.ai

les meilleurs modèles d'IA open source

Rechercher

Nœud Unet Loader (GGUF) dans ComfyUI

Unet Loader (GGUF) charge des versions quantifiées Q8, Q6, Q5 et Q4 .gguf de Flux, Wan, Hunyuan, Qwen-Image et d'autres gros transformers pour qu'ils tournent sur des GPU de 6 à 12 Go ; DualCLIPLoader (GGUF) fait pareil pour les encodeurs de texte T5.

Pack de nœuds : ComfyUI-GGUF

Catégorie : Chargeurs

Ce que fait Unet Loader (GGUF)

GGUF est le format de quantification de llama.cpp, adapté aux modèles d'image et vidéo grâce au pack ComfyUI-GGUF de city96. Un transformer Flux Dev qui demande 24 Go en bf16 passe à 12 Go en Q8, 7 Go en Q4_K_S, avec une qualité qui baisse doucement. Unet Loader (GGUF) lit ces fichiers depuis models/unet (ou models/diffusion_models) et sort un MODEL normal ; les poids sont déquantifiés à la volée, donc c'est un peu plus lent que fp8 mais ça marche là où fp8 ne passe pas. DualCLIPLoader (GGUF) et CLIPLoader (GGUF) chargent les encodeurs texte t5xxl et umt5 GGUF de la même façon.

Les LoRAs, ControlNets et IP-Adapters fonctionnent avec les modèles GGUF. Le reste du graphe ne change pas : les encodeurs texte, VAE, sampler et les nœuds ModelSampling restent identiques à la version safetensors.

Entrées

Nom	Type	Rôle
unet_name	COMBO	Un fichier .gguf depuis models/unet ou models/diffusion_models.

Sorties

Nom	Type	Rôle
MODEL	MODEL	Le modèle quantifié pour les chargeurs LoRA et KSampler.

Oubliez l'installation : des workflows ComfyUI préinstallés sur le cloud

BitVector exécute des workflows ComfyUI prêts à l'emploi sur ses propres GPU. Rien à installer, aucun nœud manquant, aucune case rouge. Ouvrez-le sur votre téléphone ou votre portable et générez en une minute.

Essayer BitVector

Comment utiliser Unet Loader (GGUF)

Installe ComfyUI-GGUF depuis Manager (il faut le paquet Python gguf, installé automatiquement).
Télécharge le GGUF Q8_0 (le meilleur) ou Q4_K_S (le plus petit) de ton modèle dans models/unet.
Remplace Load Diffusion Model par Unet Loader (GGUF) et choisis le fichier.
Optionnellement, utilise DualCLIPLoader (GGUF) avec t5-v1_1-xxl-encoder-Q5_K_M.gguf pour réduire la taille de l'encodeur texte.
Garde le reste du graphe tel quel ; lance le rendu comme d’habitude.

Réglages et conseils

Q8_0 est visuellement identique à fp16 pour la plupart des modèles ; Q5_K_M est le bon compromis pour les cartes 8 Go ; Q4 montre une petite perte de texture.
Le décodage GGUF utilise CPU/GPU : compte 10-30 % de temps en plus par étape par rapport à fp8 sur les cartes qui supportent fp8.
Pour Wan 2.2, il y a des GGUF pour les modèles à bruit haut et bas.
Ne mélange pas : le VAE et CLIP-L restent en fichiers safetensors.
--lowvram avec GGUF Q4 permet à Flux de tourner sur 6 Go, lent mais fonctionnel.

Dépannage de Unet Loader (GGUF)

Le fichier .gguf n’apparaît pas dans la liste déroulante

Pourquoi cela arrive

Le pack n’est pas installé (le nœud serait rouge), ou le fichier est dans le mauvais dossier.

Comment le corriger

Installe ComfyUI-GGUF, mets le fichier dans models/unet ou models/diffusion_models et appuie sur R.

Erreur : architecture GGUF inconnue / type de quantification non supporté

Pourquoi cela arrive

Le GGUF est un modèle de langage, ou un type de quantification plus récent que le pack installé.

Comment le corriger

Télécharge un GGUF modèle image depuis les dépôts city96 ou QuantStack et mets à jour ComfyUI-GGUF.

Le LoRA génère des avertissements sur des clés manquantes

Pourquoi cela arrive

Le LoRA cible des couches avec les noms d’origine ; la plupart sont mappés, mais certains entraîneurs créent des clés bizarres.

Comment le corriger

Teste le LoRA avec le modèle safetensors pour vérifier qu’il marche ; mets à jour le pack GGUF, qui améliore le mapping des clés avec le temps.

Toujours pas assez de mémoire en Q4

Pourquoi cela arrive

L’encodeur texte (T5 en 10 Go fp16) est le vrai gros consommateur.

Comment le corriger

Utilise le T5 GGUF ou fp8 et le CLIP fp8 ; ajoute --lowvram.

Lancez ce workflow depuis votre téléphone

Chaque workflow de cette page est préinstallé sur BitVector, modèles et nœuds personnalisés déjà en place. Choisissez-en un, tapez un prompt, c'est fait. Zéro configuration, rien à télécharger.

Essayer BitVector

Questions sur Unet Loader (GGUF)

GGUF ou fp8 ?

fp8 est plus rapide sur les cartes RTX 40/50 quand le modèle tient ; GGUF Q8 a une qualité un peu meilleure que fp8 et Q4-Q6 passent là où fp8 ne peut pas.

Je peux créer mon propre GGUF ?

Oui, avec le script convert du dépôt ComfyUI-GGUF et les outils de quantification de llama.cpp ; la plupart des gens téléchargent des fichiers prêts à l’emploi.

Nœuds liés

Load Diffusion Model

ComfyUI core

Load Diffusion Model (UNETLoader) charge un réseau de débruitage nu comme Flux, SD3.5, Wan ou HunyuanVideo depuis models/diffusion_models, avec une option weight_dtype pour fp8 afin d’économiser de la VRAM.

DualCLIPLoader

ComfyUI core

DualCLIPLoader charge deux encodeurs de texte en même temps, par exemple clip_l plus t5xxl pour Flux ou clip_g plus t5xxl pour SD3, et sort un seul objet CLIP pour les nœuds de prompt.

Load LoRA

ComfyUI core

Load LoRA (LoraLoader) applique un fichier LoRA au MODEL et au CLIP avec des forces séparées, pour que tu puisses ajouter un style, un personnage ou un concept à n'importe quel checkpoint sans fusionner.

ModelSamplingFlux, ModelSamplingSD3 and ModelSamplingAuraFlow

ComfyUI core

Les nœuds ModelSampling définissent le décalage du planning du bruit pour les modèles flow-matching (Flux, SD3.5, Wan, Hunyuan, Qwen-Image, Chroma, Lumina) afin que les échantillonneurs passent le bon temps sur la composition par rapport aux détails.

ComfyUI Manager

ComfyUI-Manager

ComfyUI Manager est l’extension qui installe, met à jour et répare les packs de nœuds personnalisés et les modèles directement depuis l’interface, résout les nœuds manquants dans les workflows importés et sauvegarde ta configuration.

Marre de réparer des nœuds ? Laissez faire le cloud

BitVector garde des centaines de workflows ComfyUI installés, à jour et testés sur des GPU cloud rapides. Pas de Python, pas d'erreurs CUDA, pas de limite de VRAM. Depuis n'importe quel navigateur.

Essayer BitVector