Diffusers Ascend Weight Prep

Diffusers 模型权重准备

本 Skill 提供两个核心能力：

1. 从 HuggingFace 或 ModelScope 下载模型权重
2. 基于 Diffusers Pipeline 的 config 文件生成假权重（随机初始化），用于业务验证

快速开始

1. 下载模型权重

从 HuggingFace 下载：

pip install -U huggingface_hub

# 基础用法
hf download Wan-AI/Wan2.2-I2V-A14B-Diffusers

# 使用代理（国内访问）
export HF_ENDPOINT=https://hf-mirror.com
hf download Wan-AI/Wan2.2-I2V-A14B-Diffusers

# 通过脚本下载（支持 dry-run 测试）
python scripts/download_weights.py hf Wan-AI/Wan2.2-I2V-A14B-Diffusers --proxy https://hf-mirror.com
python scripts/download_weights.py hf Wan-AI/Wan2.2-I2V-A14B-Diffusers --dry-run

从 ModelScope 下载：

pip install modelscope

# 基础用法
modelscope download --model Wan-AI/Wan2.2-T2V-A14B

# 通过脚本下载
python scripts/download_weights.py modelscope Wan-AI/Wan2.2-T2V-A14B -o ./models
python scripts/download_weights.py modelscope Wan-AI/Wan2.2-T2V-A14B --dry-run

2. 生成假权重

自动从 HuggingFace 下载元数据（config.json、model_index.json、tokenizer 等，不下载权重文件），然后基于 config 随机初始化每个子模型并保存，生成与原始模型文件结构完全一致的假权重。

从 HuggingFace 直接生成：

# 生成 Z-Image-Turbo 假权重
python scripts/generate_fake_weights.py from-hub Tongyi-MAI/Z-Image-Turbo -o ./fake_z_image --dtype bfloat16

# 生成 Qwen-Image-2512 假权重（国内使用镜像）
python scripts/generate_fake_weights.py from-hub Qwen/Qwen-Image-2512 -o ./fake_qwen --proxy https://hf-mirror.com

从已有的本地元数据目录生成：

python scripts/generate_fake_weights.py from-local ./model_metadata_dir -o ./fake_weights --dtype bfloat16

验证假权重可正常加载：

import torch
import diffusers

pipe = diffusers.DiffusionPipeline.from_pretrained(
    "./fake_z_image",
    torch_dtype=torch.bfloat16,
)
print(f"Pipeline: {type(pipe).__name__}")
for name, comp in pipe.components.items():
    if hasattr(comp, "parameters"):
        pc = sum(p.numel() for p in comp.parameters())
        print(f"  {name}: {type(comp).__name__} ({pc:,} params)")

环境要求

假权重生成原理

生成流程：

1. 从 HuggingFace 通过 snapshot_download 下载元数据文件（排除 *.safetensors、*.bin）
2. 读取 model_index.json，解析 Pipeline 的每个组件（scheduler、text_encoder、tokenizer、transformer、vae）
3. 对于每个模型组件，使用 from_config() 从 config.json 实例化模型（随机权重）
4. 通过 save_pretrained() 保存，自动生成正确格式的 safetensors 文件和 index.json
5. tokenizer 和 scheduler 直接复制配置文件

生成的目录结构与原始模型完全一致，例如 Z-Image-Turbo：

fake_z_image_turbo/
├── model_index.json
├── scheduler/
│   └── scheduler_config.json
├── text_encoder/
│   ├── config.json
│   ├── generation_config.json
│   ├── model.safetensors
│   └── model.safetensors.index.json
├── tokenizer/
│   ├── merges.txt
│   ├── tokenizer_config.json
│   ├── tokenizer.json
│   └── vocab.json
├── transformer/
│   ├── config.json
│   ├── diffusion_pytorch_model-00001-of-00002.safetensors
│   ├── diffusion_pytorch_model-00002-of-00002.safetensors
│   └── diffusion_pytorch_model.safetensors.index.json
└── vae/
    ├── config.json
    └── diffusion_pytorch_model.safetensors

脚本参考

download_weights.py

generate_fake_weights.py

子命令 from-hub：从 HuggingFace 下载元数据 + 生成假权重

子命令 from-local：从本地元数据目录生成假权重

已验证模型

注意事项

• 假权重为随机初始化，生成的图像无意义，仅用于验证代码流程
• 大模型（>10B 参数）生成假权重可能需要较多内存和时间
• 国内环境建议使用 --proxy https://hf-mirror.com 或设置 HF_ENDPOINT 环境变量
• 如遇 socks 代理冲突，先 unset all_proxy ALL_PROXY 再运行

参考资源

• HuggingFace Hub 文档
• ModelScope 文档
• HuggingFace 镜像站