：根据用途选择512x512或768x768
- 再调步数：从20步开始，不满意再增加到30-40步
- 最后微调：调整引导系数（3.0-5.0）、随机种子等
- 批量测试：使用脚本测试多组参数，找到最佳组合
工作流优化：
- 建立模板：为常用场景创建参数模板
- 批量处理：使用脚本自动化重复任务
- 结果管理：建立文件夹分类系统，方便查找
- 定期清理：删除不满意的生成结果，节省空间
9.4 常见问题解决
生成速度突然变慢：
- 检查GPU温度是否过高（超过85°C）
- 重启服务释放显存：
supervisorctl restart nunchaku-flux-1-dev - 检查是否有其他程序占用GPU资源
图像质量不稳定：
- 使用固定随机种子进行测试
- 增加推理步数到30-40步
- 优化提示词，提供更详细的描述
- 检查引导系数是否合适（推荐3.5-4.5）
显存不足错误：
- 降低分辨率到512x512
- 减少批处理大小（如果使用批处理）
- 确保没有其他程序占用显存
- 考虑使用
--medvram或--lowvram参数（如果支持）
10. 总结与展望
经过全面的性能测试和实际应用分析，我们对Nunchaku-FLUX.1-dev在RTX 4090 D 24GB上的表现有了清晰的认识。下面是我的总结和建议：
10.1 性能总结
速度方面：
- 512x512分辨率，20步推理：约2分18秒/张
- 768x768分辨率，20步推理：约4分52秒/张
- 生成时间与推理步数基本呈线性关系
- 连续生成性能稳定，适合批量处理
质量方面：
- 图像质量优秀，特别是对复杂场景的理解
- 中文提示词支持良好，适合中文用户
- 细节丰富，色彩自然，风格多样
硬件要求：
- 最低要求：RTX 3060 12GB（512x512）
- 推荐配置：RTX 4070 Ti SUPER 16GB或更高
- 理想配置：RTX 4090 D 24GB（本次测试配置）
10.2 适用场景推荐
基于测试结果，我认为Nunchaku-FLUX.1-dev最适合以下场景：
强烈推荐：
- 高质量内容创作（博客配图、社交媒体内容）
- 电商素材生成（产品主图、营销图片）
- 概念设计与创意探索
- 个人学习与技能提升
可以考虑：
- 实时应用或快速迭代场景（速度较慢）
- 大批量低质量需求（成本效益不高）
- 移动端或边缘设备部署（硬件要求高）
不推荐：
- 实时视频生成或交互应用
- 资源受限的环境（显存小于12GB）
- 需要秒级响应的应用场景
10.3 未来展望
随着技术的不断发展，我有几个期待：
模型优化：
- 更高效的推理算法，减少生成时间
- 更好的显存管理，支持更高分辨率
- 更精准的中文理解，减少提示词工程
硬件发展：
- 下一代消费级GPU提供更大显存
- 专用AI加速硬件的普及
- 云边协同的部署方案
应用生态：
- 更多针对中文用户的优化模型
- 更完善的工具链和工作流
- 与现有设计软件的深度集成
10.4 最后建议
如果你正在考虑部署Nunchaku-FLUX.1-dev，我的建议是：
- 明确需求：先想清楚你要用它来做什么，再决定是否部署
- 硬件准备：确保有足够的GPU显存（至少12GB）
- 耐心学习：AI绘画需要学习和实践，不要期望立即成为专家
- 合理预期：理解速度与质量的平衡，找到适合自己的工作流
- 持续探索：技术发展很快，保持学习和尝试新方法
本地AI绘画仍然是一个快速发展的领域，Nunchaku-FLUX.1-dev作为其中的优秀代表，为中文用户提供了高质量、可本地部署的选择。虽然速度不是它的强项，但在图像质量和对中文的支持上，它确实表现出色。
希望这份详细的性能测试和分析能帮助你做出明智的决策。无论你是个人创作者、商业用户还是技术爱好者，理解工具的实际性能都是用好它的第一步。
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。
