「本地 AI 繪圖」被搜得最多的那套介面，幾乎就是 Stable Diffusion WebUI 的樣子：左邊一列參數，右邊一塊出圖區，模型與 LoRA 一鍵切換，提示詞框上寫著正負兩欄。這套介面積累出的教學、外掛與模型資源，至今是它最難被取代的部分。麻煩在後台：原版對新一代模型的支援基本停在 2024 年，此後只有零星修補；由它衍生出的 Forge 曾把資源管理重做過一遍，原版 Forge 最後一次推送停在 2025 年 7 月。這條線上還在持續維護的，是接手原版 Forge 的 forge-classic 分支，它選擇保留原有介面，把力氣花在顯示記憶體、速度與模型支援上。

它不是另起爐灶，而是把操作習慣整套留下：同樣左參數右出圖，同樣有 txt2img、img2img、Extras、PNG Info 這些分頁，內建模組也改成了一排可點亮的開關。既有環境的搬遷成本因此很低——裝到另一個目錄，把模型、LoRA、VAE、ControlNet、embedding 的路徑指回老目錄即可，權重檔不必轉換就會原樣出現在下拉框裡；外掛也照舊，多數可以直接工作。

介面底部那行小字是判斷版本最直接的地方，會寫明是哪個版本、Python 與 torch 的版本號、注意力後端有沒有載入成功，出問題時不必翻日誌。

省記憶體靠的是按需卸載，不是一刀切。原版的辦法是開關式：要嘛全部卸到記憶體，要嘛更激進地卸，代價是速度明顯下降。Forge 把這部分重寫成一套即時追蹤的機制，按層判斷哪些權重先留在顯示記憶體、哪些暫時挪到記憶體，用完再換回來，一般不需要使用者自己去猜該開哪個模式。

實際差距可以量化。在一張 12 GB 的卡上跑同一份 Flux FP8 權重，原版開最低記憶體模式大約 25 秒一張，Forge 預設設定大約 12 秒一張，佔用與速度是同時改善的。低位元載入的選項也留著，量化過的權重能把大模型的門檻再往下壓。

截圖裡跑的是一個九位元量化的大模型，右下角會即時報出已配置、已保留與系統記憶體佔用比例。照著這個讀數判斷「還能再加一個 ControlNet 嗎」，比憑經驗試要可靠得多。

維護者的取向是「輕量、把最新模型跑起來」。目前支援清單已覆蓋當前主流的一批：Qwen-Image 與 Qwen-Image-Edit 做生成與局部重繪、Flux 系列的 Kontext 與 Klein 版本、Z-Image 與它的加速版、Chroma1-HD、Lumina-Image 2 等。部分模型類型是靠檔名關鍵詞辨識的，想讓它認出編輯模型，路徑裡要同時出現對應關鍵詞。

影片方向也接進來了，Wan 的 14B 版本可以在介面裡直接做文生影片與圖生影片，用 Refiner 切換高低噪聲；要匯出成影片檔，得先自行裝好 FFmpeg。量化與加速的開關也做了不少：除低位元載入外，還有混合精度選項、可選裝的注意力加速後端與編譯加速，以及對影片模型的徑向注意力支援。首次安裝環境會用到一個叫 uv 的套件管理器來加快速度。

這類模組新方案的迭代速度明顯快於原版，用不上的人也可以完全不碰。

專案採用 AGPL 第 3 版授權，可以免費下載、自行部署，也不按張計費。分支把定位收得更窄——它被做成純推理環境，因此砍掉了原版的部分能力：不再支援 SD2 與 SD3，移除了超網路與文字反演的模型訓練功能，也去掉了 CLIP Interrogator、Deepbooru 這類打標工具。這幾項如果正好是日常流程需要，得回頭用原版 Forge。

執行環境上，主安裝流程面向 Windows 加 N 卡，Linux 與 macOS 另有單獨的 Wiki 步驟，Docker 也給了官方說明。AMD 顯示卡需要照社群指南自行設定，官方明確表示不處理相關問題——用 A 卡的人要先接受這一點。torch 跟著最新穩定版走，卡較舊時得自行降級安裝。另外介面迭代快，網路上大量舊教學截圖與當前版本已經對不上，遇到不一致時以介面底部的版本號為準。

一句話概括：如果你早就習慣這套介面、手裡又有現成的模型庫，它是把「繼續用下去」這件事續上的最省事方案——介面不必重學、模型不必重下，省下的顯示記憶體與跟得上的新模型是白拿的。想訓練模型、或者需要 SD2 與 SD3 這類老底子的人，留在原版更合適。