先说结论这套配置比很多人想象中要“亲民”得多RTX 5070 Ti 的 16GB 显存在笔记本平台上其实是个非常微妙的分水岭——跑 SDXL 文生图能开到较高分辨率跑主流开源视频模型也能勉强吃下前提是你得把环境搭对、把参数调顺。这篇文章我尽量按自己的实操顺序来讲从零开始把 ComfyUI 装起来再把文生图、文生视频两条流程全跑通中间踩过的坑、绕过的弯路也一并写出来。1. 环境与方案选型为什么我放弃秋叶包选择手动部署1.1 RTX 5070 Ti 笔记本的核心优势与瓶颈RTX 5070 Ti 用的是 Blackwell 架构这一代在能效比上的提升非常明显。笔记本版本虽然功耗被限制在 80~120W 左右但 16GB GDDR7 显存是实打实的——这意味着本地跑 70 亿到 140 亿参数级别的视频生成模型正好卡在“能跑”和“跑不动”的边缘线上。GeForce RTX 50 系在 Windows 下的 WDDM 驱动模式对 PyTorch 的 CUDA 支持已经非常成熟不需要像早期 30 系那样折腾一堆兼容层。但笔记本的瓶颈也在这里散热余量有限显存容量固定没法扩展还有 Windows 系统本身会占用一部分显存。实测下来你的可用显存大概在 15.2~15.8GB 之间系统桌面、浏览器、输入法都会吃掉一点所以不能按标称 16GB 去规划模型和分辨率。1.2 秋叶整合包 vs 手动部署选型解析国内用 ComfyUI大多数人第一反应是秋叶整合包。它的优点不用多说解压即用、中文界面、自带模型管理器对新手非常友好。但我这次选择手动部署原因有三第一秋叶包内置的 Python 环境和依赖版本相对固定而 5070 Ti 这种新卡需要新版 PyTorch 才能完整支持 Blackwell 架构的算子。黑神话级别的兼容性问题在旧版 PyTorch 里很常见尤其是 flash attention 这类优化版本不对就报错。第二手动部署能精确控制每个组件的版本。ComfyUI 的官方仓库更新频繁很多新模型和插件框架只在最新版上才能正常工作。整合包虽然也能更新但核心依赖的升级往往跟不上社区节奏。第三排查问题方便。如果跑出黑图、爆显存之类的常见故障手动部署时你能一层层检查是 Python 环境的问题、CUDA 的问题还是模型权重的问题。整合包就像一条封装好的黑盒子出问题反而不容易定位。当然如果你是完全零基础秋叶包仍是最快体验 ComfyUI 的途径这一点我不否认。但如果你的目标是把 5070 Ti 的性能吃满建议扎扎实实手动装一遍——这本身也是理解整个 AI 生成链路最好的方式。2. 环境搭建与核心依赖安装2.1 驱动与 CUDA 版本的选择这一节很重要顺序错了后面全乱。我的建议顺序是先装显卡驱动再装 CUDA Toolkit最后装 PyTorch。驱动方面没什么好纠结的直接用 NVIDIA 官网最新版 Game Ready 或 Studio 驱动都行。注意一点不要用 Windows 自动更新推送的驱动版本太旧可能不识别 5070 Ti 的新架构。CUDA Toolkit 我这里装的是 12.8。为什么不选更新的 12.9 或 13.0因为 PyTorch 官方对 CUDA 12.8 的预编译 wheels 支持最稳定跑遍所有主流插件都没问题。装 CUDA 的时候不需要全部组件只勾选 CUDA 核心和命令行工具就够了其他例如 NSight 工具不搞底层开发完全用不上白白占用空间。有一个隐藏坑需要留意CUDA Toolkit 的版本和驱动内置的 CUDA 版本是两码事。系统里可能同时存在两个 CUDA 版本PyTorch 用的是它自己打包的 CUDA runtime跟你装的 Toolkit 关系不大。所以即使你 CUDA Toolkit 装得版本低一点也无所谓但驱动必须新否则 PyTorch 检测不到 GPU。2.2 Python 虚拟环境的创建与依赖包安装我强烈建议用 conda 建一个干净的虚拟环境不要直接用系统 Python。之前踩过不少坑——系统 Python 3.12 搭配某些插件时依赖解析直接冲突反反复复折腾了两天才定位到问题。conda create -n comfyui python3.11 conda activate comfyui # 安装 PyTorch注意这里必须用 CUDA 12.8 的版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128这里解释一下为什么要 Python 3.11。ComfyUI 官方推荐的是 3.10 到 3.12但经过大量插件兼容性测试3.11 是踩坑最少的。3.12 有部分依赖没有预编译包3.10 又太旧很多新库不再支持。PyTorch 安装完成后立刻验证 CUDA 能不能用python -c import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))如果输出True和NVIDIA GeForce RTX 5070 Ti说明 GPU 环境已经通了。这里可以顺手验证一下算力性能python -c import torch; print(torch.cuda.get_device_properties(0))multi_processor_count可以看到 SM 数量Blackwell 架构的 SM 数比同级别 Ada 卡有提升跑大模型时的并行能力会好一些。2.3 克隆 ComfyUI 主程序环境激活的状态下把 ComfyUI 仓库克隆到本地git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt这里有几个要点第一建议在虚拟环境里跑不要用--user安装否则环境混乱之后很难排查。第二requirements.txt里的依赖是 AI 绘画的基础工作流必备的其中有torch但因为它已经装好了pip install -r requirements.txt不会覆盖你现有的版本。第三git pull更新时如果有本地插件依赖变动记得重新pip install -r requirements.txt。不过我不太推荐频繁更新主程序——有个版本升级了节点注册机制直接把好几个老插件干沉默了。Windows 下启动是python main.py --preview-method automacOS 或 Linux 下命令一样。首次启动会自动下载一些默认模型但量不大几十 MB 到几百 MB为了跑通默认工作流用的。3. 文生图工作流从 SDXL 到自训练模型部署3.1 模型下载与目录结构ComfyUI 的模型目录结构是强约定需要理解清楚才能顺利跑起来ComfyUI/models/ ├── checkpoints/ # 主模型如 SDXL、SD 1.5 ├── loras/ # LoRA 微调模型 ├── vae/ # VAE 解码器 ├── controlnet/ # ControlNet 辅助控制模型 ├── upscale_models/ # 超分模型 └── diffusers/ # 扩散模型格式如果你下载的是别人打包的safetensors文件直接丢进checkpoints目录即可。比如最常用的 SDXL 模型sd_xl_base_1.0.safetensors现在都是单文件封装不需要额外下载 VAE——SDXL 的 VAE 已经内置在 checkpoint 里了。这台笔记本上我更推荐用 SDXL-Turbo 或者 SDXL-Lightning 这类蒸馏加速模型。原因是 16GB 显存跑完整版 SDXL 没问题但迭代速度慢而 Turbo 版 4 步就能出效果接近的图实测速度能快 6~8 倍。手机端、笔记本场景下真的没必要把完整 SDXL 的 30 步跑完。3.2 标准文生图工作流搭建启动 ComfyUI 后浏览器里打开http://127.0.0.1:8188会看到一个节点式界面。空画布上右键可以添加节点。我从零配一套基础文生图流程Load Checkpoint加载你下载的主模型CLIP Text Encode (Prompt)正向提示词节点填你想要的画面描述CLIP Text Encode (Negative)负向提示词节点填不想出现的内容Empty Latent Image设置画布尺寸和 batch sizeKSampler扩散采样核心节点VAE Decode把潜空间结果解码为像素图Save Image保存图片把这八个节点连起来基础工作流就通了。关键在于 KSampler 的参数步数steps用 25 左右Turbo 模型用 4CFG无分类器引导系数保持在 7Turbo 模型 2采样器sampler推荐dpmpp_2m质量稳定调度器scheduler推荐karras暗部细节还原更好分辨率方面SDXL 的优化分辨率在 1024x1024 附近16:9 建议 1344x768不建议超 1536 以上——除非配了高精度放大工作流否则容易出肢体崩坏。3.3 加速优化Sage Attention 安装与设置这是把 5070 Ti 性能压榨出来的关键一步。网上有些说法是 flash attention 就够用但对 Blackwell 架构来说Sage Attention 的优化更彻底——显存占用能再降 30%~40%出图速度也有明显提升。cd ComfyUI/custom_nodes git clone https://github.com/chengzeyi/ComfyUI-SageAttention.git pip install sageattention装完重启 ComfyUI在设置 注意力机制里选择sage。注意目前 Sage Attention 还处于早期阶段部分模型可能会产生细微的画面差异这个属于正常现象——它换的是数学近似算法本质上跟原版 attention 略有不同。3.4 推理提示词的实战技巧与生图效果控制很多新手拿到 ComfyUI 后照着别人的工作流填了提示词结果出图效果很差然后就怪模型不好。实际上大部分情况是提示词结构没搭好。我在实测中比较稳定的结构是主体描述 环境氛围 光线角度 画质后缀。举个例子a beautiful Asian woman with golden hour lighting, (ultra-detailed:1.2), 8k wallpaper, cinematic composition, warm colors, bokeh background负向提示词里不要只写low quality建议把常见崩坏词一起写上lowres, bad anatomy, bad hands, missing fingers, extra digits, cropped, worst quality, low quality, jpeg artifacts, blurry, signature, watermark另外有个细节7~10 秒的采样时间在笔记本上属于正常速度不要觉得是电脑不够快。5070 Ti 跑 SDXL 一般每步 0.3~0.5 秒25 步出图只需 8~15 秒——这已经比云 GPU 排队等待快多了。4. 文生视频用 LTX-Video 与 Wan2.1 点亮动态画面4.1 视频模型选型Wan2.1 vs LTX-Video 对比与选择文生视频目前开源社区口碑最好的两个选择一个是阿里通义实验室的 Wan2.1另一个是 Lightricks 的 LTX-Video。两者在 16GB 显存下的表现差异很明显我做了个实际对比模型参数规模显存需求生成 5 秒视频耗时画质表现LTX-Video 2B20亿~8GB2~4 分钟动态流畅细节欠佳Wan2.1 14B140亿~20GB需优化15~25 分钟细节丰富语义理解强5070 Ti 直接跑 Wan2.1 14B 大概率爆显存但量化版或预览版有机会。如果追求速度LTX-Video 是首选如果追求画质且能接受长等待可以试试 Wan2.1 14B 的 GGUF 量化版本不过需要额外配置 llama.cpp 后端步骤略繁琐。我目前的主力方案是 LTX-Video 2B 加 Sage Attention 优化16GB 显存能剩 5~6GB留给了 ControlNet 和 VAE 解码。速度上大概能实现 1 秒视频需求 30~50 秒生成。4.2 LTX-Video 工作流配置细节下载模型文件ltx-video-2b-v0.9.5.safetensors放到ComfyUI/models/checkpoints/目录——这个模型走的是标准 checkpoint 加载路径不需要像 Wan 那样拆 text encoder 和 diffusion model。工作流的搭建跟文生图类似但有三个关键区别空 Latent 节点要选择视频格式不是设置单张图片尺寸而是设置length帧数和batch_size批次。生成 5 秒 24fps 的视频需要 121 帧显存占用会显著上升。建议先用 25 帧测试工作流通不通确认没报错再增加帧数。提示词要从“图”变成“镜头语言”文生视频的提示词必须包含运动描述和镜头变化比如camera pans left, the woman turns her head and smiles, gentle wind blowing her hair。静态描述是生成不出动态画面的。采样参数要大幅调整步数 30~40CFG 根据模型文件决定LTX 通常用 2~3采样器建议euler调度器simple。用文生图那套参数直接跑视频模型出来的画面几乎是花的。4.3 视频生成爆显存的解决策略5 种有效手段热搜词里“comfyui生成视频时爆内存”这个搜索量很明显说明这是大家最常遇到的问题。我实测下来有五个有效手段按优先级排序第一降低分辨率。文生视频不要一上来就 1080p。LTX-Video 的建议分辨率是 768x512生成完再通过视频超分模型放大到目标尺寸。这条是性价比最高的手段直接把显存峰值砍一半。第二帧数分批处理。超长视频不要一次性生成。25~50 帧一批生成后用 FFmpeg 拼接或者用 ComfyUI 的 Video Combine 节点把多个批次拼接成完整视频。长视频一次性生成显存占用是线性增长的必爆。第三开启 Sage Attention 优化。前面提到过能省 30% 左右显存视频模型上效益更明显。第四释放显存碎片。Windows 系统下如果视频生成跑久了显存越来越碎建议在 KSampler 节点之间插入FreeU或者显存清理节点强制释放中间过程的缓存。第五模型半精度加载。在Load Checkpoint节点里把dtype设为fp16半精度。如果模型支持 bf16优先选择 bf16它的数值稳定性比 fp16 更好Blackwell 架构对 bf16 的计算支持也更完备。4.4 常用视频后处理拼接、放大与补帧视频模型直接输出的原始结果通常帧率低、分辨率小不能直接用。我建议的工作流是生成 → 放大Upscale→ 补帧Frame Interpolation→ 合成视频放大用 ComfyUI 自带的Upscale Image (using Model)节点加载 ESRGAN 类超分模型将 768x512 的画面放大到 1536x1024。补帧用RAFT模型或FILM插件把 24fps 补齐到 48fps画面流畅度大幅提升。这一步在 ComfyUI 里的执行顺序很关键。先放大再补帧还是先补帧再放大出来的效果差别很大——我实测下来先放大再补帧更稳因为补帧算法对输入分辨率的敏感度较高低分辨率视频补帧容易出现闪烁伪影。5. 常见问题与排查技巧实录5.1 黑图问题CFG 与 VAE 的“打架”现象采样过程正常但输出的图像是纯黑色。原因这是 ComfyUI 新手最常遇到的问题之一。大多数情况是模型和 VAE 不匹配或者某个采样器参数被调成了极端值。特别是加载一些非 SDXL 系模型时如果你用了 SDXL 的 1024x1024 分辨率去加载 SD 1.5 的 checkpoint模型根本跑不在这分辨率下嘣一声就黑了。排查顺序先检查采样器参数把 CFG 降到 7、steps 调到 25再检查 VAE 设置在Load Checkpoint节点里强制指定内置 VAE最后看模型版本与分辨率是否匹配SD 1.5 系列用 512x512 起步SDXL 用 1024x1024。5.2 显存不足CUDA out of memory的现场处理现象报错CUDA out of memory这基本是视频生成场景最常见的错误。排查思路先确认是不是真的显存满了——查看任务管理器里 GPU 专用内存占用。如果剩余显存明明够但还是报错大概率是碎片化问题。Windows 的 WDDM 显存管理模式下PyTorch 申请连续显存块失败反而比“真的没有显存”更常见。处理上有个技巧把main.py启动参数加上--disable-smart-memory绕过系统的智能内存管理让 PyTorch 直接用自定义分配器。实测效果不错能减少某些碎片化场景下的 OOM 报错。5.3 所有节点运行极慢但 CPU 占用率居高不下现象GPU 占用率 5%CPU 满负载一张图要跑 5 分钟。原因PyTorch 没有运行为 GPU 优化的算子模型被跑到了 CPU 上。这种情况通常是你pip install torch时没有指定--index-url https://download.pytorch.org/whl/cu128装了 CPU 版 PyTorch。命令里这个 URL 很关键漏掉的坑比什么都隐蔽。检查手段python -c import torch; print(torch.cuda.is_available())如果在 True 状态下 GPU 仍不工作去查环境变量。我曾经遇到过 conda 自动把 CUDA 路径覆盖到一个旧版本导致 PyTorch 找不到新卡的库文件。5.4 视频生成时“内存”非显存持续飙升现象任务管理器里显示“内存”已用 20GB 且还在涨物理内存 32GB 都不够。原因视频工作流里有一部分算子不支持 GPU 加速回退到 CPU 计算导致系统内存被疯狂占用。常见的元凶包括某些视频解码插件和帧插值算法。对策不要用Video Combine节点直接导出超大分辨率视频导出时内存消耗是显存的两倍以上。我的做法是先用Save Video节点输出低分辨率版本确认成功后再用独立工作流做超分和后处理这样每一步的内存消耗都在可控范围内。5.5 常用故障速查表症状可能原因优先排查方向黑图CFG 过高/VAE 不匹配/分辨率不兼容降低 CFG重建工作流CUDA OOM显存满或碎片化降低分辨率开启 Sage Attention速度极慢PyTorch 装了 CPU 版检查 torch.version.cuda内存飙升节点不支持 GPU 推理拆分工作流分步导出模型不生效路径错误/模型文件名识别不了检查目录结构与节点连接5.6 独家心得先跑通再调优的顺序最后分享一个我自己反复强调的原则第一版工作流永远用最低参数跑通再逐步加码。第一次搭文生视频时我先用 25 帧 512x384 分辨率 20 步确认整条链路无报错然后才去调 768x512、加帧数、上超分。看似多花了一道验证时间实际节省的排查时间却是成倍的——因为你能确定每一步改参数后的影响边界而不是一连串变量搅在一起出问题了根本无从下手。类似的在 ComfyUI 里排错也需要这种“最小复现”思维。爆显存先把分辨率砍半速度慢先看 torch 版本黑图先降 CFG。每次只改一个变量逐一定位。这样下来比到处翻帖子折腾一整晚效率高得多。现在 5070 Ti 这台笔记本已经成了我日常主力生成机。文生图跑 SDXL Turbo 基本是秒出文生视频 5 秒片段三四分钟生成完全对得起它的定位。如果你的目标是本地搭一套稳定可用的生成环境按照上面的流程一步步来把坑提前避开正常情况下半天就能跑通全流程。跑起来之后再根据需求逐步探索更多高级玩法。 
长河君 · 2026/10/4 6:59:57 · 阅读 1.2k RTX 5070 Ti笔记本ComfyUI部署实战：文生图与视频生成全流程指南
先说结论这套配置比很多人想象中要“亲民”得多RTX 5070 Ti 的 16GB 显存在笔记本平台上其实是个非常微妙的分水岭——跑 SDXL 文生图能开到较高分辨率跑主流开源视频模型也能勉强吃下前提是你得把环境搭对、把参数调顺。这篇文章我尽量按自己的实操顺序来讲从零开始把 ComfyUI 装起来再把文生图、文生视频两条流程全跑通中间踩过的坑、绕过的弯路也一并写出来。1. 环境与方案选型为什么我放弃秋叶包选择手动部署1.1 RTX 5070 Ti 笔记本的核心优势与瓶颈RTX 5070 Ti 用的是 Blackwell 架构这一代在能效比上的提升非常明显。笔记本版本虽然功耗被限制在 80~120W 左右但 16GB GDDR7 显存是实打实的——这意味着本地跑 70 亿到 140 亿参数级别的视频生成模型正好卡在“能跑”和“跑不动”的边缘线上。GeForce RTX 50 系在 Windows 下的 WDDM 驱动模式对 PyTorch 的 CUDA 支持已经非常成熟不需要像早期 30 系那样折腾一堆兼容层。但笔记本的瓶颈也在这里散热余量有限显存容量固定没法扩展还有 Windows 系统本身会占用一部分显存。实测下来你的可用显存大概在 15.2~15.8GB 之间系统桌面、浏览器、输入法都会吃掉一点所以不能按标称 16GB 去规划模型和分辨率。1.2 秋叶整合包 vs 手动部署选型解析国内用 ComfyUI大多数人第一反应是秋叶整合包。它的优点不用多说解压即用、中文界面、自带模型管理器对新手非常友好。但我这次选择手动部署原因有三第一秋叶包内置的 Python 环境和依赖版本相对固定而 5070 Ti 这种新卡需要新版 PyTorch 才能完整支持 Blackwell 架构的算子。黑神话级别的兼容性问题在旧版 PyTorch 里很常见尤其是 flash attention 这类优化版本不对就报错。第二手动部署能精确控制每个组件的版本。ComfyUI 的官方仓库更新频繁很多新模型和插件框架只在最新版上才能正常工作。整合包虽然也能更新但核心依赖的升级往往跟不上社区节奏。第三排查问题方便。如果跑出黑图、爆显存之类的常见故障手动部署时你能一层层检查是 Python 环境的问题、CUDA 的问题还是模型权重的问题。整合包就像一条封装好的黑盒子出问题反而不容易定位。当然如果你是完全零基础秋叶包仍是最快体验 ComfyUI 的途径这一点我不否认。但如果你的目标是把 5070 Ti 的性能吃满建议扎扎实实手动装一遍——这本身也是理解整个 AI 生成链路最好的方式。2. 环境搭建与核心依赖安装2.1 驱动与 CUDA 版本的选择这一节很重要顺序错了后面全乱。我的建议顺序是先装显卡驱动再装 CUDA Toolkit最后装 PyTorch。驱动方面没什么好纠结的直接用 NVIDIA 官网最新版 Game Ready 或 Studio 驱动都行。注意一点不要用 Windows 自动更新推送的驱动版本太旧可能不识别 5070 Ti 的新架构。CUDA Toolkit 我这里装的是 12.8。为什么不选更新的 12.9 或 13.0因为 PyTorch 官方对 CUDA 12.8 的预编译 wheels 支持最稳定跑遍所有主流插件都没问题。装 CUDA 的时候不需要全部组件只勾选 CUDA 核心和命令行工具就够了其他例如 NSight 工具不搞底层开发完全用不上白白占用空间。有一个隐藏坑需要留意CUDA Toolkit 的版本和驱动内置的 CUDA 版本是两码事。系统里可能同时存在两个 CUDA 版本PyTorch 用的是它自己打包的 CUDA runtime跟你装的 Toolkit 关系不大。所以即使你 CUDA Toolkit 装得版本低一点也无所谓但驱动必须新否则 PyTorch 检测不到 GPU。2.2 Python 虚拟环境的创建与依赖包安装我强烈建议用 conda 建一个干净的虚拟环境不要直接用系统 Python。之前踩过不少坑——系统 Python 3.12 搭配某些插件时依赖解析直接冲突反反复复折腾了两天才定位到问题。conda create -n comfyui python3.11 conda activate comfyui # 安装 PyTorch注意这里必须用 CUDA 12.8 的版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128这里解释一下为什么要 Python 3.11。ComfyUI 官方推荐的是 3.10 到 3.12但经过大量插件兼容性测试3.11 是踩坑最少的。3.12 有部分依赖没有预编译包3.10 又太旧很多新库不再支持。PyTorch 安装完成后立刻验证 CUDA 能不能用python -c import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))如果输出True和NVIDIA GeForce RTX 5070 Ti说明 GPU 环境已经通了。这里可以顺手验证一下算力性能python -c import torch; print(torch.cuda.get_device_properties(0))multi_processor_count可以看到 SM 数量Blackwell 架构的 SM 数比同级别 Ada 卡有提升跑大模型时的并行能力会好一些。2.3 克隆 ComfyUI 主程序环境激活的状态下把 ComfyUI 仓库克隆到本地git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt这里有几个要点第一建议在虚拟环境里跑不要用--user安装否则环境混乱之后很难排查。第二requirements.txt里的依赖是 AI 绘画的基础工作流必备的其中有torch但因为它已经装好了pip install -r requirements.txt不会覆盖你现有的版本。第三git pull更新时如果有本地插件依赖变动记得重新pip install -r requirements.txt。不过我不太推荐频繁更新主程序——有个版本升级了节点注册机制直接把好几个老插件干沉默了。Windows 下启动是python main.py --preview-method automacOS 或 Linux 下命令一样。首次启动会自动下载一些默认模型但量不大几十 MB 到几百 MB为了跑通默认工作流用的。3. 文生图工作流从 SDXL 到自训练模型部署3.1 模型下载与目录结构ComfyUI 的模型目录结构是强约定需要理解清楚才能顺利跑起来ComfyUI/models/ ├── checkpoints/ # 主模型如 SDXL、SD 1.5 ├── loras/ # LoRA 微调模型 ├── vae/ # VAE 解码器 ├── controlnet/ # ControlNet 辅助控制模型 ├── upscale_models/ # 超分模型 └── diffusers/ # 扩散模型格式如果你下载的是别人打包的safetensors文件直接丢进checkpoints目录即可。比如最常用的 SDXL 模型sd_xl_base_1.0.safetensors现在都是单文件封装不需要额外下载 VAE——SDXL 的 VAE 已经内置在 checkpoint 里了。这台笔记本上我更推荐用 SDXL-Turbo 或者 SDXL-Lightning 这类蒸馏加速模型。原因是 16GB 显存跑完整版 SDXL 没问题但迭代速度慢而 Turbo 版 4 步就能出效果接近的图实测速度能快 6~8 倍。手机端、笔记本场景下真的没必要把完整 SDXL 的 30 步跑完。3.2 标准文生图工作流搭建启动 ComfyUI 后浏览器里打开http://127.0.0.1:8188会看到一个节点式界面。空画布上右键可以添加节点。我从零配一套基础文生图流程Load Checkpoint加载你下载的主模型CLIP Text Encode (Prompt)正向提示词节点填你想要的画面描述CLIP Text Encode (Negative)负向提示词节点填不想出现的内容Empty Latent Image设置画布尺寸和 batch sizeKSampler扩散采样核心节点VAE Decode把潜空间结果解码为像素图Save Image保存图片把这八个节点连起来基础工作流就通了。关键在于 KSampler 的参数步数steps用 25 左右Turbo 模型用 4CFG无分类器引导系数保持在 7Turbo 模型 2采样器sampler推荐dpmpp_2m质量稳定调度器scheduler推荐karras暗部细节还原更好分辨率方面SDXL 的优化分辨率在 1024x1024 附近16:9 建议 1344x768不建议超 1536 以上——除非配了高精度放大工作流否则容易出肢体崩坏。3.3 加速优化Sage Attention 安装与设置这是把 5070 Ti 性能压榨出来的关键一步。网上有些说法是 flash attention 就够用但对 Blackwell 架构来说Sage Attention 的优化更彻底——显存占用能再降 30%~40%出图速度也有明显提升。cd ComfyUI/custom_nodes git clone https://github.com/chengzeyi/ComfyUI-SageAttention.git pip install sageattention装完重启 ComfyUI在设置 注意力机制里选择sage。注意目前 Sage Attention 还处于早期阶段部分模型可能会产生细微的画面差异这个属于正常现象——它换的是数学近似算法本质上跟原版 attention 略有不同。3.4 推理提示词的实战技巧与生图效果控制很多新手拿到 ComfyUI 后照着别人的工作流填了提示词结果出图效果很差然后就怪模型不好。实际上大部分情况是提示词结构没搭好。我在实测中比较稳定的结构是主体描述 环境氛围 光线角度 画质后缀。举个例子a beautiful Asian woman with golden hour lighting, (ultra-detailed:1.2), 8k wallpaper, cinematic composition, warm colors, bokeh background负向提示词里不要只写low quality建议把常见崩坏词一起写上lowres, bad anatomy, bad hands, missing fingers, extra digits, cropped, worst quality, low quality, jpeg artifacts, blurry, signature, watermark另外有个细节7~10 秒的采样时间在笔记本上属于正常速度不要觉得是电脑不够快。5070 Ti 跑 SDXL 一般每步 0.3~0.5 秒25 步出图只需 8~15 秒——这已经比云 GPU 排队等待快多了。4. 文生视频用 LTX-Video 与 Wan2.1 点亮动态画面4.1 视频模型选型Wan2.1 vs LTX-Video 对比与选择文生视频目前开源社区口碑最好的两个选择一个是阿里通义实验室的 Wan2.1另一个是 Lightricks 的 LTX-Video。两者在 16GB 显存下的表现差异很明显我做了个实际对比模型参数规模显存需求生成 5 秒视频耗时画质表现LTX-Video 2B20亿~8GB2~4 分钟动态流畅细节欠佳Wan2.1 14B140亿~20GB需优化15~25 分钟细节丰富语义理解强5070 Ti 直接跑 Wan2.1 14B 大概率爆显存但量化版或预览版有机会。如果追求速度LTX-Video 是首选如果追求画质且能接受长等待可以试试 Wan2.1 14B 的 GGUF 量化版本不过需要额外配置 llama.cpp 后端步骤略繁琐。我目前的主力方案是 LTX-Video 2B 加 Sage Attention 优化16GB 显存能剩 5~6GB留给了 ControlNet 和 VAE 解码。速度上大概能实现 1 秒视频需求 30~50 秒生成。4.2 LTX-Video 工作流配置细节下载模型文件ltx-video-2b-v0.9.5.safetensors放到ComfyUI/models/checkpoints/目录——这个模型走的是标准 checkpoint 加载路径不需要像 Wan 那样拆 text encoder 和 diffusion model。工作流的搭建跟文生图类似但有三个关键区别空 Latent 节点要选择视频格式不是设置单张图片尺寸而是设置length帧数和batch_size批次。生成 5 秒 24fps 的视频需要 121 帧显存占用会显著上升。建议先用 25 帧测试工作流通不通确认没报错再增加帧数。提示词要从“图”变成“镜头语言”文生视频的提示词必须包含运动描述和镜头变化比如camera pans left, the woman turns her head and smiles, gentle wind blowing her hair。静态描述是生成不出动态画面的。采样参数要大幅调整步数 30~40CFG 根据模型文件决定LTX 通常用 2~3采样器建议euler调度器simple。用文生图那套参数直接跑视频模型出来的画面几乎是花的。4.3 视频生成爆显存的解决策略5 种有效手段热搜词里“comfyui生成视频时爆内存”这个搜索量很明显说明这是大家最常遇到的问题。我实测下来有五个有效手段按优先级排序第一降低分辨率。文生视频不要一上来就 1080p。LTX-Video 的建议分辨率是 768x512生成完再通过视频超分模型放大到目标尺寸。这条是性价比最高的手段直接把显存峰值砍一半。第二帧数分批处理。超长视频不要一次性生成。25~50 帧一批生成后用 FFmpeg 拼接或者用 ComfyUI 的 Video Combine 节点把多个批次拼接成完整视频。长视频一次性生成显存占用是线性增长的必爆。第三开启 Sage Attention 优化。前面提到过能省 30% 左右显存视频模型上效益更明显。第四释放显存碎片。Windows 系统下如果视频生成跑久了显存越来越碎建议在 KSampler 节点之间插入FreeU或者显存清理节点强制释放中间过程的缓存。第五模型半精度加载。在Load Checkpoint节点里把dtype设为fp16半精度。如果模型支持 bf16优先选择 bf16它的数值稳定性比 fp16 更好Blackwell 架构对 bf16 的计算支持也更完备。4.4 常用视频后处理拼接、放大与补帧视频模型直接输出的原始结果通常帧率低、分辨率小不能直接用。我建议的工作流是生成 → 放大Upscale→ 补帧Frame Interpolation→ 合成视频放大用 ComfyUI 自带的Upscale Image (using Model)节点加载 ESRGAN 类超分模型将 768x512 的画面放大到 1536x1024。补帧用RAFT模型或FILM插件把 24fps 补齐到 48fps画面流畅度大幅提升。这一步在 ComfyUI 里的执行顺序很关键。先放大再补帧还是先补帧再放大出来的效果差别很大——我实测下来先放大再补帧更稳因为补帧算法对输入分辨率的敏感度较高低分辨率视频补帧容易出现闪烁伪影。5. 常见问题与排查技巧实录5.1 黑图问题CFG 与 VAE 的“打架”现象采样过程正常但输出的图像是纯黑色。原因这是 ComfyUI 新手最常遇到的问题之一。大多数情况是模型和 VAE 不匹配或者某个采样器参数被调成了极端值。特别是加载一些非 SDXL 系模型时如果你用了 SDXL 的 1024x1024 分辨率去加载 SD 1.5 的 checkpoint模型根本跑不在这分辨率下嘣一声就黑了。排查顺序先检查采样器参数把 CFG 降到 7、steps 调到 25再检查 VAE 设置在Load Checkpoint节点里强制指定内置 VAE最后看模型版本与分辨率是否匹配SD 1.5 系列用 512x512 起步SDXL 用 1024x1024。5.2 显存不足CUDA out of memory的现场处理现象报错CUDA out of memory这基本是视频生成场景最常见的错误。排查思路先确认是不是真的显存满了——查看任务管理器里 GPU 专用内存占用。如果剩余显存明明够但还是报错大概率是碎片化问题。Windows 的 WDDM 显存管理模式下PyTorch 申请连续显存块失败反而比“真的没有显存”更常见。处理上有个技巧把main.py启动参数加上--disable-smart-memory绕过系统的智能内存管理让 PyTorch 直接用自定义分配器。实测效果不错能减少某些碎片化场景下的 OOM 报错。5.3 所有节点运行极慢但 CPU 占用率居高不下现象GPU 占用率 5%CPU 满负载一张图要跑 5 分钟。原因PyTorch 没有运行为 GPU 优化的算子模型被跑到了 CPU 上。这种情况通常是你pip install torch时没有指定--index-url https://download.pytorch.org/whl/cu128装了 CPU 版 PyTorch。命令里这个 URL 很关键漏掉的坑比什么都隐蔽。检查手段python -c import torch; print(torch.cuda.is_available())如果在 True 状态下 GPU 仍不工作去查环境变量。我曾经遇到过 conda 自动把 CUDA 路径覆盖到一个旧版本导致 PyTorch 找不到新卡的库文件。5.4 视频生成时“内存”非显存持续飙升现象任务管理器里显示“内存”已用 20GB 且还在涨物理内存 32GB 都不够。原因视频工作流里有一部分算子不支持 GPU 加速回退到 CPU 计算导致系统内存被疯狂占用。常见的元凶包括某些视频解码插件和帧插值算法。对策不要用Video Combine节点直接导出超大分辨率视频导出时内存消耗是显存的两倍以上。我的做法是先用Save Video节点输出低分辨率版本确认成功后再用独立工作流做超分和后处理这样每一步的内存消耗都在可控范围内。5.5 常用故障速查表症状可能原因优先排查方向黑图CFG 过高/VAE 不匹配/分辨率不兼容降低 CFG重建工作流CUDA OOM显存满或碎片化降低分辨率开启 Sage Attention速度极慢PyTorch 装了 CPU 版检查 torch.version.cuda内存飙升节点不支持 GPU 推理拆分工作流分步导出模型不生效路径错误/模型文件名识别不了检查目录结构与节点连接5.6 独家心得先跑通再调优的顺序最后分享一个我自己反复强调的原则第一版工作流永远用最低参数跑通再逐步加码。第一次搭文生视频时我先用 25 帧 512x384 分辨率 20 步确认整条链路无报错然后才去调 768x512、加帧数、上超分。看似多花了一道验证时间实际节省的排查时间却是成倍的——因为你能确定每一步改参数后的影响边界而不是一连串变量搅在一起出问题了根本无从下手。类似的在 ComfyUI 里排错也需要这种“最小复现”思维。爆显存先把分辨率砍半速度慢先看 torch 版本黑图先降 CFG。每次只改一个变量逐一定位。这样下来比到处翻帖子折腾一整晚效率高得多。现在 5070 Ti 这台笔记本已经成了我日常主力生成机。文生图跑 SDXL Turbo 基本是秒出文生视频 5 秒片段三四分钟生成完全对得起它的定位。如果你的目标是本地搭一套稳定可用的生成环境按照上面的流程一步步来把坑提前避开正常情况下半天就能跑通全流程。跑起来之后再根据需求逐步探索更多高级玩法。