把ComfyUI和Flux模型在本地跑起来这件事放在三年前我想都不敢想。一张图动辄十几GB的模型权重采样时的显存需求更是吓人怎么看都是云端的菜。但今年我把全套方案搬到本地后认真算了一笔账一个月下来只花了电费出图数量反而比租卡时代翻了倍。这篇就是完整方法核心目标只有一个用手里现有的N卡把钱省下来。适合手头有8G以上显存显卡、但又不想月月交云主机费用的人哪怕是刚接触AI绘图的萌新跟着秋叶整合包走也能一次点亮。1. 整体思路本地跑Flux不是玄学而是算力账1.1 云端按分钟计费一次抽卡成本到底多高我最早跑Flux是在云端租卡试手那时候觉得Flux模型权重高、显存要求高本地肯定伺候不起。实际用了一段时间才发现云端才是最贵的伺候方式。按市面上常见的按小时租卡价格来算一张RTX 4090每小时大概十几元赶上有活动可能稍微便宜点但一天重度用下来就是小几百。Flux生成一张1024分辨率的图采样30步到50步刨开加载模型的时间单次推理大概20秒到60秒。听起来不快可你一旦进入调试工作流的状态经常为一个提示词反复抽卡一次改三个参数抽五张半小时就烧掉几十块。更别提中途模型加载失败、网络断线、排队抢卡这些隐性成本时间耗进去了费用也一分没少。本地部署之后情况完全反过来。显卡是你自己的每生成一张图新增的成本只有电费。一块中端N卡满载功耗一般200到300瓦按一天高强度跑4小时算一个月电费也就二三十块相当于云端跑一小时的费用。而且本地不存在排队模型文件就在硬盘里改完参数立刻就是下一轮出图效率直接翻了一倍。对个人创作者来说这已经不是省不省钱的问题而是能不能放心大胆试错的问题。云端你怕烧钱不敢多抽本地你恨不得把每版提示词都试十遍。另外还有个容易忽略的点隐私。作品还没公开前就上传到云厂商的磁盘里虽然基本都是合规场景但心理上总有些别扭。本地部署后模型权重、提示词、生成结果全部留在自己机器里断了网照样能跑。综合算下来本地部署就是现阶段个人玩Flux最划算的方案没有之一。1.2 本地部署的硬件底线与性价比先说结论想要跑得舒服NVIDIA显卡起步显存8G是底线12G以上才是推荐配置。Flux不是SD1.5那种几个G的模型就能糊弄过去的它需要同时加载扩散主模型、两个文本编码器和一个VAE这几个文件加起来轻松超过10G。显存不够就只能用CPU帮忙搬数据速度会肉眼可见地变慢。我自己实测过几档显卡给个参考表。数据基于ComfyUI原版、FP8量化版Flux schnell、512x768分辨率、4步采样开启了低显存优化参数。不同驱动和PyTorch版本会有浮动但大体趋势是明确的。显卡显存预计单张耗时体验评价RTX 306012G40到70秒能玩刚需低显存优化RTX 4060 Ti16G30到50秒比较舒适性价比高RTX 407012G25到40秒很舒服日常够用RTX 409024G10到20秒基本无压力要注意显存大小决定你能不能跑显卡算力决定你跑多快。省钱的思路绝对不是一步到位买4090而是尽量用手头现有的卡或者花小钱收一张二手3060 12G。如果是6G显存的旧卡比如1660 Super、2060跑Flux会比较痛苦显存经常爆满速度慢到能让你怀疑电脑坏了。这种情况我更建议先用SD1.5练手别一上来就硬啃Flux。至于A卡和Apple芯片Flux也有相应的适配方案但坑比N卡多配置过程容易劝退新手。这篇文章默认操作系统是Windows显卡是NVIDIA。2. 环境搭建ComfyUI安装与PyTorch/CUDA踩坑实录2.1 秋叶整合包还是手动部署我的选择如果你之前被Python环境、依赖版本、CUDA兼容这些词吓到过那秋叶整合包基本就是为你准备的。秋叶ComfyUI整合包把Python解释器、ComfyUI本体、常用插件、模型管理工具全打包在一个文件夹里解压就能用省去了最折磨人的环境搭建阶段。我现在给朋友推荐清一色先上整合包跑通了再研究原理。但这不代表手动部署没有价值。整合包发布有一定周期ComfyUI本体更新很勤快如果插件要求最新的节点版本整合包可能会跟不上。另外整合包的文件布局是作者自定义的你想精细控制每个文件的版本时反而会束手束脚。所以我个人建议是纯新人先用秋叶整合包确保能出图玩了一两个月想深入折腾插件或魔改源码再手动部署也不迟。不管选哪条路有几点通用禁忌要记住。安装路径不能有中文和空格最好用纯英文目录否则某些自定义节点加载时会因为路径编码问题直接报错。装整合包时把杀毒软件暂时关闭很多杀毒软件会误删破解脚本和部分DLL文件导致程序启动失败。还有磁盘空间Flux模型文件加ComfyUI本体至少留出80G想存多个模型版本就上200G机械盘凑合也行模型读取主要在内存和显存里跑机械硬盘加载速度虽然慢但单价便宜。2.2 PyTorchCUDA环境构建关键点手动部署会遇到的第一道坎就是PyTorch和CUDA版本不匹配。很多人在这一步卡了两天其实逻辑很简单CUDA是显卡驱动提供的能力PyTorch是调用这种能力做矩阵运算的框架两者版本要能对上。你不需要懂底层实现只需要按步骤执行。先打开命令行输入nvidia-smi看右上角的CUDA Version比如显示12.1那你就装对应cu121的PyTorch。建议用conda创建一个干净环境Python版本选3.10或3.11都可以。conda create -n comfyui python3.11 conda activate comfyui pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121装完先验证一下python -c import torch; print(torch.__version__, torch.cuda.is_available())看到True说明显卡已经被识别接下来就可以去夹ComfyUI源码用pip install -r requirements.txt装依赖最后python main.py启动。如果看到控制台输出Using device: cuda:0环境就算彻底通了。这里必须提醒新手一句不要盲目升级PyTorch到最新版。ComfyUI的社区节点往往对新版本支持滞后有时候你把torch从2.1升到2.5老插件直接加载失败控制台报一长串红色错误。我踩过这个坑后来老老实实按整合包自带的版本走。版本不是越新越好稳定才是第一位。2.3 模型下载与目录结构Flux的模型文件不像SD1.5那样一个ckpt文件就能跑起来它需要三个组件协同工作扩散主模型、两个文本编码器、一个VAE。放在ComfyUI的models目录下各有讲究。推荐目录结构如下ComfyUI/models/diffusion_models放Flux主模型比如flux1-schnell-fp8.safetensorsComfyUI/models/text_encoders放clip_l.safetensors和t5xxl_fp8_e4m3fn.safetensorsComfyUI/models/vae放ae.safetensors文件版本上新手最不纠结的做法是直接下载FP8量化版。完整版flux1-dev.safetensors接近24G对显存和内存的压迫感太强FP8版能压到11G到13G画质损失在预览阶段几乎看不出来。两个文本编码器里clip_l很小大概246MBt5xxl即使FP8版也有4.9G但它是Flux理解复杂语义的关键不能省。下载方式主要有两种。一是从HuggingFace官方仓库直接拉如果连接不稳定可以设置国内镜像环境变量export HF_ENDPOINThttps://hf-mirror.com huggingface-cli download black-forest-labs/FLUX.1-schnell --local-dir ./FLUX.1-schnell --include *.safetensorsWindows用户在PowerShell里写成$env:HF_ENDPOINT https://hf-mirror.com。二是去Civitai等模型社区下载现成的GGUF量化版本体积可以压到6到8G但需要额外插件支持后面会讲。文件下载建议用带断点续传的工具不然十几G文件下到一半断了很崩溃。3. 跑通Flux生成工作流配置与显存优化实战3.1 Flux模型家族选型schnell和dev到底怎么选Flux官方提供了两个主力版本schnell和dev。你可以理解成一个走快速通道一个走精雕细琢通道。schnell是蒸馏模型官方推荐只有4步采样生成速度快、显存峰值相对低适合日常快速出图和找灵感。它的许可证也更宽松属于Apache 2.0个人用和商业用都没什么心理负担。我第一次用schnell出图时确实被惊到4步出图的质量就比很多老模型的30步还要好对提示词的理解也准没有那种词不达意的感觉。dev版本则更接近“精修版”官方推荐20到50步采样细节更丰富光影和材质表现更好但速度比schnell慢几倍显存峰值也更高。dev的许可证对商业用途有限制需要去官方申请额外许可个人创作倒是无所谓。省钱路线建议先跑schnell一张图4步哪怕显卡一般也能几分钟出图只有当你确认需要更高画质时再上dev并且配合量化模型降低显存压力。千万别一上来就选dev还默认50步那是用最贵的代价跑最基础的实验。3.2 工作流搭建与节点连接ComfyUI是节点式工作流你需要手动把各个节点连在一起。第一次接触的人会觉得像拼乐高拼错了机器就会报警。这里给出一套最简Flux出图链路。节点顺序如下Load Diffusion Model选择刚才下载的Flux主模型。DualCLIPLoader同时加载clip_l和t5xxl两个文本编码器这是Flux区别于SD的关键步骤。CLIP Text Encode (Prompt)输入英文提示词Flux对自然语言理解很好直接用完整句子描述画面。Empty Latent Image设定输出分辨率建议先用512x768或768x512起步。KSampler设置采样步数、采样器、调度器和CFG。VAELoader加载ae.safetensors。VAEDecode把潜空间张量解码成人眼能看的图片。Save Image保存结果。参数的推荐值我贴出来。schnell模型用steps4、samplereuler、schedulersimple、cfg1.0这里CFG绝对不能设成7那是SD时代的习惯在Flux上会直接导致画面过曝或者发黑。dev模型用steps20到30、samplereuler、schedulerbeta、cfg3.5附近实际根据画面微调但幅度不用太大。连接时注意DualCLIPLoader输出的是CLIP对象要连接到文本编码节点的clip输入别接错端口。如果你下载的是GGUF量化版模型那就不能用Load Diffusion Model了需要装ComfyUI-GGUF插件使用Unet Loader (GGUF)节点加载文本编码器同样用GGUFLoader加载量化后的CLIP。这套节点的名字不同但逻辑是通的。3.3 低显存优化fp8量化、tiled、offload参数8G显存跑Flux听起来像走钢丝但配合优化参数完全能稳定出图。大前提是模型用FP8量化版不要用FP16原版后者在8G卡上基本必爆。还有一个启动参数值得记住--lowvram。在启动ComfyUI的命令行里加上它程序会把模型分层加载哪层要用就搬到显存用完就放回内存用速度换显存。python main.py --lowvram如果你用秋叶整合包通常在启动器的高级选项里也能勾选低显存模式。实测下来3060 12G开启--lowvram后FP8版schnell跑512x7684步采样单张耗时大概45到70秒跑1024x1024大概60到90秒。虽然不算飞快但完全能接受毕竟是零成本。另一个高频优化点是VAE解码阶段爆显存。有时候采样部分顺利通过了偏偏最后解码那一下报CUDA out of memory这是因为VAE解码整张图时临时占用的显存波动很大。解决办法是使用VAEDecodeTiled节点代替普通VAEDecode它会像拼地砖一样把图片切成小块逐块解码每块占用的显存很小最后再拼回完整图。代价是解码时间稍微变长但在低显存卡上这是救命稻草。文本编码器也可以卸载到CPU上跑。在ComfyUI里可以把CLIP节点标记为offload或者在启动参数里加--cpu-vae。因为文本编码只执行一次不像扩散要跑几十步所以放CPU上对整体速度影响很小却能省出不少显存给采样阶段。如果你显存特别紧还可以尝试GGUF量化模型配合ComfyUI-GGUF插件主模型可降到6到8G6G显存的老卡也有机会跑起来但推理速度会更慢属于极限玩法不建议作为主力方案。4. 常见问题与排查技巧实录4.1 爆显存、黑图、CUDA out of memory我在本地跑Flux时遇到过最多的报错就是CUDA out of memory几乎每个低显存玩家都要经历几回。解决办法按优先级排列先降低分辨率从1024改到768或512再确认自己用的是FP8模型而不是FP16然后启动参数加上--lowvram实在不行再加--force-fp16。如果还爆就检查后台有没有挂着浏览器、直播软件这类吃显存的程序全关了再试。还有一招能缓解显存碎片化在启动前设置环境变量export PYTORCH_CUDA_ALLOC_CONFmax_split_size_mb:512这个参数会让PyTorch分配显存时切小块减少碎片浪费。实测对一些老显卡比较管用但别指望它解决根本性的显存不足只能说延缓OOM。另一个常见问题是出图全黑。在Flux工作流里黑图九成是因为VAE没加载对。Flux的VAE是专用的ae.safetensors你如果沿用SD1.5时代的vae-ft-mse-840000解码出来只能是一片黑。还可能是模型文件下载不完整safetensors文件被截断了最容易发生在HuggingFace下载中途断连的情况。建议下载完看一眼文件大小和官方仓库标注的体积对一下偏差超过几百MB就重新下。另外dev模型在步数太少或CFG设太高时也会发黑把步数拉到20以上、CFG降到3.5附近就能缓解。4.2 出图慢、显存占用高如果你出图速度明显慢于预期先别急着喷显卡大概率是配置出了问题。最典型的坑是把schnell模型用30步去跑步数多了一倍以上速度自然慢。schnell就是4步模型别用多了。其次是分辨率开得过高Flux原生支持高分辨率但你的显存不一定扛得住先跑512x768等流程稳定了再加码。还有一个隐蔽原因是系统内存不足。当你使用--lowvram时模型层会在显存和内存之间来回搬运物理内存如果只有8G或16G搬运过程会频繁触发硬盘swap肉眼可见地卡成PPT。建议16G内存起步32G更舒适。另外检查一下是不是用了CPU推理。控制台日志会显示device如果出现cpu说明PyTorch没有启用CUDA最常见原因是驱动版本太老或PyTorch装成了CPU版。重新按2.2节安装CUDA版PyTorch即可。如果你想要极限速度可以试试给ComfyUI装torch.compile相关加速节点或者开启--xformers。但这两个东西都需要额外依赖部分显卡兼容性一般新手可能会装到崩溃。我的习惯是只开--lowvram其余默认稳定性和速度平衡得最好。4.3 插件冲突与更新问题ComfyUI的价值在插件生态但麻烦也在插件。秋叶整合包自带了一堆常用插件不等于每个都能跟Flux工作流兼容。我遇到过最崩溃的情况是更新ComfyUI本体后所有自定义节点集体变红控制台刷了几百行错误。原因很简单插件作者还没跟上新版本接口你这个端升得太快。我的处理经验是更新前先把custom_nodes目录整个复制一份备份更新后如果出现大面积报错把问题节点逐个排查。可以在ComfyUI Manager里查看插件是否标记为不兼容直接把红标插件停用不影响出图功能的就先关掉。尽量少做“全量更新”ComfyUI社区的更新频率很高但不是每次更新都对你手里的工作流有好处能跑就别手痒。还有一个不算插件但又很烦的坑加速模块sage-attention。它在Linux下表现很好Windows下编译经常失败我第一次尝试装它花了一个下午最后还是卸了普通出图根本不需要它。如果你在秋叶包里看到这个选项默认不启用就好。与其纠结这些加速工具不如扎扎实实把手头的工作流跑稳一张图慢一点没关系稳定出图才是效率。对我个人来说本地部署Flux最大的收获反而不是省了多少钱而是把创作节奏彻底握在了自己手里。云端租卡的时候每次抽卡都要想着下一分钟还在烧钱现在本地慢慢调参哪怕一张图重画十遍也没心理负担。最后再分享一个小习惯每次跑通一个新工作流我会把节点JSON单独存一个文件顺便在文件名里写好显卡型号和模型版本比如“schnell_fp8_3060_512x768.json”。隔三差五换电脑或者重装系统翻出这份配置就能快速复原省下的时间比什么都值钱。 
长河君 · 2026/10/4 6:09:51 · 阅读 1.2k 本地部署ComfyUI跑Flux模型：N卡低显存优化与省钱实战
把ComfyUI和Flux模型在本地跑起来这件事放在三年前我想都不敢想。一张图动辄十几GB的模型权重采样时的显存需求更是吓人怎么看都是云端的菜。但今年我把全套方案搬到本地后认真算了一笔账一个月下来只花了电费出图数量反而比租卡时代翻了倍。这篇就是完整方法核心目标只有一个用手里现有的N卡把钱省下来。适合手头有8G以上显存显卡、但又不想月月交云主机费用的人哪怕是刚接触AI绘图的萌新跟着秋叶整合包走也能一次点亮。1. 整体思路本地跑Flux不是玄学而是算力账1.1 云端按分钟计费一次抽卡成本到底多高我最早跑Flux是在云端租卡试手那时候觉得Flux模型权重高、显存要求高本地肯定伺候不起。实际用了一段时间才发现云端才是最贵的伺候方式。按市面上常见的按小时租卡价格来算一张RTX 4090每小时大概十几元赶上有活动可能稍微便宜点但一天重度用下来就是小几百。Flux生成一张1024分辨率的图采样30步到50步刨开加载模型的时间单次推理大概20秒到60秒。听起来不快可你一旦进入调试工作流的状态经常为一个提示词反复抽卡一次改三个参数抽五张半小时就烧掉几十块。更别提中途模型加载失败、网络断线、排队抢卡这些隐性成本时间耗进去了费用也一分没少。本地部署之后情况完全反过来。显卡是你自己的每生成一张图新增的成本只有电费。一块中端N卡满载功耗一般200到300瓦按一天高强度跑4小时算一个月电费也就二三十块相当于云端跑一小时的费用。而且本地不存在排队模型文件就在硬盘里改完参数立刻就是下一轮出图效率直接翻了一倍。对个人创作者来说这已经不是省不省钱的问题而是能不能放心大胆试错的问题。云端你怕烧钱不敢多抽本地你恨不得把每版提示词都试十遍。另外还有个容易忽略的点隐私。作品还没公开前就上传到云厂商的磁盘里虽然基本都是合规场景但心理上总有些别扭。本地部署后模型权重、提示词、生成结果全部留在自己机器里断了网照样能跑。综合算下来本地部署就是现阶段个人玩Flux最划算的方案没有之一。1.2 本地部署的硬件底线与性价比先说结论想要跑得舒服NVIDIA显卡起步显存8G是底线12G以上才是推荐配置。Flux不是SD1.5那种几个G的模型就能糊弄过去的它需要同时加载扩散主模型、两个文本编码器和一个VAE这几个文件加起来轻松超过10G。显存不够就只能用CPU帮忙搬数据速度会肉眼可见地变慢。我自己实测过几档显卡给个参考表。数据基于ComfyUI原版、FP8量化版Flux schnell、512x768分辨率、4步采样开启了低显存优化参数。不同驱动和PyTorch版本会有浮动但大体趋势是明确的。显卡显存预计单张耗时体验评价RTX 306012G40到70秒能玩刚需低显存优化RTX 4060 Ti16G30到50秒比较舒适性价比高RTX 407012G25到40秒很舒服日常够用RTX 409024G10到20秒基本无压力要注意显存大小决定你能不能跑显卡算力决定你跑多快。省钱的思路绝对不是一步到位买4090而是尽量用手头现有的卡或者花小钱收一张二手3060 12G。如果是6G显存的旧卡比如1660 Super、2060跑Flux会比较痛苦显存经常爆满速度慢到能让你怀疑电脑坏了。这种情况我更建议先用SD1.5练手别一上来就硬啃Flux。至于A卡和Apple芯片Flux也有相应的适配方案但坑比N卡多配置过程容易劝退新手。这篇文章默认操作系统是Windows显卡是NVIDIA。2. 环境搭建ComfyUI安装与PyTorch/CUDA踩坑实录2.1 秋叶整合包还是手动部署我的选择如果你之前被Python环境、依赖版本、CUDA兼容这些词吓到过那秋叶整合包基本就是为你准备的。秋叶ComfyUI整合包把Python解释器、ComfyUI本体、常用插件、模型管理工具全打包在一个文件夹里解压就能用省去了最折磨人的环境搭建阶段。我现在给朋友推荐清一色先上整合包跑通了再研究原理。但这不代表手动部署没有价值。整合包发布有一定周期ComfyUI本体更新很勤快如果插件要求最新的节点版本整合包可能会跟不上。另外整合包的文件布局是作者自定义的你想精细控制每个文件的版本时反而会束手束脚。所以我个人建议是纯新人先用秋叶整合包确保能出图玩了一两个月想深入折腾插件或魔改源码再手动部署也不迟。不管选哪条路有几点通用禁忌要记住。安装路径不能有中文和空格最好用纯英文目录否则某些自定义节点加载时会因为路径编码问题直接报错。装整合包时把杀毒软件暂时关闭很多杀毒软件会误删破解脚本和部分DLL文件导致程序启动失败。还有磁盘空间Flux模型文件加ComfyUI本体至少留出80G想存多个模型版本就上200G机械盘凑合也行模型读取主要在内存和显存里跑机械硬盘加载速度虽然慢但单价便宜。2.2 PyTorchCUDA环境构建关键点手动部署会遇到的第一道坎就是PyTorch和CUDA版本不匹配。很多人在这一步卡了两天其实逻辑很简单CUDA是显卡驱动提供的能力PyTorch是调用这种能力做矩阵运算的框架两者版本要能对上。你不需要懂底层实现只需要按步骤执行。先打开命令行输入nvidia-smi看右上角的CUDA Version比如显示12.1那你就装对应cu121的PyTorch。建议用conda创建一个干净环境Python版本选3.10或3.11都可以。conda create -n comfyui python3.11 conda activate comfyui pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121装完先验证一下python -c import torch; print(torch.__version__, torch.cuda.is_available())看到True说明显卡已经被识别接下来就可以去夹ComfyUI源码用pip install -r requirements.txt装依赖最后python main.py启动。如果看到控制台输出Using device: cuda:0环境就算彻底通了。这里必须提醒新手一句不要盲目升级PyTorch到最新版。ComfyUI的社区节点往往对新版本支持滞后有时候你把torch从2.1升到2.5老插件直接加载失败控制台报一长串红色错误。我踩过这个坑后来老老实实按整合包自带的版本走。版本不是越新越好稳定才是第一位。2.3 模型下载与目录结构Flux的模型文件不像SD1.5那样一个ckpt文件就能跑起来它需要三个组件协同工作扩散主模型、两个文本编码器、一个VAE。放在ComfyUI的models目录下各有讲究。推荐目录结构如下ComfyUI/models/diffusion_models放Flux主模型比如flux1-schnell-fp8.safetensorsComfyUI/models/text_encoders放clip_l.safetensors和t5xxl_fp8_e4m3fn.safetensorsComfyUI/models/vae放ae.safetensors文件版本上新手最不纠结的做法是直接下载FP8量化版。完整版flux1-dev.safetensors接近24G对显存和内存的压迫感太强FP8版能压到11G到13G画质损失在预览阶段几乎看不出来。两个文本编码器里clip_l很小大概246MBt5xxl即使FP8版也有4.9G但它是Flux理解复杂语义的关键不能省。下载方式主要有两种。一是从HuggingFace官方仓库直接拉如果连接不稳定可以设置国内镜像环境变量export HF_ENDPOINThttps://hf-mirror.com huggingface-cli download black-forest-labs/FLUX.1-schnell --local-dir ./FLUX.1-schnell --include *.safetensorsWindows用户在PowerShell里写成$env:HF_ENDPOINT https://hf-mirror.com。二是去Civitai等模型社区下载现成的GGUF量化版本体积可以压到6到8G但需要额外插件支持后面会讲。文件下载建议用带断点续传的工具不然十几G文件下到一半断了很崩溃。3. 跑通Flux生成工作流配置与显存优化实战3.1 Flux模型家族选型schnell和dev到底怎么选Flux官方提供了两个主力版本schnell和dev。你可以理解成一个走快速通道一个走精雕细琢通道。schnell是蒸馏模型官方推荐只有4步采样生成速度快、显存峰值相对低适合日常快速出图和找灵感。它的许可证也更宽松属于Apache 2.0个人用和商业用都没什么心理负担。我第一次用schnell出图时确实被惊到4步出图的质量就比很多老模型的30步还要好对提示词的理解也准没有那种词不达意的感觉。dev版本则更接近“精修版”官方推荐20到50步采样细节更丰富光影和材质表现更好但速度比schnell慢几倍显存峰值也更高。dev的许可证对商业用途有限制需要去官方申请额外许可个人创作倒是无所谓。省钱路线建议先跑schnell一张图4步哪怕显卡一般也能几分钟出图只有当你确认需要更高画质时再上dev并且配合量化模型降低显存压力。千万别一上来就选dev还默认50步那是用最贵的代价跑最基础的实验。3.2 工作流搭建与节点连接ComfyUI是节点式工作流你需要手动把各个节点连在一起。第一次接触的人会觉得像拼乐高拼错了机器就会报警。这里给出一套最简Flux出图链路。节点顺序如下Load Diffusion Model选择刚才下载的Flux主模型。DualCLIPLoader同时加载clip_l和t5xxl两个文本编码器这是Flux区别于SD的关键步骤。CLIP Text Encode (Prompt)输入英文提示词Flux对自然语言理解很好直接用完整句子描述画面。Empty Latent Image设定输出分辨率建议先用512x768或768x512起步。KSampler设置采样步数、采样器、调度器和CFG。VAELoader加载ae.safetensors。VAEDecode把潜空间张量解码成人眼能看的图片。Save Image保存结果。参数的推荐值我贴出来。schnell模型用steps4、samplereuler、schedulersimple、cfg1.0这里CFG绝对不能设成7那是SD时代的习惯在Flux上会直接导致画面过曝或者发黑。dev模型用steps20到30、samplereuler、schedulerbeta、cfg3.5附近实际根据画面微调但幅度不用太大。连接时注意DualCLIPLoader输出的是CLIP对象要连接到文本编码节点的clip输入别接错端口。如果你下载的是GGUF量化版模型那就不能用Load Diffusion Model了需要装ComfyUI-GGUF插件使用Unet Loader (GGUF)节点加载文本编码器同样用GGUFLoader加载量化后的CLIP。这套节点的名字不同但逻辑是通的。3.3 低显存优化fp8量化、tiled、offload参数8G显存跑Flux听起来像走钢丝但配合优化参数完全能稳定出图。大前提是模型用FP8量化版不要用FP16原版后者在8G卡上基本必爆。还有一个启动参数值得记住--lowvram。在启动ComfyUI的命令行里加上它程序会把模型分层加载哪层要用就搬到显存用完就放回内存用速度换显存。python main.py --lowvram如果你用秋叶整合包通常在启动器的高级选项里也能勾选低显存模式。实测下来3060 12G开启--lowvram后FP8版schnell跑512x7684步采样单张耗时大概45到70秒跑1024x1024大概60到90秒。虽然不算飞快但完全能接受毕竟是零成本。另一个高频优化点是VAE解码阶段爆显存。有时候采样部分顺利通过了偏偏最后解码那一下报CUDA out of memory这是因为VAE解码整张图时临时占用的显存波动很大。解决办法是使用VAEDecodeTiled节点代替普通VAEDecode它会像拼地砖一样把图片切成小块逐块解码每块占用的显存很小最后再拼回完整图。代价是解码时间稍微变长但在低显存卡上这是救命稻草。文本编码器也可以卸载到CPU上跑。在ComfyUI里可以把CLIP节点标记为offload或者在启动参数里加--cpu-vae。因为文本编码只执行一次不像扩散要跑几十步所以放CPU上对整体速度影响很小却能省出不少显存给采样阶段。如果你显存特别紧还可以尝试GGUF量化模型配合ComfyUI-GGUF插件主模型可降到6到8G6G显存的老卡也有机会跑起来但推理速度会更慢属于极限玩法不建议作为主力方案。4. 常见问题与排查技巧实录4.1 爆显存、黑图、CUDA out of memory我在本地跑Flux时遇到过最多的报错就是CUDA out of memory几乎每个低显存玩家都要经历几回。解决办法按优先级排列先降低分辨率从1024改到768或512再确认自己用的是FP8模型而不是FP16然后启动参数加上--lowvram实在不行再加--force-fp16。如果还爆就检查后台有没有挂着浏览器、直播软件这类吃显存的程序全关了再试。还有一招能缓解显存碎片化在启动前设置环境变量export PYTORCH_CUDA_ALLOC_CONFmax_split_size_mb:512这个参数会让PyTorch分配显存时切小块减少碎片浪费。实测对一些老显卡比较管用但别指望它解决根本性的显存不足只能说延缓OOM。另一个常见问题是出图全黑。在Flux工作流里黑图九成是因为VAE没加载对。Flux的VAE是专用的ae.safetensors你如果沿用SD1.5时代的vae-ft-mse-840000解码出来只能是一片黑。还可能是模型文件下载不完整safetensors文件被截断了最容易发生在HuggingFace下载中途断连的情况。建议下载完看一眼文件大小和官方仓库标注的体积对一下偏差超过几百MB就重新下。另外dev模型在步数太少或CFG设太高时也会发黑把步数拉到20以上、CFG降到3.5附近就能缓解。4.2 出图慢、显存占用高如果你出图速度明显慢于预期先别急着喷显卡大概率是配置出了问题。最典型的坑是把schnell模型用30步去跑步数多了一倍以上速度自然慢。schnell就是4步模型别用多了。其次是分辨率开得过高Flux原生支持高分辨率但你的显存不一定扛得住先跑512x768等流程稳定了再加码。还有一个隐蔽原因是系统内存不足。当你使用--lowvram时模型层会在显存和内存之间来回搬运物理内存如果只有8G或16G搬运过程会频繁触发硬盘swap肉眼可见地卡成PPT。建议16G内存起步32G更舒适。另外检查一下是不是用了CPU推理。控制台日志会显示device如果出现cpu说明PyTorch没有启用CUDA最常见原因是驱动版本太老或PyTorch装成了CPU版。重新按2.2节安装CUDA版PyTorch即可。如果你想要极限速度可以试试给ComfyUI装torch.compile相关加速节点或者开启--xformers。但这两个东西都需要额外依赖部分显卡兼容性一般新手可能会装到崩溃。我的习惯是只开--lowvram其余默认稳定性和速度平衡得最好。4.3 插件冲突与更新问题ComfyUI的价值在插件生态但麻烦也在插件。秋叶整合包自带了一堆常用插件不等于每个都能跟Flux工作流兼容。我遇到过最崩溃的情况是更新ComfyUI本体后所有自定义节点集体变红控制台刷了几百行错误。原因很简单插件作者还没跟上新版本接口你这个端升得太快。我的处理经验是更新前先把custom_nodes目录整个复制一份备份更新后如果出现大面积报错把问题节点逐个排查。可以在ComfyUI Manager里查看插件是否标记为不兼容直接把红标插件停用不影响出图功能的就先关掉。尽量少做“全量更新”ComfyUI社区的更新频率很高但不是每次更新都对你手里的工作流有好处能跑就别手痒。还有一个不算插件但又很烦的坑加速模块sage-attention。它在Linux下表现很好Windows下编译经常失败我第一次尝试装它花了一个下午最后还是卸了普通出图根本不需要它。如果你在秋叶包里看到这个选项默认不启用就好。与其纠结这些加速工具不如扎扎实实把手头的工作流跑稳一张图慢一点没关系稳定出图才是效率。对我个人来说本地部署Flux最大的收获反而不是省了多少钱而是把创作节奏彻底握在了自己手里。云端租卡的时候每次抽卡都要想着下一分钟还在烧钱现在本地慢慢调参哪怕一张图重画十遍也没心理负担。最后再分享一个小习惯每次跑通一个新工作流我会把节点JSON单独存一个文件顺便在文件名里写好显卡型号和模型版本比如“schnell_fp8_3060_512x768.json”。隔三差五换电脑或者重装系统翻出这份配置就能快速复原省下的时间比什么都值钱。