RTX 4060 Ti 8GB 本地生图实测
FLUX.2 与 Juggernaut XL 怎么选
这不是参数表搬运，而是同一台 RTX 4060 Ti 8GB 电脑上的完整测试记录。目标很简单：网站以后如果提供免费本地生图，哪个模型能跑、哪个模型更清晰、哪个模型适合真人，先用实际结果说话。
一、测试环境与判断标准
测试电脑使用 NVIDIA RTX 4060 Ti 8GB、约 64GB 内存。为了避免模型一次性塞满显存，运行时启用 CPU offload。我们没有只看“能不能出图”，而是同时记录四件事：首次下载占用、实际生成耗时、峰值显存，以及人眼能直接看出的结构问题。
第一轮选择 FLUX.2 klein 4B，是因为它体积相对可控、四步即可生成，并能覆盖文生图和编辑。第二轮选择 Juggernaut XL v9，是因为它基于 SDXL，单文件权重约 6.6GB，目标明确指向写实人像。
二、FLUX.2 klein 4B：场景快，人像不够稳
FLUX.2 场景测试采用 768×432、4 steps。实际生成约 18 秒，夜景、冷暖色、人物、小舟、竹篙、石阶和灯笼关系都能一次交代清楚。对于概念图、建筑、环境和镜头气氛，它的速度与中文理解都令人满意。
问题出现在人物近景。第一次真人化编辑把毛孔、皮肤凹凸和锐化推得过重；第二次即使限制痘印、油光和夸张纹理，脸颊仍出现合成质感。结论不是“模型不能画人”，而是它不适合作为我们网站的高质量写实人像主模型。
三、Juggernaut XL v9：写实提升，但不是身份一致性方案
Juggernaut 首测采用 768×1024、30 steps、CFG 5、model CPU offload。生成耗时 50.51 秒，PyTorch 记录峰值显存 2.83GB。皮肤、头发、眼睛、服装和影棚光线明显比 FLUX.2 自然。
随后我们把分辨率提高到 1024×1536，峰值显存约 3.76GB，8GB 显卡仍能稳定完成。不过，超近景会放大模型缺陷：左右眼形状、视线、眉形和鼻翼只要有一点偏差，整张脸就会显得不自然。因此“图片清晰”不能等同于“脸部正确”。
四、实测对比
| 项目 | FLUX.2 klein 4B | Juggernaut XL v9 |
|---|---|---|
| 主要优势 | 四步生成快，场景、气氛和中文提示理解好 | 写实皮肤、头发、服装材质更自然 |
| 本机生成耗时 | 768×432 约18秒 | 768×1024 约50秒 |
| 本地占用 | 官方仓库组件较多，完整缓存明显更大 | 单文件权重与配置约6.6GB |
| 人物问题 | 容易出现塑料皮肤和夸张纹理 | 整体更自然，但眼睛、鼻翼仍可能轻微变形 |
| 适合用途 | 场景概念图、构图、快速草案 | 本地写实人像基础图 |
五、我们的最终选择
如果你只有 8GB 显存，建议先从 768×1024 开始。需要更大图片时，再提高到 1024×1536，并限制总像素、开启 CPU offload。不要只追求分辨率；先把构图和五官做对，再进行低强度高清修复，成功率更高。
六、显存峰值是怎么量出来的
很多评测只写“这张卡能跑”，却不写是怎么量的。显存这件事最容易骗人的地方在于：加载完模型时的占用，和真正采样到一半时的峰值，可能差 1.5GB 以上。只看加载完那一眼，你会得出“完全够用”的结论，然后在第 12 步 采样时崩掉。
我们用的是最笨但最可靠的办法：跑生成的同时，另开一个终端每秒记录一次显存。
nvidia-smi --query-gpu=memory.used,memory.total --format=csv -l 1 把这一行挂在旁边跑，生成结束后取整段里的最大值，那才是这套参数真实的显存需求。
要注意三件事。第一，Windows 桌面本身会吃掉 0.6～1.2GB，浏览器开着 YouTube 还能再吃 1GB，所以“8GB 显卡”实际能给模型的往往只有 6.2～6.8GB。第二，峰值通常出现在两个位置——UNet/DiT 采样的中段，以及最后 VAE 解码那一下；VAE 解码的峰值和输出分辨率是平方关系，1024×1024 解码占用大约是 512×512 的四倍。第三，同一套参数第二次跑会比第一次省一点，因为部分权重还在缓存里，所以判断“能不能跑”要以冷启动的第一次为准。
我们给自己定的判断线是：峰值必须比可用显存低 800MB 以上。刚好卡在边缘的配置，在你换一张参考图、多加一个 LoRA、或者顺手打开一个视频窗口的时候，就会翻车。留出这 800MB，本质上是买一个“今天还能正常干活”的保险。
七、两个模型的失败样本长什么样
模型对比最有价值的部分不是精选图，而是失败图。精选图人人都能挑出好看的，但决定你日常工作顺不顺的，是它失败的时候烂成什么样、以及烂得规不规律。
FLUX.2 klein 4B 的典型失败是“对了，但不是那个人”：构图、光线、氛围都相当稳，脸也没崩，就是和上一张不是同一个人。它的失败是平滑的、可接受的，你不会觉得画面坏了，只会觉得选角换了。所以它适合做场景、空镜、氛围板、背景层——这些地方没人追究“是不是同一个人”。
Juggernaut XL v9 的典型失败更尖锐：皮肤质感和写实度明显更好，但一旦进入超近景，五官比例容易出现细微的错位——瞳孔不等大、鼻翼一边高一边低、嘴角一侧被拉长。这类错误在缩略图上看不出来，一放到 1080p 时间线上就特别刺眼。它的失败是局部的、突然的。
- 如果你要的是“十张里挑一张能用”，两者都可以，Juggernaut 上限更高。
- 如果你要的是“十张里有八张能直接用”，FLUX.2 klein 的下限更稳。
- 如果你要的是“同一个人出现在十张里”，这两条路都不是答案——那是参考图 + 一致性流程要解决的问题，不是选模型能解决的。
把这三种需求分开，是我们后来少走很多弯路的原因。之前我们一直想找“一个模型全都解决”，实际上是把三个不同的问题混在一起问了。
八、如果你的显卡不是 8GB
这篇测试是在 8GB 上做的，但结论可以按显存等级平移。下面这张表是我们实际调下来的起点参数，不是理论值。
- 6GB：只跑 4B 级别的小模型，起始分辨率降到 768×768，关掉所有 LoRA，必要时开 VAE 分块解码。SDXL 系（Juggernaut 属于这一支）在 6GB 上要开 offload 才能跑，慢一倍以上，不建议作为主力。
- 8GB：本文的主场。1024×1024 原生生成、单 LoRA、不开 offload，是舒适区；上到 1280 或加第二个 LoRA 就要开始盯峰值了。
- 12GB：可以稳跑 1024 原生 + 两三个 LoRA，或者 1536 的长边生成。这一档开始，显存不再是主要瓶颈，速度才是。
- 16GB 及以上：可以考虑更大的底模和更高的原生分辨率，放大也可以一次过而不用分块。
有一点要提醒：显存决定“能不能跑”，算力决定“跑多久”，这两件事经常被混为一谈。同样 8GB，4060 Ti 和几年前的旧卡都能加载同一个模型，但出图时间可能差三倍。你看到别人说“我 8G 也能跑”，请顺便问一句一张图多少秒——能跑但一张要四分钟，在实际项目里等于不能用。
显存不够时的排错顺序，我们单独写了一篇：8GB 显存本地生图怎么避免爆显存。