[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA--Stable-Diffusion-WebUI-TensorRT":3,"tool-NVIDIA--Stable-Diffusion-WebUI-TensorRT":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":10,"env_os":89,"env_gpu":90,"env_ram":91,"env_deps":92,"category_tags":97,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":128},9288,"NVIDIA\u002FStable-Diffusion-WebUI-TensorRT","Stable-Diffusion-WebUI-TensorRT","TensorRT Extension for Stable Diffusion Web UI","Stable-Diffusion-WebUI-TensorRT 是专为 NVIDIA RTX 显卡用户打造的加速插件，旨在让 Stable Diffusion Web UI 获得极致的图像生成速度。它通过引入 NVIDIA TensorRT 技术，将原本耗时的绘图过程大幅缩短，有效解决了高分辨率或复杂模型下生成效率低、等待时间长的痛点。\n\n这款工具特别适合追求高效工作流的设计师、AI 艺术创作者以及拥有 RTX 显卡的进阶玩家。无论是使用主流的 SD 1.5、2.1，还是算力需求更高的 SDXL 及其 Turbo 版本，都能从中获益。其核心技术亮点在于能够针对特定的分辨率和批次大小生成“优化引擎”，从而实现硬件层面的深度加速。此外，它还支持将 LoRA 模型转换为 TensorRT 格式，确保在使用个性化风格模型时依然保持流畅体验。\n\n使用前只需简单安装并花费几分钟生成默认引擎，即可在 Web UI 中一键开启加速模式。虽然对显存有一定要求（推荐 SDXL 用户使用 12GB 以上显存），且需注意分辨率需为 64 的倍数等细节，但一旦配置完成，Stable-Diffusion-WebU","Stable-Diffusion-WebUI-TensorRT 是专为 NVIDIA RTX 显卡用户打造的加速插件，旨在让 Stable Diffusion Web UI 获得极致的图像生成速度。它通过引入 NVIDIA TensorRT 技术，将原本耗时的绘图过程大幅缩短，有效解决了高分辨率或复杂模型下生成效率低、等待时间长的痛点。\n\n这款工具特别适合追求高效工作流的设计师、AI 艺术创作者以及拥有 RTX 显卡的进阶玩家。无论是使用主流的 SD 1.5、2.1，还是算力需求更高的 SDXL 及其 Turbo 版本，都能从中获益。其核心技术亮点在于能够针对特定的分辨率和批次大小生成“优化引擎”，从而实现硬件层面的深度加速。此外，它还支持将 LoRA 模型转换为 TensorRT 格式，确保在使用个性化风格模型时依然保持流畅体验。\n\n使用前只需简单安装并花费几分钟生成默认引擎，即可在 Web UI 中一键开启加速模式。虽然对显存有一定要求（推荐 SDXL 用户使用 12GB 以上显存），且需注意分辨率需为 64 的倍数等细节，但一旦配置完成，Stable-Diffusion-WebUI-TensorRT 能让您的创意实现过程更加丝滑顺畅，显著提升创作效率。","# TensorRT Extension for Stable Diffusion\n\nThis extension enables the best performance on NVIDIA RTX GPUs for Stable Diffusion with TensorRT.\nYou need to install the extension and generate optimized engines before using the extension. Please follow the instructions below to set everything up.\nSupports Stable Diffusion 1.5,2.1, SDXL, SDXL Turbo, and LCM. For SDXL and SDXL Turbo, we recommend using a GPU with 12 GB or more VRAM for best performance due to its size and computational intensity. \n\n## Installation\n\nExample instructions for Automatic1111:\n\n1. Start the webui.bat\n2. Select the Extensions tab and click on Install from URL\n3. Copy the link to this repository and paste it into URL for extension's git repository\n4. Click Install\n\n\n## How to use\n\n1. Click on the “Generate Default Engines” button. This step takes 2-10 minutes depending on your GPU. You can generate engines for other combinations.\n2. Go to Settings → User Interface → Quick Settings List, add sd_unet. Apply these settings, then reload the UI.\n3. Back in the main UI, select “Automatic” from the sd_unet dropdown menu at the top of the page if not already selected.\n4. You can now start generating images accelerated by TRT. If you need to create more Engines, go to the TensorRT tab.\n\nHappy prompting!\n\n### LoRA\n\nTo use LoRA \u002F LyCORIS checkpoints they first need to be converted to a TensorRT format. This can be done in the TensorRT extension in the Export LoRA tab.\n1. Select a LoRA checkpoint from the dropdown.\n2. Export. (This will not generate an engine but only convert the weights in ~20s)\n3. You can use the exported LoRAs as usual using the prompt embedding.\n\n\n## More Information\n\nTensorRT uses optimized engines for specific resolutions and batch sizes. You can generate as many optimized engines as desired. Types:\n- The \"Export Default Engines” selection adds support for resolutions between `512 x 512` and 768x768 for Stable Diffusion 1.5 and 2.1 with batch sizes 1 to 4. For SDXL, this selection generates an engine supporting a resolution of `1024 x 1024` with a batch size of `1`.\n- Static engines support a single specific output resolution and batch size.\n- Dynamic engines support a range of resolutions and batch sizes, at a small cost in performance. Wider ranges will use more VRAM.\n- The first time generating an engine for a checkpoint will take longer. Additional engines generated for the same checkpoint will be much faster. \n\nEach preset can be adjusted with the “Advanced Settings” option. More detailed instructions can be found [here](https:\u002F\u002Fnvidia.custhelp.com\u002Fapp\u002Fanswers\u002Fdetail\u002Fa_id\u002F5487\u002F~\u002Ftensorrt-extension-for-stable-diffusion-web-ui).\n\n### Common Issues\u002FLimitations\n\n**HIRES FIX**: If using the hires.fix option in Automatic1111 you must build engines that match both the starting and ending resolutions. For instance, if the initial size is `512 x 512` and hires.fix upscales to `1024 x 1024`, you must generate a single dynamic engine that covers the whole range. \n\n**Resolution**: When generating images, the resolution needs to be a multiple of 64. This applies to hires.fix as well, requiring the low and high-res to be divisible by 64.\n\n**Failing CMD arguments**:\n\n- `medvram` and `lowvram` Have caused issues when compiling the engine.\n- `api` Has caused the `model.json` to not be updated. Resulting in SD Unets not appearing after compilation.\n- Failing installation or TensorRT tab not appearing in UI: This is most likely due to a failed install. To resolve this manually use this [guide](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fissues\u002F27#issuecomment-1767570566).\n\n## Requirements\nDriver:\n\n Linux: >= 450.80.02\n- Windows: >= 452.39\n\nWe always recommend keeping the driver up-to-date for system wide performance improvements.\n","# Stable Diffusion 的 TensorRT 扩展\n\n此扩展利用 TensorRT，在 NVIDIA RTX GPU 上为 Stable Diffusion 提供最佳性能。在使用该扩展之前，您需要先安装它并生成优化后的引擎。请按照以下说明进行设置。\n\n支持 Stable Diffusion 1.5、2.1、SDXL、SDXL Turbo 和 LCM。对于 SDXL 和 SDXL Turbo，由于其模型规模较大且计算密集度高，我们建议使用显存 12 GB 或以上的 GPU 以获得最佳性能。\n\n## 安装\n\n以 Automatic1111 为例：\n\n1. 启动 `webui.bat`。\n2. 选择“Extensions”选项卡，点击“Install from URL”。\n3. 复制本仓库的链接，并将其粘贴到扩展的 Git 仓库 URL 中。\n4. 点击“Install”。\n\n## 使用方法\n\n1. 点击“Generate Default Engines”按钮。此步骤根据您的 GPU 不同，可能需要 2 到 10 分钟。您也可以为其他组合生成引擎。\n2. 前往“Settings → User Interface → Quick Settings List”，添加 `sd_unet`。应用这些设置后，重新加载界面。\n3. 返回主界面，如果尚未选择，请在页面顶部的 `sd_unet` 下拉菜单中选择“Automatic”。\n4. 现在您可以开始使用 TRT 加速生成图像了。如果需要创建更多引擎，请前往“TensorRT”选项卡。\n\n祝您生成愉快！\n\n### LoRA\n\n要使用 LoRA \u002F LyCORIS 检查点，首先需要将其转换为 TensorRT 格式。这可以在 TensorRT 扩展的“Export LoRA”选项卡中完成。\n\n1. 从下拉菜单中选择一个 LoRA 检查点。\n2. 点击“Export”。（此操作不会生成引擎，而只是在约 20 秒内转换权重）\n3. 您可以像往常一样使用导出的 LoRA，通过提示词嵌入来应用它们。\n\n## 更多信息\n\nTensorRT 使用针对特定分辨率和批大小的优化引擎。您可以根据需要生成任意数量的优化引擎。类型如下：\n\n- “Export Default Engines” 选项会为 Stable Diffusion 1.5 和 2.1 添加对 `512 x 512` 至 `768 x 768` 分辨率的支持，批大小范围为 1 到 4。对于 SDXL，此选项会生成一个支持 `1024 x 1024` 分辨率、批大小为 `1` 的引擎。\n- 静态引擎支持单一特定的输出分辨率和批大小。\n- 动态引擎支持一定范围内的分辨率和批大小，但性能会略有下降。支持的范围越广，所需的显存也越多。\n- 第一次为某个检查点生成引擎时耗时较长。后续为同一检查点生成的引擎则会快得多。\n\n每个预设都可以通过“Advanced Settings”选项进行调整。更详细的说明请参见 [此处](https:\u002F\u002Fnvidia.custhelp.com\u002Fapp\u002Fanswers\u002Fdetail\u002Fa_id\u002F5487\u002F~\u002Ftensorrt-extension-for-stable-diffusion-web-ui)。\n\n### 常见问题与限制\n\n**HIRES FIX**：如果您在 Automatic1111 中使用 `hires.fix` 选项，必须构建同时匹配起始和结束分辨率的引擎。例如，如果初始分辨率为 `512 x 512`，而 `hires.fix` 会将其放大到 `1024 x 1024`，则需要生成一个覆盖整个范围的动态引擎。\n\n**分辨率**：生成图像时，分辨率必须是 64 的倍数。这一点同样适用于 `hires.fix`，即低分辨率和高分辨率都必须能被 64 整除。\n\n**CMD 参数失败**：\n\n- `medvram` 和 `lowvram` 在编译引擎时曾引发问题。\n- `api` 曾导致 `model.json` 文件未更新，从而使得编译后 SD Unets 无法显示。\n- 如果安装失败或 UI 中未出现 TensorRT 选项卡，很可能是安装过程中出现了问题。您可以参考此[指南](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fissues\u002F27#issuecomment-1767570566)手动解决。\n\n## 系统要求\n驱动程序：\n\n- Linux: >= 450.80.02\n- Windows: >= 452.39\n\n我们始终建议保持驱动程序最新，以提升系统整体性能。","# Stable-Diffusion-WebUI-TensorRT 快速上手指南\n\n本指南旨在帮助开发者在 NVIDIA RTX GPU 上通过 TensorRT 扩展大幅提升 Stable Diffusion 的生成速度。\n\n## 环境准备\n\n在开始之前，请确保满足以下硬件和驱动要求：\n\n*   **GPU**: NVIDIA RTX 系列显卡。\n    *   对于 SDXL 及 SDXL Turbo 模型，推荐使用 **12GB 或更大显存** 的显卡以获得最佳性能。\n*   **显卡驱动**:\n    *   Linux: >= 450.80.02\n    *   Windows: >= 452.39\n    *   *建议始终保持驱动为最新版本以获取系统级性能优化。*\n*   **前置依赖**:\n    *   已安装并正常运行 `stable-diffusion-webui` (Automatic1111)。\n    *   支持模型：Stable Diffusion 1.5, 2.1, SDXL, SDXL Turbo, LCM。\n\n## 安装步骤\n\n请按照以下步骤在 Automatic1111 WebUI 中安装扩展：\n\n1.  启动 WebUI：\n    ```bash\n    webui.bat\n    ```\n    *(Linux 用户运行 `webui.sh`)*\n\n2.  在浏览器打开的界面中，点击顶部导航栏的 **Extensions** 标签页。\n\n3.  选择 **Install from URL** 子标签。\n\n4.  在 \"URL for extension's git repository\" 输入框中粘贴仓库地址：\n    ```text\n    https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\n    ```\n    > **提示**：若国内访问 GitHub 较慢，可尝试使用镜像源地址（如 `https:\u002F\u002Fghproxy.com\u002Fhttps:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT`）或在本地克隆后手动放入 `extensions` 文件夹。\n\n5.  点击 **Install** 按钮等待安装完成。\n\n6.  安装完成后，进入 **Installed** 标签页，点击 **Apply and restart UI** 重启服务。\n\n## 基本使用\n\n安装完成后，需生成优化的 TensorRT 引擎方可加速推理。\n\n### 1. 生成默认引擎\n*   在 WebUI 主界面找到 **TensorRT** 标签页（通常在底部或侧边栏）。\n*   点击 **Generate Default Engines** 按钮。\n    *   *耗时说明*：根据显卡性能，此过程需 2-10 分钟。首次生成耗时较长，后续同模型引擎生成会更快。\n    *   *默认配置*：SD 1.5\u002F2.1 将生成支持 512x512 至 768x768 分辨率（Batch 1-4）的引擎；SDXL 将生成 1024x1024 分辨率（Batch 1）的引擎。\n\n### 2. 配置用户界面\n*   进入 **Settings** -> **User Interface**。\n*   在 **Quick settings list** 文本框中添加以下内容（若已有其他项，请用逗号分隔）：\n    ```text\n    sd_unet\n    ```\n*   点击页面顶部的 **Apply settings** 按钮。\n*   点击 **Reload UI** 刷新界面。\n\n### 3. 启用加速\n*   返回主界面（txt2img 或 img2img）。\n*   在页面顶部的新增下拉菜单 **sd_unet** 中，选择 **Automatic**。\n*   现在即可开始生成图像，系统将自动调用 TensorRT 引擎进行加速。\n\n### 4. 使用 LoRA (可选)\n若需使用 LoRA 或 LyCORIS 模型，必须先将其转换为 TensorRT 格式：\n1.  进入 **TensorRT** 标签页，切换到 **Export LoRA** 子标签。\n2.  从下拉菜单中选择所需的 LoRA checkpoint。\n3.  点击 **Export**（仅需约 20 秒，此步骤仅转换权重，不生成引擎）。\n4.  转换完成后，即可在主界面像往常一样通过 Prompt 使用该 LoRA。","一位拥有 NVIDIA RTX 4090 显卡的游戏概念设计师，正急需在半天内为即将开始的评审会议生成数百张不同分辨率的高清角色立绘。\n\n### 没有 Stable-Diffusion-WebUI-TensorRT 时\n- **生成速度缓慢**：每张 SDXL 高清大图需要耗时 8-12 秒，导致批量生成 500 张素材需等待超过一个小时，严重拖慢创意迭代节奏。\n- **高分辨率支持受限**：尝试使用 Hires.fix 将图像从 512 放大至 1024 时，常因显存优化不足导致报错或生成中断，必须手动分步操作。\n- **LoRA 切换成本高**：每次切换不同的角色风格 LoRA 模型时，都需要重新加载权重并经历漫长的预热过程，无法实现流畅的即时预览。\n- **硬件性能浪费**：尽管配备了顶级显卡，但受限于默认推理引擎，GPU 利用率波动大，无法发挥 RTX 系列在 Tensor 核心上的全部算力。\n\n### 使用 Stable-Diffusion-WebUI-TensorRT 后\n- **生成速度飞跃**：预先生成针对 1024x1024 分辨率的优化引擎后，单图生成时间缩短至 2-3 秒，整体工作流效率提升 3-4 倍，轻松按时交付。\n- **动态分辨率无忧**：通过构建覆盖 512 到 1024 范围的动态引擎，完美支持 Hires.fix 一键高清修复，不再出现显存溢出或流程中断问题。\n- **LoRA 即时响应**：利用扩展内的 Export LoRA 功能将常用模型转换为 TensorRT 格式后，切换风格几乎零延迟，实现了“所想即所得”的流畅体验。\n- **极致算力释放**：专为 NVIDIA GPU 定制的推理路径让显存管理更高效，显卡持续满负荷运转，将硬件投资转化为实实在在的生产力。\n\nStable-Diffusion-WebUI-TensorRT 通过将通用模型转化为专用加速引擎，彻底打破了本地 AI 绘画的速度瓶颈，让专业创作者真正实现了实时级的创意探索。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_Stable-Diffusion-WebUI-TensorRT_33e626b5.png","NVIDIA","NVIDIA Corporation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVIDIA_7dcf6000.png","",null,"https:\u002F\u002Fnvidia.com","https:\u002F\u002Fgithub.com\u002FNVIDIA",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1993,162,"2026-04-16T08:10:11","MIT","Linux, Windows","必需 NVIDIA RTX GPU。SDXL\u002FSDXL Turbo 推荐 12GB+ 显存；SD 1.5\u002F2.1 默认引擎支持 512x512 至 768x768 分辨率（批处理 1-4），具体显存需求视生成的引擎范围而定，范围越宽显存占用越高。","未说明",{"notes":93,"python":91,"dependencies":94},"1. 使用前必须安装扩展并生成优化的 TensorRT 引擎（耗时 2-10 分钟）。2. 驱动版本要求：Linux >= 450.80.02，Windows >= 452.39。3. 生成图像时分辨率必须是 64 的倍数。4. 若使用高分辨率修复（Hires Fix），需构建覆盖起始和结束分辨率的动态引擎。5. 避免使用 --medvram、--lowvram 或 --api 启动参数，否则可能导致编译失败或界面异常。6. LoRA 模型需先转换为 TensorRT 格式方可使用。",[95,96],"NVIDIA TensorRT","Stable Diffusion WebUI (Automatic1111)",[15,14],"2026-03-27T02:49:30.150509","2026-04-19T06:01:48.643205",[101,106,110,115,120,124],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},41696,"在 Automatic1111 中安装扩展时遇到错误，或者安装后 TensorRT 标签页不显示怎么办？","这通常是由于虚拟环境（venv）中的依赖包冲突或损坏导致的。请尝试以下完整重置步骤：\n1. 进入 Stable Diffusion WebUI 根目录。\n2. 删除 extensions 文件夹下的 `stable-diffusion-webui-tensorrt` 文件夹。\n3. 删除根目录下的 `venv` 文件夹。\n4. 运行 `webui.bat` 重建虚拟环境，待 WebUI 启动后关闭它。\n5. 打开命令提示符，进入 WebUI 根目录，激活虚拟环境：`venv\\Scripts\\activate.bat`（命令行前应显示 (venv)）。\n6. 依次执行以下命令升级并安装特定版本的依赖：\n   - `python.exe -m pip install --upgrade pip`\n   - `python -m pip install nvidia-cudnn-cu11==8.9.4.25 --no-cache-dir` (注意：如果使用 CUDA 12 请调整版本号，但需避免使用导致错误的 v10 版本)\n   - `python -m pip install --pre --extra-index-url https:\u002F\u002Fpypi.nvidia.com\u002F tensorrt==9.0.1.post11.dev4 --no-cache-dir`\n7. 重新启动 WebUI。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fissues\u002F27",{"id":107,"question_zh":108,"answer_zh":109,"source_url":105},41697,"遇到 'ModuleNotFoundError: No module named tensorrt_bindings' 错误如何解决？","这表明 TensorRT 的核心绑定库未正确安装。除了上述重置虚拟环境的方法外，还可以尝试手动安装缺失的组件。在激活的虚拟环境中运行以下命令：\n- `python -m pip install --pre --extra-index-url https:\u002F\u002Fpypi.nvidia.com\u002F tensorrt==9.3.0.post12.dev1 --no-cache-dir`\n确保同时安装了 `tensorrt`, `tensorrt_bindings`, 和 `tensorrt_libs`。如果使用的是 CUDA 12，请注意 `nvidia-cudnn-cu12` 的版本兼容性，建议使用 9.x 版本而非 10.x 版本以避免后续报错。",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},41698,"导出 ONNX 模型时失败，报错 'Expected all tensors to be on the same device, but found at least two devices, cpu and cuda' 怎么办？","此错误表示在导出过程中，部分张量位于 CPU 而其他张量位于 GPU (cuda) 上，导致操作失败。这通常与模型加载或代码逻辑有关。虽然具体的代码修复需要开发者处理，但用户可以尝试以下变通方法：\n1. 确保在导出前没有在其他地方占用该模型。\n2. 检查是否使用了不兼容的 Checkpoint 模型，尝试更换一个标准的 SD1.5 或 SDXL 模型测试。\n3. 如果是自定义脚本引起的，可能需要手动修改导出脚本，强制将所有相关张量移动到同一设备（通常是 `.to('cuda')`）。\n注意：这是一个已知的导出流程问题，保持扩展和 WebUI 为最新版本可能有助于缓解。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fissues\u002F270",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},41699,"TensorRT 扩展支持动态分辨率（Dynamic Resolution）吗？有什么限制？","是的，该扩展同时支持固定分辨率和动态分辨率。但是，使用动态分辨率时有以下重要限制：\n1. 生成的图像尺寸必须能被 64 整除（例如：1024, 1088, 1152 等）。\n2. 由于脚本中存在的某些 Bug，建议将最大批处理大小（Max Batch Size）设置为大于 1。\n3. 务必同时设置最大提示词令牌数（Max Prompt Token），否则可能导致配置失效或报错。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fissues\u002F12",{"id":121,"question_zh":122,"answer_zh":123,"source_url":105},41700,"安装过程中出现 'AttributeError: module tensorrt has no attribute Logger' 错误是什么原因？","这个错误通常是因为安装的 `tensorrt` Python 包版本与代码预期的 API 不匹配（例如安装了过新或过旧的版本，或者混合安装了不同来源的包）。\n解决方案是严格遵循推荐的安装步骤，清理现有的虚拟环境（删除 venv 文件夹），并重新安装指定版本的 TensorRT。推荐使用 NVIDIA 官方 PyPI 源安装预发布版本，例如：`pip install --pre --extra-index-url https:\u002F\u002Fpypi.nvidia.com\u002F tensorrt==9.0.1.post11.dev4`。不要直接使用 `pip install tensorrt` 从默认源安装，因为这可能会拉取不兼容的通用版本。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":105},41701,"如何正确配置 CUDA 和 cuDNN 版本以避免 TensorRT 安装失败？","版本兼容性是关键。根据社区反馈，以下组合较为稳定：\n- 对于 CUDA 11.x 环境：安装 `nvidia-cudnn-cu11==8.9.4.25` 和 `tensorrt==9.0.1.post11.dev4`。\n- 对于 CUDA 12.x 环境：安装 `nvidia-cudnn-cu12==9.0.0.312` 和 `tensorrt==9.3.0.post12.dev1`。\n特别注意：如果在 CUDA 12 环境下使用了 `nvidia-cudnn-cu12` 的 10.x 版本，后续使用 TensorRT 时会报错。请务必在激活虚拟环境后，使用 `--no-cache-dir` 参数强制重新下载指定版本，避免使用缓存的旧包。",[129,134,139,144],{"id":130,"version":131,"summary_zh":132,"released_at":133},333758,"v0.3.0","**变更日志**\n- 为 SD 1.5 添加 ControlNet 支持\n- 迁移到 TensorRT 10\n- 简化安装流程\n\n**警告**\n此版本不向后兼容。之前导出的引擎将无法使用，需要重新导出。\n\n**完整变更记录**: https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fcompare\u002Fv0.2.1...v0.3.0","2024-04-02T07:45:01",{"id":135,"version":136,"summary_zh":137,"released_at":138},333759,"v0.2.1","## 变更内容\n* 修复 @Rudra-Ji 在 https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fpull\u002F79 中的拼写错误\n* 修复 #225：由于交互式 Python Shell 被打开，导致 nvidia-cudnn-cu11 的卸载被阻塞，从而使得 Install.py 默默失败 —— @andrewtvuong 在 https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fpull\u002F226 中进行了修复\n* 解决在没有 Unet 的情况下生成时出现的 AttributeError —— @AetherMagee 在 https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fpull\u002F224 中进行了修复\n* 修复因 LoRA 检查点配置中缺少 SD 版本而导致的崩溃问题 —— @Zn10plays 在 https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fpull\u002F251 中进行了修复\n* 修复访问 NoneType 类型的 profile_idx 时出现的 AttributeError —— @shinshin86 在 https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fpull\u002F259 中进行了修复\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FStable-Diffusion-WebUI-TensorRT\u002Fcompare\u002Fv0.2.0...v0.2.1","2024-03-13T17:16:59",{"id":140,"version":141,"summary_zh":142,"released_at":143},333760,"v0.2.0","## 功能特性\n\n- 更快的LoRA检查点转换。\n- 运行时合并多个LoRA。\n- 为LoRA使用提示嵌入。\n- 支持SDXL LoRA。\n- 自动引擎选择。\n- 改进了HIGHRES.FIX引擎的选择。\n- PyTorch回退机制。\n- 打印出已加载的正确配置文件。\n\n## 小改进\n\n- 使用脚本回调处理推理。\n- ONNX的外部数据格式。\n- 删除了未使用的代码和重复代码。","2024-01-05T11:19:10",{"id":145,"version":146,"summary_zh":147,"released_at":148},333761,"v0.1.0","初始发布","2024-01-02T09:33:46"]