RelayVSR X4 Quants

RelayVSR X4 Quants

RelayVSR 4 倍视频放大器的预量化 Wan 检查点，让它能在 ComfyUI 里用 16 GB 和 24 GB 显卡输出 2560x1408，适合视频剪辑和修复的人。

由 MATLOWAI 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这个仓库提供 RelayVSR 原版 4 倍视频放大模型的 Wan 检查点的缩小版本。更小的文件让它能在 16 GB 和 24 GB 的显卡上，以 1280x704 输入、2560x1408 输出运行，而且比全精度更快。它们是为 ComfyUI-MAINodes 里的 RelayVSR 节点准备的。

适合谁：想放大视频、显卡处于中档的 ComfyUI 用户会觉得合适。修复老旧素材、想要更高分辨率输出的人也适合。

行业 | 谁在用 | 怎么用 | 例子
视频剪辑 | 剪辑师 | 在 ComfyUI 工作流里放大短片段 | 把 1280x704 的片段提升到 2560x1408
素材修复 | 档案管理员 | 用 4 倍模型让低分辨率素材更清晰 | 修复一段旧的短视频
AI 视频工作流 | ComfyUI 用户 | 在 16 GB 或 24 GB 显卡上加入放大环节 | 以放大收尾的流程
研究 | 图形工程师 | 对比各量化档位和全精度的差异 | 阅读模型卡里的偏差分数

如果你的显卡不到 16 GB，可以跳过它，因为模型卡说，光靠更小的权重还不足以让 12 GB 显卡达到这个分辨率。

用在哪里：

• ComfyUI，配合 ComfyUI-MAINodes 里的 RelayVSR 节点
• 显存为 16 GB 或 24 GB 的显卡
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

用途 | 适合谁 | 得到什么
放大一个片段 | 剪辑师 | 由 1280x704 视频得到的 2560x1408 视频
适配较小的显卡 | 16 GB 显卡用户 | 用 W6A8 或 W4A8 文件完成同样的任务
加快运行 | 24 GB 显卡用户 | 用 int8 文件获得更快的运行

如何设置：你需要装有 MAINodes RelayVSR 节点的 ComfyUI，以及适合其中某个文件的显卡。来源没有给出节点的安装命令。

• 装有 ComfyUI-MAINodes 的 ComfyUI
• 16 GB 或 24 GB 的显卡
• 带 pip 的 Python，用来下载文件

1. 安装 Hugging Face 的 hub 软件包。
2. 下载仓库里的文件。
3. 把一个 Wan 文件和 flash.safetensors 复制到下面所示的文件夹。
4. 在 ComfyUI 里打开 RelayVSR 设置节点并设置选项。

pip install -U huggingface_hub
hf download MATLOWAI/RelayVSR-X4-Quants

ComfyUI/models/relayvsr/RelayVSR/

显卡 | Wan 文件 | 大小 | 每 3 秒片段耗时
32 GB，全精度 | 原始仓库里的 wan.safetensors | 10.1 GB | 28.4 s
24 GB 或更多 | wan_int8_convrot.safetensors | 5.2 GB | 22.0 s
16 GB | wan_w6a8.safetensors | 4.2 GB | 23.0 s
16 GB，余量更大 | wan_w4a8.safetensors | 3.0 GB | 22.8 s

如何使用：打开 RelayVSR X2 / X4 Settings 节点，把 variant 设为 X4。把 output_scale 设为 2，execution_mode 设为 single GPU，vram 设为与你显卡匹配的档位，或者设为 auto。模型卡说即使要 2 倍输出也用 X4 模型，因为它按 4 倍计算再缩放。

工具 | 作用
variant | 选择 X4 模型
output_scale | 设置输出尺寸，模型卡示例里是 2
execution_mode | 设为 single GPU
vram | 选择显存档位，或用 auto 自动选最合适的

示例：你有一块 16 GB 的显卡和一段 3 秒、1280x704 的片段。你把 wan_w6a8.safetensors 和 flash.safetensors 放进那个文件夹，把 vram 设为 16 GB 档位并运行。模型卡在 RTX 5090 上测得这样的片段大约需要 23 秒。

新手与专家：视频放大就是让片段变得更大更清晰。一个好的第一步是根据表格让文件匹配你的显卡，然后放大一段短片段。

Wan 的 30 个模块里共 300 个线性层被量化，其余部分保持 bf16。大部分内存用在键值缓存上，各档位把它存成旋转后的 int8 或 int4，所以光靠更小的权重不够。与全精度相比，偏差分数分别是 53.1、47.0 和 44.3 dB，模型卡说高于约 45 dB 的差异肉眼看不出。这些文件只能通过 MAINodes 的 RelayVSR 工作进程加载。

你把一个 Wan 文件和 flash.safetensors 放进文件夹
RelayVSR 节点通过 LightX2V 加载它们
你的 1280x704 片段按 4 倍放大
输出为 2560x1408 或缩放后的尺寸

Title: 一块 RTX 5090 上每 3 秒片段的耗时，单位为秒
Full precision: 28.4 seconds
int8 ConvRot: 22.0 seconds
W6A8: 23.0 seconds
W4A8: 22.8 seconds

注意事项：

• License：apache-2.0，以 Hugging Face 上列出的为准
• Cost to run：没有提到，只需要 16 GB 或更大显存的显卡
• Data it reaches：你送进 ComfyUI 的视频文件，来源没有提到网络或账号访问
• RelayVSR 作者是 kopperx，基于 Wan 2.2 和 FlashVSR
• Not for：在 MAINodes 的 RelayVSR 工作进程之外加载，因为量化布局与 LightX2V 自己的不同
• 耗时来自一块 RTX 5090 和一段 3 秒的片段

Hugging Face 上的数据（2026年11月13日）

• 任务：video to video
• 框架：comfyui
• 最近 30 天下载：0
• 点赞：7
• 许可证：apache-2.0
• 基于：kopper/RelayVSR
• 标签：comfyui, video-super-resolution, upscaling, relayvsr, quantized, int8, video-to-video

链接

• 模型：https://huggingface.co/MATLOWAI/RelayVSR-X4-Quants
• 文件：https://huggingface.co/MATLOWAI/RelayVSR-X4-Quants/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download MATLOWAI/RelayVSR-X4-Quants

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。