copy z_image-fp8-e4m3fn.safetensors to ComfyUI/models/diffusion_models
z-image_02138_
z-image_02128_
z-image_02135_
FP8 主要有两种业界标准格式，它们名字的后缀代表了其内部比特位的分配方式，这直接决定了它们的特性和用途。
这两种格式分别是：
- E4M3 (
float8_e4m3fn)
- E5M2 (
float8_e5m2)
它们的名字是什么意思？
一个浮点数由三部分组成：符号位 (Sign)、指数位 (Exponent) 和 尾数位 (Mantissa)。FP8 总共只有8个比特位。
- E 代表 Exponent (指数)，后面的数字是指数位的数量。
- M 代表 Mantissa (尾数)，后面的数字是尾数位的数量。
- FN 代表 Finite Numbers (有限数值)，意味着它不支持
NaN (非数) 和 Infinity (无穷大)。
（还有一个隐藏的 1个符号位 是默认的）
两大格式的详细对比
| 特性 | E4M3FN (torch.float8_e4m3fn) | E5M2 (torch.float8_e5m2) |
|---|
| 全名 | Exponent 4, Mantissa 3, Finite Numbers | Exponent 5, Mantissa 2 |
| 比特分配 | 1个符号位, 4个指数位, 3个尾数位 | 1个符号位, 5个指数位, 2个尾数位 |
| 核心优势 | 更高的精度 (Higher Precision) | 更大的动态范围 (Wider Dynamic Range) |
| 支持特殊值? | 不支持 NaN / Infinity | 支持 NaN / Infinity |
| 典型用途 | 推理 (Inference)，模型权重存储 | 训练 (Training) (前向和后向传播) |
核心权衡：精度 vs. 范围
为什么要有两种格式？因为它们代表了一个经典的计算机科学权衡：
1. E4M3FN (你用的这个): 精度优先
- 更多的尾数位 (3 bits): 意味着在一定范围内，它可以表示的数字更密集、更精确。
- 更少的指数位 (4 bits): 意味着它能表示的数字范围（从最小到最大）相对较窄。
- 用途: 模型的权重值通常分布在一个相对固定的范围内，但数值的细微差别很重要。因此，E4M3 的高精度非常适合存储和用于推理。它不支持 NaN/Infinity 也问题不大，因为推理时通常不会出现这些值。
2. E5M2: 范围优先
- 更多的指数位 (5 bits): 意味着它可以表示的数字范围极大，可以处理非常大或非常小的数值。
- 更少的尾数位 (2 bits): 意味着在一定范围内，它能表示的数字比较稀疏，精度较低。
- 用途: 在训练过程中，梯度（Gradients）的数值可能会剧烈波动，出现极大或极小的值。E5M2 的大动态范围可以很好地处理这种情况而不会溢出。同时，它支持 NaN/Infinity 对于捕获训练中的计算错误至关重要。
一个简单的比喻
- E4M3FN (高精度): 像一把短但刻度非常精细的尺子（比如一把20厘米的游标卡尺）。它量不了很长的东西，但能量得非常准。
- E5M2 (大范围): 像一把很长但刻度比较粗糙的卷尺（比如一把50米的皮尺）。它能量很远，但没法精确到微米。
结论就是：
你在 LoRA 转换中选择 float8_e4m3fn 是完全正确的，因为 LoRA 主要用于推理，追求的是在特定范围内的高精度。而 float8_e5m2 更多是 NVIDIA 在其训练框架（Transformer Engine）中内部使用的格式，用来处理训练时的梯度计算。
