Die Oberfläche, die die meisten vor Augen haben, wenn sie nach lokaler KI-Kunst suchen, ist im Kern Stable Diffusion WebUI: links eine Spalte mit Parametern, rechts die Fläche für das Bild, Modelle und LoRAs mit einem Klick gewechselt, darüber Felder für positiven und negativen Prompt. Anleitungen, Erweiterungen und Modelldateien, die sich darum angesammelt haben, sind bis heute der schwer ersetzbare Teil. Das Problem sitzt hinter dem Glas. Die Unterstützung neuer Modelle im Original endete faktisch 2024, danach kamen nur vereinzelte Flicken; der Ableger Forge hat die Ressourcenverwaltung einmal neu geschrieben, sein letzter Push stammt von Juli 2025. Die Linie, die noch läuft, ist forge-classic: Sie hat Forge übernommen und entschieden, die Oberfläche zu behalten und die Arbeit in Speicher, Tempo und Modellunterstützung zu stecken.

Neu gebaut wurde nichts. Gleiches geteiltes Layout, gleiche Reiter für txt2img, img2img, Extras und PNG Info, und die eingebauten Module wurden zu einer Reihe von Schaltern. Das macht den Umzug billig: in ein anderes Verzeichnis installieren und die Pfade für Modelle, LoRA, VAE, ControlNet und Embeddings auf den alten Ordner zeigen lassen - die Gewichte erscheinen ohne Umwandlung im Auswahlfeld - und vorhandene Erweiterungen arbeiten meist unverändert.

Die kleine Zeile am unteren Rand ist der schnellste Weg, einen Stand zu erkennen: welche Version, die Nummern von Python und torch, ob die Aufmerksamkeits-Rückseite geladen wurde. Kein Suchen in Protokollen, wenn etwas klemmt.

Die Speicherverwaltung ist der Teil, der wirklich neu geschrieben wurde. Der alte Weg war ein Schalter: alles in den Systemspeicher auslagern oder noch aggressiver, sichtbar zulasten des Tempos. Forge verfolgt den Speicher in Echtzeit und entscheidet Schicht für Schicht, was auf der Karte bleibt und was hinauswandert, um danach zurückzutauschen. Der Nutzer muss selten raten, welcher Modus passt.

Der Unterschied lässt sich messen. Dieselben Flux-FP8-Gewichte auf einer Karte mit 12 GB: rund 25 Sekunden pro Bild im niedrigsten Speichermodus des Originals, rund 12 Sekunden mit Forge in den Voreinstellungen - Bedarf und Tempo verbessern sich gemeinsam. Das Laden mit wenigen Bit bleibt erhalten, und quantisierte Gewichte drücken die Schwelle für große Modelle weiter nach unten.

Im Bild läuft ein quantisiertes großes Modell mit neun Byte, und rechts unten werden belegter, reservierter und systemweiter Speicher laufend gemeldet. Aus dieser Zahl abzuleiten, ob noch ein ControlNet hineinpasst, ist verlässlicher als Erfahrung.

Die Richtung des Maintainers ist knapp formuliert: leichtgewichtig, und die neuesten Modelle laufen. Die Liste deckt einen großen Teil des Mainstreams ab: Qwen-Image und Qwen-Image-Edit für Erzeugen und lokales Übermalen, die Kontext- und Klein-Versionen der Flux-Reihe, Z-Image mit seiner beschleunigten Variante, Chroma1-HD, Lumina-Image 2 und weitere. Manche Modelltypen werden an Schlüsselwörtern im Dateinamen erkannt, ein Editiermodell braucht das passende Wort im Pfad, um richtig eingeordnet zu werden.

Auch Video ist eingezogen: Das Wan-Modell mit 14B erzeugt im Interface Video aus Text und aus Bild, mit einem Refiner zum Umschalten zwischen hohem und niedrigem Rauschen, wobei der Export einer Videodatei FFmpeg voraussetzt. Quantisierung und Beschleunigung wurden ebenfalls bedacht - neben Low-Bit-Laden eine Option für gemischte Genauigkeit, wahlweise Rückseiten für Aufmerksamkeit und Kompilierung sowie radiale Aufmerksamkeit für Videomodelle. Die erste Einrichtung nutzt einen Paketverwalter namens uv, um schneller zu sein.

Neue Möglichkeiten in diesen Modulen kommen deutlich schneller als im Original, und wer sie nicht braucht, lässt sie einfach liegen.

Das Projekt steht unter AGPL 3: frei herunterzuladen, selbst zu betreiben, ohne Preis pro Bild. Der Zweig hat zugleich seinen Umfang verengt, indem er eine reine Umgebung zum Schließen wurde - deshalb fehlen einige Fähigkeiten des Originals: SD2 und SD3 werden nicht unterstützt, das Training von Hypernetzwerken und textual inversion ist weg, ebenso Markierungswerkzeuge wie CLIP Interrogator und Deepbooru. Wer das im Alltag braucht, geht zum ursprünglichen Forge zurück.

Der Haupteinstieg zielt auf Windows mit einer Nvidia-Karte; Linux und macOS haben eigene Wiki-Schritte, für Docker gibt es offizielle Hinweise. AMD-Karten brauchen Anleitung aus der Community, und das Projekt sagt klar, dass es solche Meldungen nicht bearbeitet - das sollte man vorher akzeptieren. torch folgt der neuesten stabilen Fassung, eine ältere Karte braucht also eine Herabstufung von Hand. Und weil sich die Oberfläche schnell bewegt, passen viele alte Screenshots nicht mehr; im Zweifel gilt die Versionszeile unten.

In einem Satz: Wer die Oberfläche längst kennt und eine Modellsammlung hat, findet hier den bequemsten Weg weiterzumachen - nichts neu zu lernen, nichts erneut zu laden, und der gesparte Speicher samt neuerer Modelle kommt obendrauf. Wer Modelle trainieren will oder SD2 und SD3 braucht, bleibt besser beim Original.