animagine-xl-4.0-Lightning-OpenVINO-INT4

Animagine XL 4.0 Lightning — OpenVINO INT8

⚠️ 關於本 repo 名稱

本 repo 名稱為 ...-OpenVINO-INT4，但實際權重並非 INT4。 經解析 OpenVINO IR 確認：只有 unet/ 含有 INT8 張量， text_encoder/、text_encoder_2/、vae_encoder/、vae_decoder/ 全數為 FP32 未量化。 repo 內所有說明檔（README、REPORT、convert_int8.py）一律標示為 INT8， 推測 INT4 是從同系列的 dreamshaper-xl-lightning-OpenVINO-INT4 複製時留下的名稱。

將 cagliostrolab/animagine-xl-4.0 與 ByteDance/SDXL-Lightning （sdxl_lightning_4step_unet）合併後，以 匯出時 INT8 壓縮轉為 OpenVINO IR。

實測 1024×1024、4 steps、guidance 0.0，純 CPU。

---

目錄

• 快速資訊
• 特色
• 安裝
• 快速開始
• 推論參數建議
• 範例結果
• 風格展示
• 效能實測摘要
• 檔案結構
• 從零復現
• 已知限制
• 授權與出處

---

快速資訊

特色

• 4 step 出圖：SDXL-Lightning 蒸餾，guidance_scale=0.0（即不啟用 CFG）。
• 匯出時 INT8 壓縮：由 optimum-intel 的 weight_format="int8" 在匯出階段直接壓縮，只需一次匯出，不必再跑 NNCF 量化流程。
• 實測速度佳：1024×1024 平均 10.26 s / 張，是同批 SDXL 蒸餾模型中最快的。
• 純 CPU 可用：不依賴 GPU / CUDA。
• diffusers 目錄結構：可直接 from_pretrained()。
• ⚠️ 命名與實質不符：repo 名稱的 INT4 與實際的 INT8 不符，詳見上方說明。

安裝

pip install diffusers==0.37.1 transformers==4.57.6 tokenizers==0.22.0 huggingface-hub==0.35.1 optimum==2.3.0 optimum-intel==2.2.0 openvino==2026.4.0==3.4.0 torch pillow psutil safetensors

本 repo 不需要 nncf（未使用 NNCF 量化流程）。

safetensors 為轉換腳本 convert_int8.py 所需。

psutil 未被任何腳本使用，可省略。

快速開始

import torch
from optimum.intel import OVDiffusionPipeline

pipe = OVDiffusionPipeline.from_pretrained(
    "HelloSun/animagine-xl-4.0-Lightning-OpenVINO-INT4", compile=True)

image = pipe(
    prompt="Astronaut in a jungle, cold color palette, muted colors, "
             "detailed, 8k, photorealistic, cinematic lighting",
    height=1024, width=1024,
    num_inference_steps=4, guidance_scale=0.0,
    generator=torch.Generator().manual_seed(43),
).images[0]

image.save("out.png")

完整可執行範例：inference_ov.py　批次生成 + benchmark：generate5.py

推論參數建議

範例結果

全部為 4 steps / guidance 0.0 / 1024×1024 / CPU，seed 42–46 固定，可完全重現。

每組另附 512px 對照組（examples/*_512.png）。

01_hanfu — seed 42 — 12.2 s

Young Chinese woman in red Hanfu, intricate embroidery, impeccable makeup, red floral forehead pattern, elaborate high bun, golden phoenix headdress, soft-lit outdoor night background, silhouetted tiered pagoda, blurred colorful distant lights, photorealistic, ultra detailed, 8k

02_astronaut — seed 43 — 10.5 s

Astronaut in a jungle, cold color palette, muted colors, detailed, 8k, photorealistic, cinematic lighting

03_taipei — seed 44 — 10.1 s

Cyberpunk street in Taipei at night, heavy rain, neon signs with text 'TAIPEI' and Chinese characters '台北', reflections on wet asphalt, crowded night market, cinematic, ultra detailed

04_shiba — seed 45 — 9.2 s

Cute Shiba Inu wearing a tiny astronaut helmet, sitting in a field of sunflowers under a starry sky, dreamy illustration, vibrant colors, high quality

05_ink — seed 46 — 9.2 s

Traditional Chinese ink wash landscape, misty mountains, a small pagoda on a cliff, cranes flying, minimalist, elegant, high aesthetic quality

風格展示

以下 10 張為 10 類風格 × 同一組 5 組基礎 prompt（seed 42–51）， 使用與上方基準測試完全相同的推論設定。

注意：這批圖片沒有對應的 examples/benchmark.json 紀錄，也沒有腳本可重現， 完整 prompt 亦未收錄於 repo（早期說明檔中的版本已被截斷，無法還原）。

traditional_painting · 傳統繪畫

油畫、版畫、水彩等傳統媒材

anime_manga · 動漫繪師

吉卜力 × 新海誠動畫風

digital_3d · 數位 3D

UE5 寫實渲染、CG 質感

photography_cinema · 攝影電影

電影感人像攝影

cultural_regional · 文化地域

敦煌壁畫、水墨等東方美學

material_craft · 材質工藝

絲線刺繡、陶瓷、木雕等

design_commercial · 平面商業

商業插畫、扁平幾何設計

abstract_generative · 抽象生成

分形、生成藝術

era_subculture · 復古次文化

80s 霓虹、賽博龐克

render_technique · 厚塗渲染

油畫厚塗、概念設定

效能實測摘要

完整逐 step 數據見 REPORT.md 與 examples/benchmark.json。

測試環境

總結

• 對照組為同一 prompt/seed 的 512×512 重新推理（非縮圖）。
• 文字編碼與 VAE decode 的時間已包含在總耗時內。

逐張結果（1024×1024 / 4 steps）

模型大小

以下為 repo 內 openvino_model.bin 的實際位元組數（Git LFS 記錄值）。

unet/ 為 INT8（u8 張量 2.57 GB + f32/f16 少量），其餘元件全為 FP32。

因此 6.18 GB 的總量中有 3.61 GB（58.5%）完全沒有被壓縮；text_encoder_2 的 2.78 GB 就是未量化的 FP16→FP32 原始大小。

若需要更小體積，請參考同系列的 INT4 repo（例如 dreamshaper-xl-lightning-OpenVINO-INT4）。

檔案結構

.
├── README.md                  # 本文件
├── REPORT.md                  # 完整轉換 + 實測報告
├── model_index.json           # diffusers pipeline 索引
├── inference_ov.py            # 單張推論範例
├── convert_int8.py            # 合併 Lightning UNet + 匯出 INT8 OpenVINO
├── generate5.py               # 5 組 prompt 批次生成 + benchmark
├── unet/                      # INT8 UNet（由 SDXL-Lightning 4-step 權重覆蓋）
├── text_encoder/              # FP32 CLIP text encoder
├── text_encoder_2/            # FP32 CLIP text encoder (projection)
├── tokenizer/                 # CLIP tokenizer
├── tokenizer_2/               # CLIP tokenizer 2
├── vae_encoder/               # FP32 VAE encoder
├── vae_decoder/               # FP32 VAE decoder
├── scheduler/                 # EulerDiscreteScheduler (trailing) 設定
└── examples/                  # 15 張實測圖 + benchmark.json + prompts.txt
    ├── *_1024.png             # 主測組（5 張）
    ├── *_512.png              # 對照組（5 張）
    ├── *_seed*_1024.png       # 風格展示（10 張）
    ├── benchmark.json         # 逐 step 耗時 + 系統資訊
    └── prompts.txt            # 5 組 prompt 與 seed

從零復現

# 1. 合併 SDXL-Lightning UNet 並以 INT8 匯出 OpenVINO
#    （convert_int8.py 會下載 sdxl_lightning_4step_unet.safetensors、
#      覆寫 UNet 權後以 weight_format="int8" 匯出）
python convert_int8.py

# 2. 單張推論
python inference_ov.py

# 3. 批次生成 5 組 + 512px 對照 + benchmark
python generate5.py --outdir examples

量化設定：

# convert_int8.py 核心：匯出時直接以 INT8 壓縮，不使用 NNCF
from optimum.intel import OVStableDiffusionXLPipeline

pipe = OVStableDiffusionXLPipeline.from_pretrained(
    tmp_dir,
    export=True,
    compile=False,
    weight_format="int8",
    ov_config={
        "PERFORMANCE_HINT": "LATENCY",
        "NUM_STREAMS": "1",
        "INFERENCE_NUM_THREADS": "4",
    },
)
pipe.save_pretrained(ov_output_dir)

已知限制

• ⚠️ repo 名稱與實質不符：名稱為 INT4，實際僅 UNet 為 INT8，其餘為 FP32。
• 58.5% 的權重未量化：text encoder 與 VAE 維持 FP32，總體積 6.18 GB 偏大。
• 匯出時固定 4 執行緒：ov_config 中 INFERENCE_NUM_THREADS=4、NUM_STREAMS=1，在多核心機器上不會自動擴展。若要吃滿 192 vCPU 需自行調整匯出設定並重新匯出。
• 實測只有 5 組：benchmark 僅涵蓋 seed 42–46；另 10 張風格圖無實測紀錄。
• benchmark.json 非腳本直接產出：檔案內容與 generate5.py 的輸出格式不一致（例如缺少 image 欄位），推測經人工編修，引用時請留意。
• diffusers 版本落差：說明檔標示 diffusers==0.37.1，但各 config.json 實際記錄為 0.38.0。

授權與出處

• 來源模型：cagliostrolab/animagine-xl-4.0 + ByteDance/SDXL-Lightning

• 授權：兩個來源模型皆為 OpenRAIL++ 系列條款；本 repo frontmatter 標示為 openrail，實際適用條款請以兩個來源模型為準。

• 轉換：合併 Lightning UNet 權重 + 格式轉換 + 匯出時 INT8 壓縮。

使用本模型時請一併遵守來源模型的授權條款與 OpenRAIL++ 使用政策。

---

<div align="center">

Made with OpenVINO + optimum-intel + NNCF

</div>