A beginner's guide to the Qwen-Image-2.1-Uncensored-Quantized model by Abenzerps on Huggingface
This is a simplified guide to an AI model called Qwen-Image-2.1-Uncensored-Quantized maintained by Abenzerps . If you like these kinds of analysis, you should join AImodels.fyi or follow us on Twitter . Overview Qwen-Image-2.1-Uncensored-Quantized is a set of quantized local image-generation weight
Veröffentlicht am 26. Oktober • Zuerst veröffentlicht auf aimodels.fyi
Dies ist eine vereinfachte Anleitung zu einem KI-Modell namens Qwen-Image-2.1-Uncensored-Quantized, das von Abenzerps gepflegt wird. Wenn dir diese Art von Analysen gefällt, solltest du AImodels.fyi beitreten oder uns auf Twitter folgen.
Qwen-Image-2.1-Uncensored-Quantized ist ein Satz quantisierter lokaler Gewichtungen zur Bilderzeugung, der auf dem Upstream-Modell Qwen-Image-2.1 basiert. Es wird von abenzerps gepflegt und bietet GGUF-, Safetensors- und für Apple Silicon optimierte MLX-Dateien zur Verwendung mit ComfyUI. Sein prägendes praktisches Merkmal ist das Fehlen eines integrierten Safety Checkers oder Inhaltsfilters: Prompts können Erwachsenen-, NSFW- und sensible Bilder erzeugen, ohne dass es zu Verweigerungen oder geschwärzten Ausgaben kommt.
Die README-Datei nennt keine Modellarchitektur, außer dass es sich um ein Modell zur Bilderzeugung handelt, und enthält ebenso wenig Angaben zur Parameteranzahl, zu Trainingsdaten, Trainingsschritten, zur Ausgabeauflösung oder zur gemessenen Generierungsgeschwindigkeit. Plane mit dem gesamten Komponentensatz, nicht nur mit der Diffusionsdatei: ComfyUI benötigt außerdem einen Qwen3-VL 8B Text Encoder sowie eine VAE. Das Repository verweist auf 2.188.658 Downloads, doch diese Zahl sagt nichts über die Bildqualität oder Leistung aus.
Lokale Erzeugung von Erwachsenen- oder sensiblen Bildern. Die Veröffentlichung entfernt ausdrücklich die integrierte Sicherheitsfilterung und eignet sich daher für Workflows, bei denen ein Safety Checker beabsichtigte Prompts blockieren würde. Das bedeutet auch, dass die betreibende Person für den Umgang mit Prompts, Zugriffskontrollen und die Einhaltung geltender Gesetze und Plattformregeln verantwortlich ist.
ComfyUI-Workflows mit begrenztem GPU-Speicher. Zu den GGUF-Optionen gehört eine 4,60 GB große Q4_K_M-Diffusionsdatei, und die README empfiehlt, das Diffusionsmodell im GPU-VRAM zu halten und stattdessen den Text Encoder in den Systemspeicher auszulagern. Dadurch wird die Komponente, die während des Sampling läuft, von der Textkodierung getrennt, die nur einmal pro Prompt ausgeführt wird.
Einrichtungen zur Bilderzeugung auf Apple Silicon. Das Repository enthält MLX-Varianten in 4-Bit, 6-Bit und 8-Bit, die als für Apple Silicon optimiert beschrieben werden. Diese bieten eine plattformspezifische Option, ohne dass eine GGUF- oder GPU-orientierte Safetensors-Datei erforderlich ist.
Lokales Experimentieren mit Abwägungen zwischen Qualität und Speicherbedarf. Die verfügbaren Formate reichen von 4,00 GB MLX 4-Bit und 4,05 GB Basis-Q4_0 GGUF bis zu 14,23 GB BF16 GGUF. So können Anwender die Quantisierungsstufen in ihrem eigenen Workflow vergleichen, auch wenn die README keine gemessenen Qualitäts- oder Geschwindigkeitsergebnisse für die einzelnen Varianten liefert.
Text-to-Image- und Bildbearbeitungs-Workflows in ComfyUI. Die README verweist auf offizielle Comfy-Org-Vorlagen für beide Aufgaben. Sie liefert keine aufgabenspezifischen Benchmark-Werte, daher sollten die beabsichtigten Prompts und Bearbeitungsfälle getestet werden, bevor man sich im Produktivbetrieb darauf verlässt.
Die README macht keine Angaben zur Ausgabeauflösung, Parameteranzahl, zu Trainingsdaten, Trainingsrechenleistung, Inferenzgeschwindigkeit oder Benchmark-Methodik. Das Benchmark-Bild wird bereitgestellt, jedoch ohne numerische Ergebnisse oder Hardware-Details. Leite keine Auflösung, Qualitätsstufe oder Generierungszeit aus den Dateigrößen ab.
Die kleinsten Diffusionsdateien verringern den Speicher- und Platzbedarf, doch die Quantisierung kann mit Qualitätseinbußen verbunden sein; das Repository empfiehlt Q4_K_M als besten Kompromiss zwischen Größe und Qualität für GGUF, veröffentlicht jedoch keine vergleichenden Messungen. Das vollständige Setup stellt zudem erhebliche Anforderungen an Speicher und Storage: Der Text Encoder ist 17,53 GB in BF16 oder 9,35 GB in INT8 groß, und die VAE ist 676 MB groß. Die empfohlene speichersparende Anordnung platziert den INT8-Text Encoder im Systemspeicher und das Q4_K_M-Diffusionsmodell im VRAM. Die Beschreibung in der README, dass dadurch 9 bis 17 GB VRAM gespart werden, deckt sich mit den angegebenen Encoder-Größen; eine Mindestanforderung an Systemspeicher oder GPU-VRAM wird nicht genannt.
Das Modell verfügt über keinen integrierten Inhaltsfilter. Das ist eine bewusste Eigenschaft und keine Garantie dafür, dass jeder Prompt ein bestimmtes Ergebnis liefert. Die README dokumentiert keine anderen bekannten Fehlermodi bei der Bildqualität, Verzerrungen oder Sicherheitsmaßnahmen.
Die angegebene Lizenz ist die Qwen Research License, die im Repository als „other“ bezeichnet wird. Die bereitgestellten Informationen begründen keine Rechte zur kommerziellen Nutzung oder die Lizenzbedingungen, daher sollte die Lizenz vor einer kommerziellen Bereitstellung geprüft werden.
Qwen-Image-2.1-GGUF ist die bessere Wahl, wenn du dieselben Upstream-Basisgewichtungen von Qwen-Image-2.1 in GGUF möchtest, ohne das ausdrücklich uncensierte Paket dieser Veröffentlichung zu wählen. Dieses Modell ist die klarere Wahl, wenn das Fehlen eines integrierten Safety Checkers eine Anforderung ist und du zusätzliche Formate wie Safetensors und MLX möchtest; die bereitgestellten Informationen liefern keine gemessenen Geschwindigkeits- oder Qualitätsunterschiede zwischen beiden. Die Hinweisen der Alternative zufolge ist eine vollständig uncensierte Version in Entwicklung, daher sollte deren aktueller Status geprüft werden, bevor man sie für einen uncensierten Workflow wählt.
Qwen-Image-2.1-Uncensored-Abenzerps-GGUF ist eine weitere GGUF-Distribution der uncensierten Qwen-Image-2.1-Gewichtungen. Wähle dieses Modell, wenn du die dokumentierten Safetensors- oder MLX-Varianten, die begleitenden Text-Encoder- und VAE-Dateien sowie ComfyUI-Einrichtungshinweise in einem Repository benötigst; wähle die Alternative, wenn deren Distribution besser zu deinem bestehenden GGUF-Workflow passt. Die bereitgestellten Informationen begründen keinen Qualitäts-, Geschwindigkeits- oder Kostenvorteil für eine der beiden Distributionen.
Qwen-Image-2.1-Uncensored-GGUF ist eine weitere uncensierte GGUF-Option auf Basis desselben Upstream-Modells. Dieses Repository ist die bessere Wahl, wenn du mehrere Nicht-GGUF-Quantisierungsformate und explizite Anweisungen zu Begleitdateien möchtest. Die Hinweise der Alternative berichten von einer Q8_0-Tensorform-Abweichung in ComfyUI während des Sampling und empfehlen stattdessen Q4_K_M, Q5_K_M oder Q6_K; die bereitgestellten Informationen bestätigen nicht, ob dieses Problem auch die Q8_0-Datei dieses Modells betrifft.
Qwen-Image-2.1-Uncensored-GGUF wird ebenfalls als uncensierte GGUF-Distribution beschrieben, die die Upstream-Basisgewichtungen verwendet. Wähle dieses Modell für die dokumentierten MLX- und Safetensors-Optionen oder die Alternative, wenn deren Repository und Dateien besser zu deinem bestehenden Setup passen. Es werden keine vergleichenden Benchmarks, Inferenzgeschwindigkeits- oder Kostendaten bereitgestellt, daher gibt es keine belastbare Grundlage für die Behauptung, dass eines davon bessere Bilder erzeugt oder schneller läuft.
Qwen-Image-2.1-GGUF zielt auf die ComfyUI-Nutzung mit wenig VRAM mittels GGUF-Quantisierungen ab und beschreibt seine Quantisierung als Verringerung des Speicherdrucks bei gleichzeitiger Erhaltung von Details, Komposition und Prompt-Treue. Dieses Modell ist die bessere Wahl, wenn du eine ausdrücklich uncensierte Veröffentlichung sowie Apple-Silicon-MLX- oder Safetensors-Optionen benötigst; die Alternative kann für einen Workflow passen, der auf ihrem angegebenen Low-VRAM-GGUF-Profil basiert. Die bereitgestellten Informationen liefern keine vergleichbaren Hardware-Tests oder gemessenen Qualitätsergebnisse.
Qwen-Image-2.1-Uncensored-Quantized paketiert quantisierte Versionen der Upstream-Gewichtungen von Qwen-Image-2.1. Die Quellrevision ist b3179ad355be050328e483a9dfdd9e60cd62adfa. Die README nennt als Konvertierungswerkzeuge den stable-diffusion.cpp Commit 1330cebae8f2ba99249df846cc0c9444fcbd4308 und comfy-kitchen. Die Quelle für Text Encoder und VAE ist Comfy-Org/Qwen-Image-2.1. Die angegebene Lizenz ist die Qwen Research License.
Das Repository listet außerdem Nicht-UC-GGUF-Dateien auf: Q8_0 mit 7,59 GB, Q6_K mit 5,88 GB, Q5_K_M mit 5,22 GB, Q4_K_M mit 4,60 GB und Q4_0 mit 4,05 GB. Es empfiehlt Q4_K_M als bestes Gleichgewicht zwischen GGUF-Größe und Qualität. INT8 ConvRot und NVFP4 werden als leistungsstarke Optionen auf unterstützten GPUs beschrieben, ohne unterstützte GPU-Modelle zu nennen oder Geschwindigkeitsmessungen bereitzustellen. MLX-Dateien richten sich an Apple Silicon.
Zu den ComfyUI-Begleitdateien gehören ein Qwen3-VL 8B Text Encoder in BF16 (17,53 GB) oder INT8 ConvRot (9,35 GB) sowie eine BF16-VAE (676 MB). Die README empfiehlt den INT8-Encoder für geringeren Speicherverbrauch. Sie schlägt vor, das Diffusionsmodell im GPU-VRAM zu halten und den Text Encoder im Systemspeicher auszuführen oder dorthin auszulagern; die Textkodierung läuft einmal pro Prompt. Bei VRAM-Out-of-Memory-Fehlern empfiehlt sie, ComfyUI mit --lowvram zu starten.
Zu den unterstützten Workflow-Komponenten gehören ComfyUI, der Custom Node leejet/ComfyUI-GGUF, die ComfyUI-Knoten UNETLoader, CLIPLoader und VAELoader sowie die offiziellen Comfy-Org-Workflow-Vorlagen für Text-to-Image und Bildbearbeitung. Für GGUF verwende Unet Loader (GGUF); für Safetensors verwende UNETLoader. Stelle den CLIPLoader-Typ des Text Encoders auf qwen_image ein. Die README warnt, dass der ältere city96/ComfyUI-GGUF einen Fehler „Unknown model architecture!“ verursachen kann; sie empfiehlt den leejet-Fork oder das Hinzufügen von ModelQwenImage zu tools/convert.py.
Die README macht keine Angaben zu Architekturdetails über die Aufgabe der Bilderzeugung hinaus, zur Parameteranzahl, zum Trainingsdatensatz, zu Trainingsschritten, Rechenleistung, maximaler Auflösung, Inferenzgeschwindigkeit oder Batch-Size-Empfehlungen.
Die README dokumentiert einen ComfyUI-Workflow statt einer Python-Inferenz-API, daher gibt es keinen unterstützten Python-Aufruf zum Laden oder Generieren mit dem Modell. Für das dokumentierte Setup lege die ausgewählte Diffusionsdatei in ComfyUI/models/diffusion_models/, den Text Encoder in ComfyUI/models/text_encoders/ und die VAE in ComfyUI/models/vae/ ab. Verwende zum Beispiel qwen-image-2.1-UC-Q4_K_M.gguf, qwen3vl_8b_int8_convrot.safetensors und qwen_image_2.1_vae_bf16.safetensors.
Installiere den gepflegten ComfyUI-GGUF-Fork in ComfyUI/custom_nodes/:
cd ComfyUI/custom_nodes git clone https://github.com/leejet/ComfyUI-GGUF Vollbildmodus aktivieren Vollbildmodus beenden Lade in ComfyUI die GGUF-Diffusionsdatei mit dem Unet Loader (GGUF). Lade den Text-Encoder mit dem CLIPLoader und stelle seinen Typ auf qwen_image; lade die VAE mit dem VAELoader. Verwende bei einer Safetensors-Diffusionsdatei stattdessen den UNETLoader. Falls der VRAM nicht ausreicht, starte ComfyUI mit --lowvram. Die README verweist außerdem auf offizielle Workflow-Vorlagen für Text-to-Image und Bildbearbeitung.
F: Kann ich Qwen-Image-2.1-Uncensored-Quantized kommerziell nutzen?
A: Das Repository gibt die Qwen Research License an. Die bereitgestellten Informationen machen keine Angaben zu kommerziellen Nutzungserlaubnissen, daher sollten die Lizenzbedingungen vor einer kommerziellen Nutzung geprüft werden.
A: Es wird keine Mindest-VRAM-Anforderung angegeben. Die empfohlene Konfiguration verwendet eine Q4_K_M-Diffusionsdatei mit etwa 4,6 GB im VRAM und einen INT8-Text-Encoder mit etwa 9,35 GB im Arbeitsspeicher; die VAE ist 676 MB groß. Verwende --lowvram, wenn ComfyUI einen VRAM-Out-of-Memory-Fehler meldet.
F: Welche Quantisierung sollte ich für ComfyUI wählen?
A: Die README empfiehlt Q4_K_M als besten Kompromiss zwischen GGUF-Dateigröße und Qualität. Sie listet Q4_K_M mit 4,60 GB, Q5_K_M mit 5,22 GB, Q6_K mit 5,88 GB und Q8_0 mit 7,59 GB auf, veröffentlicht jedoch keine vergleichenden Qualitäts- oder Geschwindigkeitsmessungen.
F: Wie verhält es sich im Vergleich zu Qwen-Image-2.1-GGUF bei unzensierter Generierung?
A: Diese Veröffentlichung verfügt ausdrücklich über keinen integrierten Safety-Checker oder Inhaltsfilter. Der Hinweis des ähnlichen Modells besagt, dass eine vollständig unzensierte Version in Entwicklung ist, sodass diese Veröffentlichung die dokumentierte Wahl ist, wenn unzensiertes Verhalten jetzt benötigt wird; die bereitgestellten Informationen belegen keinen Qualitäts- oder Geschwindigkeitsunterschied.
F: Welche bekannten Probleme mit der Bildqualität gibt es?
A: Die README liefert ein Benchmark-Bild, aber keine numerischen Ergebnisse, dokumentierten Fehlerfälle oder Angaben zur Ausgabeauflösung. Sie empfiehlt Q4_K_M für eine Balance zwischen GGUF-Größe und Qualität, quantifiziert jedoch keinen Qualitätsverlust über die verschiedenen Quantisierungen hinweg.
A: Die README dokumentiert quantisierte Dateien für lokale Inferenz über ComfyUI, nicht jedoch einen Fine-Tuning-Workflow. Sie gibt keine Unterstützung für Fine-Tuning oder ein Trainings-Framework an.
F: Wie schnell ist die Inferenz, und welche Batch-Größe sollte ich verwenden?
A: Die README enthält keine Messungen zu Inferenzzeit, Durchsatz oder Batch-Größe. Sie empfiehlt, das Diffusionsmodell im GPU-VRAM zu halten, da die Geschwindigkeit während des Samplings wichtig ist, und den Text-Encoder im Arbeitsspeicher zu betreiben oder dorthin auszulagern, da er nur einmal pro Prompt kodiert.
A: Nein. Die Veröffentlichung verfügt über keinen integrierten Safety-Checker oder Inhaltsfilter und kann jugendfreie, NSFW- und sensible Bilder erzeugen, ohne Prompts abzulehnen oder geschwärzte Bilder auszugeben.
Klicke hier, um die vollständige Anleitung zu Qwen-Image-2.1-Uncensored-Quantized zu lesen
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Posted on Oct 26 • Originally published at aimodels.fyi
This is a simplified guide to an AI model called Qwen-Image-2.1-Uncensored-Quantized maintained by Abenzerps. If you like these kinds of analysis, you should join AImodels.fyi or follow us on Twitter.
Qwen-Image-2.1-Uncensored-Quantized is a set of quantized local image-generation weights based on the upstream Qwen-Image-2.1 model. Maintained by abenzerps, it provides GGUF, Safetensors, and Apple Silicon–oriented MLX files for use with ComfyUI. Its defining practical feature is the absence of a built-in safety checker or content filter: prompts can produce adult, NSFW, and sensitive imagery without refusals or blacked-out outputs.
The README does not specify the model architecture beyond identifying it as an image-generation model, nor does it give a parameter count, training data, training steps, output resolution, or measured generation speed. Plan around the full component set, not just the diffusion file: ComfyUI also needs a Qwen3-VL 8B text encoder and a VAE. The repository reports 2,188,658 downloads, but that figure does not establish image quality or performance.
Local generation of adult or sensitive imagery. The release explicitly removes built-in safety filtering, so it suits workflows where a safety checker would block intended prompts. That also means the operator is responsible for prompt handling, access controls, and compliance with applicable laws and platform rules.
ComfyUI workflows with limited GPU memory. The GGUF options include a 4.60 GB Q4_K_M diffusion file, and the README recommends keeping the diffusion model in GPU VRAM while running or offloading the text encoder to system RAM. This separates the component that runs during sampling from text encoding, which runs once per prompt.
Apple Silicon image-generation setups. The repository includes MLX 4-bit, 6-bit, and 8-bit variants, described as optimized for Apple Silicon. These provide a platform-specific option rather than requiring a GGUF or GPU-oriented Safetensors file.
Local experimentation across quality and memory tradeoffs. The available formats range from 4.00 GB MLX 4-bit and 4.05 GB base Q4_0 GGUF to 14.23 GB BF16 GGUF. This lets practitioners compare quantization levels in their own workflow, though the README provides no measured quality or speed results for each variant.
Text-to-image and image-editing workflows in ComfyUI. The README points to official Comfy-Org templates for both tasks. It does not provide task-specific benchmark scores, so test the intended prompts and edit cases before relying on it in production.
The README does not report output resolution, parameter count, training data, training compute, inference speed, or benchmark methodology. The benchmark image is provided, but no numerical results or hardware details accompany it. Do not infer a resolution, quality level, or generation time from the file sizes.
The smallest diffusion files reduce storage and memory needs, but quantization can involve quality tradeoffs; the repository recommends Q4_K_M as a size-quality balance for GGUF without publishing comparative measurements. The full setup also has substantial memory and storage demands: the text encoder is 17.53 GB in BF16 or 9.35 GB in INT8, and the VAE is 676 MB. The recommended lower-memory arrangement places the INT8 text encoder in system RAM and the Q4_K_M diffusion model in VRAM. The README’s description of this as saving “9–17 GB” of VRAM is consistent with the listed encoder sizes; it does not give a minimum system RAM or GPU VRAM requirement.
The model has no built-in content filter. That is a deliberate property, not a guarantee that every prompt will produce a particular result. The README does not document other known image-quality failure modes, biases, or safety mitigations.
The stated license is the Qwen Research License, described in the repository as “other.” The provided information does not establish commercial-use rights or the license terms, so review the license before commercial deployment.
Qwen-Image-2.1-GGUF is the better fit if you want the same upstream Qwen-Image-2.1 base weights in GGUF without choosing this release’s explicitly uncensored package. This model is the clearer choice when the absence of a built-in safety checker is a requirement and when you want additional formats such as Safetensors and MLX; the supplied information does not provide measured speed or quality differences between them. The alternative’s notice says a fully uncensored version is in development, so check its current status before choosing it for an uncensored workflow.
Qwen-Image-2.1-Uncensored-Abenzerps-GGUF is another GGUF distribution of uncensored Qwen-Image-2.1 weights. Choose this model if you need the documented Safetensors or MLX variants, companion text encoder and VAE files, and ComfyUI setup guidance in one repository; choose the alternative if its distribution better matches your existing GGUF workflow. The provided information does not establish a quality, speed, or cost advantage for either distribution.
Qwen-Image-2.1-Uncensored-GGUF is another uncensored GGUF option based on the same upstream model. This repository is a stronger fit when you want multiple non-GGUF quantization formats and explicit companion-file instructions. The alternative’s notice reports a Q8_0 tensor shape mismatch in ComfyUI during sampling and recommends Q4_K_M, Q5_K_M, or Q6_K instead; the supplied information does not confirm whether that issue applies to this model’s Q8_0 file.
Qwen-Image-2.1-Uncensored-GGUF is also described as an uncensored GGUF distribution using the upstream base weights. Pick this model for the documented MLX and Safetensors choices, or the alternative if its repository and files suit your existing setup. No comparative benchmark, inference-speed, or cost data is provided, so there is no supported basis to claim that one produces better images or runs faster.
Qwen-Image-2.1-GGUF targets low-VRAM ComfyUI use with GGUF quantizations and describes its quantization as reducing memory pressure while preserving detail, composition, and prompt alignment. This model is the better fit when you need an explicitly uncensored release and Apple Silicon MLX or Safetensors options; the alternative may suit a workflow centered on its stated low-VRAM GGUF profile. The supplied information does not provide comparable hardware tests or measured quality results.
Qwen-Image-2.1-Uncensored-Quantized packages quantized versions of the upstream Qwen-Image-2.1 weights. The source revision is b3179ad355be050328e483a9dfdd9e60cd62adfa. The README identifies conversion using stable-diffusion.cpp commit 1330cebae8f2ba99249df846cc0c9444fcbd4308 and comfy-kitchen. The text encoder and VAE source is Comfy-Org/Qwen-Image-2.1. The stated license is the Qwen Research License.
The repository also lists non-UC GGUF files: Q8_0 at 7.59 GB, Q6_K at 5.88 GB, Q5_K_M at 5.22 GB, Q4_K_M at 4.60 GB, and Q4_0 at 4.05 GB. It recommends Q4_K_M for the best balance of GGUF size and quality. It describes INT8 ConvRot and NVFP4 as high-performance options on supported GPUs, without naming supported GPU models or providing speed measurements. MLX files target Apple Silicon.
ComfyUI companion files are a Qwen3-VL 8B text encoder in BF16 (17.53 GB) or INT8 ConvRot (9.35 GB), plus a BF16 VAE (676 MB). The README recommends the INT8 encoder for lower memory use. It suggests keeping the diffusion model in GPU VRAM and running or offloading the text encoder to system RAM; text encoding runs once per prompt. For VRAM out-of-memory errors, it recommends starting ComfyUI with --lowvram.
Supported workflow components include ComfyUI, the leejet/ComfyUI-GGUF custom node, ComfyUI’s UNETLoader, CLIPLoader, and VAELoader nodes, and official Comfy-Org text-to-image and image-edit workflow templates. For GGUF, use Unet Loader (GGUF); for Safetensors, use UNETLoader. Set the text encoder’s CLIPLoader type to qwen_image. The README warns that the older city96/ComfyUI-GGUF may produce an “Unknown model architecture!” error; it recommends the leejet fork or adding ModelQwenImage to tools/convert.py.
The README does not specify architecture details beyond the image-generation task, parameter count, training dataset, training steps, compute, maximum resolution, inference speed, or batch-size guidance.
The README documents a ComfyUI workflow rather than a Python inference API, so it does not provide a supported Python model-loading or generation call. To run the documented setup, place the selected diffusion file in ComfyUI/models/diffusion_models/, the text encoder in ComfyUI/models/text_encoders/, and the VAE in ComfyUI/models/vae/. For example, use qwen-image-2.1-UC-Q4_K_M.gguf, qwen3vl_8b_int8_convrot.safetensors, and qwen_image_2.1_vae_bf16.safetensors.
Install the maintained ComfyUI-GGUF fork in ComfyUI/custom_nodes/:
cd ComfyUI/custom_nodes git clone https://github.com/leejet/ComfyUI-GGUF Enter fullscreen mode Exit fullscreen mode In ComfyUI, load the GGUF diffusion file with Unet Loader (GGUF). Load the text encoder with CLIPLoader and set its type to qwen_image; load the VAE with VAELoader. For a Safetensors diffusion file, use UNETLoader instead. If VRAM runs out, start ComfyUI with --lowvram. The README also points to official text-to-image and image-edit workflow templates.
Q: Can I use Qwen-Image-2.1-Uncensored-Quantized commercially?
A: The repository states the Qwen Research License. The provided information does not specify commercial-use permissions, so review the license terms before commercial use.
A: No minimum VRAM requirement is stated. The recommended setup uses a Q4_K_M diffusion file of about 4.6 GB in VRAM and an INT8 text encoder of about 9.35 GB in system RAM; the VAE is 676 MB. Use --lowvram if ComfyUI reports a VRAM out-of-memory error.
Q: Which quantization should I choose for ComfyUI?
A: The README recommends Q4_K_M as the best balance of GGUF size and quality. It lists Q4_K_M at 4.60 GB, Q5_K_M at 5.22 GB, Q6_K at 5.88 GB, and Q8_0 at 7.59 GB, but does not publish comparative quality or speed measurements.
Q: How does it compare with Qwen-Image-2.1-GGUF for uncensored generation?
A: This release explicitly has no built-in safety checker or content filter. The similar model’s notice says a fully uncensored version is in development, so this release is the documented choice when uncensored behavior is required now; the supplied information does not establish a quality or speed difference.
Q: What are the known image-quality issues?
A: The README provides a benchmark image but no numerical results, documented failure modes, or output-resolution details. It recommends Q4_K_M for a GGUF size-quality balance, but does not quantify quality loss across quantizations.
A: The README documents quantized files for local inference through ComfyUI, not a fine-tuning workflow. It does not specify fine-tuning support or a training framework.
Q: How fast is inference, and what batch size should I use?
A: The README gives no inference-time, throughput, or batch-size measurements. It says to keep the diffusion model in GPU VRAM because speed matters during sampling, and to run or offload the text encoder to system RAM because it encodes once per prompt.
A: No. The release has no built-in safety checker or content filter and can generate adult, NSFW, and sensitive imagery without prompt refusals or blacked-out images.
Click here to read the full guide to Qwen-Image-2.1-Uncensored-Quantized