q-diffusion

把扩散模型压到低比特，省内存还提速，生成质量不掉线。

Q-Diffusion 是 ICCV 2023 收录的扩散模型量化工具，主要解决 Stable Diffusion 等扩散模型在部署时内存占用大、推理速度慢的问题。它提出了一种针对扩散模型特性的后训练量化（PTQ）方法，通过分析扩散模型的时间步和激活分布，设计专门的量化参数校准策略，在保持生成质量的同时将模型权重和激活压缩到低比特（如 INT8/INT4）。核心能力包括：支持 DDIM 等采样器、适配 Stable Diffusion 架构、提供量化流程和示例代码。项目基于 PyTorch，适合研究或工程人员用于模型压缩与加速。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 380

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队Xiuyu-Li

所属国家

官网地址https://xiuyuli.com/qdiffusion

GitHubhttps://github.com/Xiuyu-Li/q-diffusion

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型ddim,diffusion-models,model-compression,post-training-quantization,pytorch,quantization,stable-diffusion

GitHub 星标★ 380

30天Star增速

HF 下载量

上线时间2023-03-24 00:00:00

最近更新2026-08-25 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数1

使用教程

核心亮点

首个针对扩散模型的系统量化方案，有 ICCV 论文背书，方法有理论支撑
支持 Stable Diffusion 和 DDIM，覆盖主流生成模型和采样器
提供后训练量化流程，无需重训练，部署成本低

不足之处

文档和社区支持较少，上手可能需要参考论文
仅支持 PyTorch，未覆盖 TensorRT 等工业部署工具链

适用场景

将 Stable Diffusion 部署到边缘设备或移动端，降低内存占用
在 GPU 推理时减少显存需求，提升批量生成吞吐量
研究扩散模型压缩技术，作为基线方法对比

替代项目

AQLM、GPTQ、AWQ

项目介绍

q-diffusion 是模型训练领域的开源项目，由 Xiuyu-Li 开发，2023 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 380。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-25。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：将StableDiffusion部署到边缘设备或移动端，降低内存占用。同类可对比的替代方案包括 AQLM、GPTQ、AWQ。

上一篇：AI-Toolkit-Easy-Install

下一篇：LECO