Нейросеть для генерации изображений запустили на процессоре: до 33 минут на кадр

Спор «облачный сервис или свой сервер» без цифр ведётся впустую. Четвёртая часть руководства по сборке локального ИИ-стека из семи частей переводит его в минуты и гигабайты. Генератор собран на stable-diffusion.cpp, проекте с открытым кодом на GitHub.

В чём суть эксперимента?

Stable-diffusion.cpp (сокращённо sd.cpp) автор называет «младшим братом» llama.cpp. Llama.cpp запускает языковые модели на своём компьютере, а sd.cpp делает то же для диффузионных моделей, которые рисуют картинки. Он умеет работать на центральном процессоре (CPU), без отдельной видеокарты, и понимает три формата файлов:

• .gguf, квантованные модели (сжатые с небольшой потерей точности, как фото в JPEG);
• .safetensors, модели в полной точности;
• .ckpt и .pt, старый формат PyTorch.

Итог шага: программа sd-server на порту 8888 со своим веб-интерфейсом. Генератор доступен из локальной сети (LAN), то есть с любого компьютера в доме или офисе.

Главная разница с чат-ботами: одного файла мало, модель состоит из трёх частей. Без любой из них sd.cpp падает с ошибкой загрузки.

• Диффузионная модель рисует не пиксели, а латенты (сжатый «черновик» картинки).
• VAE (декодер) переводит этот черновик в обычное изображение.
• Текстовый энкодер, отдельная языковая модель вроде Qwen или T5, «понимает» ваш промпт и передаёт его художнику.

Для модели Z-Image комплект весит около 6,6 ГБ на диске: 3,8 ГБ сама модель, 330 МБ VAE и 2,5 ГБ языковая модель Qwen3-4B.

Аргументы за: работает без видеокарты и экономит место

Сторонники локальной сборки опираются на то, что генератор вообще запускается на процессоре. Это открывает работу с картинками на машинах без игровой видеокарты.

Файлы можно делить. Один и тот же текстовый энкодер Qwen3-4B служит и для чата, и для картинок, а VAE от FLUX подходит и для Z-Image. Получается не 6,6 ГБ на каждую задачу, а общий набор.

Две оставленные модели, по оценке автора, закрывают 90% основных задач:

• Mage-Flow Turbo (8,2 ГБ): около 7 минут на картинку. Единственной из пяти справилась с эпической сценой с драконом, кристаллами и светом, держит канон в аниме.
• Z-Image Turbo (3,8 ГБ): около 11 минут на картинку 576 на 1024. Точно передаёт цвет и одежду, хорошо разделяет планы, автор берёт её для 3D-сцен.

И последний довод: серия заканчивается офлайн-развёртыванием, то есть генератор задуман для работы вообще без интернета.

Аргументы против: минуты, память и три файла вместо одного

Время ломает привычный ритм. FLUX Klein рисует кадр около 33 минут, Qwen-Image от 15 до 20. Десять итераций промпта на FLUX занимают 5,5 часа, на Z-Image около 50 минут.

Памяти не хватает. Qwen-Image при лимите 6 ГБ падала с OOM (ошибка нехватки оперативной памяти) в половине случаев: одна только расшифровка картинки через VAE съедала около 5 ГБ. MOSS-Image весит 22 ГБ, и её даже не запускали: по расчёту автора, генерация шла бы больше часа.

Сборка требует внимания. Энкодер Qwen3-4B подходит для Z-Image, но не для Mage-Flow, там нужен Qwen3VL-4B. Перепутали файл, получили ошибку.

Слабости остаются и у победителей. Z-Image не умеет светящиеся источники (голубые камни у неё не светятся), а гохуа, традиционная китайская живопись тушью, у неё превращается в гуашь. Mage-Flow делает из гохуа «коллаж» и теряет средний план в 3D.

Ещё одна оговорка: модель процессора и объём памяти тестового компьютера в этой части руководства не названы. Ваши минуты могут отличаться в обе стороны.

33 минуты, это не «чуть медленнее», а другой режим работы. : Автор руководства по сборке локального ИИ-стека (имя в материале не указано)

Что делать с этим прямо сейчас, по ролям?

Автору Дзена: локальный генератор годится для обложек серии, которые готовятся заранее. Запускайте пачку промптов вечером, утром выбирайте лучшее. Под срочную картинку к новости он не подойдёт.

Маркетологу: меняется экономика итераций. Семь минут на кадр означают, что десять вариантов баннера займут больше часа. Закладывайте это в сроки или держите облачный сервис для черновиков.

Предпринимателю в РФ и СНГ: код и ссылки на модели лежат в открытом репозитории stable-diffusion.cpp, подписка не нужна. Если нужна скорость, из доступных в России облачных аналогов есть Шедеврум и Kandinsky.

Следующие части серии посвящены веб-интерфейсу Open WebUI поверх llama.cpp и работе полностью без сети, так что из набора разрозненных программ получится единая домашняя студия. Скорости процессора это не добавит: локальная генерация останется инструментом для тех, кто планирует контент на день вперёд, и именно такие авторы получат от неё больше всего.