如何零门槛上手Qwen-Image-Layered-6bit：Apple Silicon本地部署完整教程-平芜编程栈

【免费下载链接】Qwen-Image-Layered-6bit

项目地址：https://ai.gitcode.com/hf_mirrors/zimengxiong/Qwen-Image-Layered-6bit

Qwen-Image-Layered-6bit是一个面向 Apple Silicon（M1/M2/M3/M4 系列 Mac）优化的6-bit 量化图像分层模型，基于 MFLUX 推理框架，可以在本地将任意图片自动拆解为多个带透明通道的RGBA 图层，每个图层都能独立编辑、移动、缩放或换色。相比原版约 55 GB 的权重体积，量化后仅需约 31 GB，让 24 GB 内存的 Mac 也能跑起来，真正实现本地部署、数据不出设备的 AI 图像分层。

🎯 什么是 Qwen-Image-Layered？能帮你做什么？

想象一下：你有一张海报图，想单独调整文字的位置或颜色，但普通修图工具只能整图处理。Qwen-Image-Layered 的价值在于把一张"扁平"的图片，智能分解成多层结构：

每一层都是独立的RGBA PNG（如layer_0.png、layer_1.png），自带透明背景
各图层可独立编辑、移动、缩放、重新着色，互不影响
实现高保真、风格一致的图像二次编辑

而本仓库Qwen-Image-Layered-6bit正是它的6-bit 量化版本，专为 Mac 的统一内存架构优化：

版本	模型体积	显存/内存占用
BF16（原版）	~55 GB	~55 GB
6-bit（本仓库）	~31 GB	~29 GB

💡 量化（Quantization）是把权重从 16-bit 压缩到 6-bit 的技术，体积缩小近一半，精度损失通常肉眼难辨。

🖥️ 部署前检查：你的 Mac 够格吗？

在开始之前，先确认硬件环境（详见 README.md）：

项目	最低要求	推荐配置
芯片	Apple Silicon（M1/M2/M3/M4）	M 系列任意
统一内存	24 GB	32 GB 及以上
系统版本	macOS 13.0+	最新稳定版

⚠️ 注意：Intel 芯片的 Mac 无法使用本方案，因为推理依赖 Apple Silicon 的 MLX 加速栈。

本仓库的模型由四个核心模块组成，全部为 6-bit 量化权重（quantization_level: "6"）：

模块	路径	作用
文本编码器	text_encoder/	基于 Qwen2.5-VL，理解提示词条件
图像变换器	transformer/	核心扩散模型，含 Layer3D RoPE 三维位置编码
变分自编码器	vae/	RGBA 四通道 VAE，支持 3D 时序卷积
分词器	tokenizer/	Qwen2Tokenizer，负责文本切分

🚀 三步快速上手：本地部署完整流程

第一步：安装 MFLUX 推理框架

本模型通过 MFLUX 的推理框架运行，需要带 Qwen-Image-Layered 支持的版本：

# 克隆支持 Qwen-Image-Layered 的 mflux 分支 git clone https://github.com/zimengxiong/mflux.git cd mflux uv sync

uv sync会自动根据 Python 版本管理依赖，无需手动建虚拟环境，新手友好。

第二步：下载本模型仓库

将本仓库的模型权重复制到任意固定路径（后续命令中用--model指定即可）：

git clone https://link.gitcode.com/i/8df514c58af770c9a2e59cd832ca683f.git

克隆完成后你会得到上文介绍的text_encoder/、transformer/、vae/、tokenizer/四个目录——这就是完整的 6-bit 模型。

第三步：一条命令生成分层图像

准备一张输入图片，然后执行：

uv run flux-generate-qwen-layered \ --image input.png \ --layers 4 \ --steps 50 \ -q 6 \ --output-dir ./layers

运行结束后，./layers目录中会生成4 张带透明通道的 RGBA PNG（layer_0.png、layer_1.png……），直接拖进 Photoshop 或 Figma 就能逐层编辑。

📊 常用参数速查表

参数	说明	默认值
`--image`	输入图片路径	必填
`--layers`	要分解的图层数量	4
`--steps`	推理步数（越大越精细、越慢）	50
`-q`	量化位数（4 / 6 / 8-bit）	无（BF16）
`--resolution`	分辨率桶（640 或 1024）	640
`--output-dir`	图层输出目录	`./`

参数完整说明可参考 README.md。

❓ 新手常见问题（FAQ）

Q1：24 GB 内存的 Mac 跑得动吗？可以，官方最低要求就是 24 GB 统一内存。6-bit 量化后运行时占用约 29 GB，建议 32 GB 及以上以获得更流畅的体验，推理期间避免开大量 Chrome 标签页占用内存。

Q2：为什么默认用-q 6？本仓库权重本身就是 6-bit 量化的（见 vae/model.safetensors.index.json），使用-q 6能同时保证速度和体积最优；如果你显存充裕且追求极限画质，可以尝试原版 BF16 权重。

Q3：生成太慢怎么办？优先降低--resolution到 640、减少--layers或--steps。M 系列芯片的"大核 GPU"数量越多（如 M3 Max、M4 Max）推理越快。

Q4：生成的图层为什么是 PNG 而不是 JPG？因为 JPG 不支持透明通道，PNG 的 RGBA 才能保留"每层独立透明背景"这一核心价值。

📁 相关资源

项目说明文档：README.md
量化索引（6-bit 元数据）：transformer/model.safetensors.index.json
分词器配置：tokenizer/tokenizer_config.json
许可证：Apache 2.0，与原模型一致，可放心用于商业场景

✅ 小结

只需三步：安装 MFLUX → 克隆本仓库 → 一条命令，就能在 Mac 上把任意图片拆解为可独立编辑的 RGBA 图层。Qwen-Image-Layered-6bit 通过 6-bit 量化将 55 GB 的模型压缩到 31 GB，让普通用户也能在本地私有化地享受"图像自动分层"这项能力，隐私与效率兼得。快去试试你的第一张分层图吧！🎨