ComfyUI 性能优化指南：显存不足、生成慢与多 GPU 参数配置

ComfyUI 性能优化指南显存不足、生成慢与多 GPU 参数配置【免费下载链接】ComfyUIThe most powerful and modular diffusion model GUI, api and backend with a graph/nodes interface.项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUIComfyUI 运行时最常见的三类问题是显存溢出OOM、出图变慢、多块 GPU 利用率低。本文不堆参数只讲三件事先通过现象定位瓶颈在哪里再按场景选择启动参数最后说明如何验证改动是否生效、出问题时怎么回退。先用现象定位瓶颈现象一启动后第一次生成就报错如果日志里出现 CUDA out of memory通常是模型加载或首次推理阶段显存不够。可以先用下面命令观察实际占用nvidia-smi # 或每 2 秒刷新一次 nvidia-smi -l 2判断标准显存峰值贴近总显存且任务失败基本可以确定是显存瓶颈而不是算力问题。现象二单步耗时高但显存占用不高这类情况更可能是精度或注意力后端没有用对属于“算力型慢”。显存曲线一直平缓、GPU 利用率低优先检查启动参数而不是加显存。现象三生成中途卡顿、掉帧往往是节点间数据搬运CPU 与 GPU 之间成为瓶颈例如低显存模式下反复换入换出模型权重。如果峰值离上限只差一点加少量预留比切到更激进的卸载模式更稳。按显存区间选择 VRAM 模式ComfyUI 的显存模式是一组互斥参数默认行为会按可用显存动态加载模型多数情况下不需要动它。需要手动干预时按下面思路选显存区间启动参数适用情况4-6GB--lowvram首次生成即 OOM8GB 以下且仍溢出--novram--lowvram之后仍失败12GB 及以上--highvram显存宽裕希望模型常驻显存、减少搬运例如低显存机器可以从这里起步python main.py --lowvram --reserve-vram 1--reserve-vram给系统和浏览器预留显存单位是 GB如果显存峰值离上限只差一点可以先把这个值调到 1 再决定是否启用更激进的卸载模式。--highvram则相反它让模型用完后留在显存里代价是占用更高。用精度参数换空间先解释两个概念FP16 是半精度浮点权重和中间张量占用的显存大约是 FP32 的一半现代 NVIDIA 显卡通常支持良好FP8 精度更低、占用更小但需要较新的显卡和版本支持。ComfyUI 把精度拆成了几组互斥参数参数作用注意点--fp16-unetUNet扩散主干用 FP16 运行最常见的降显存手段--fp16-vaeVAE 用 FP16 解码官方说明可能出现黑图出图异常时优先怀疑它--fp8_e4m3fn-text-enc文本编码器权重存为 FP8高显存显卡上用于释放常驻占用精度不是越激进越好--fp16-vae导致黑图时换回--fp32-vae对比即可定位--fp8系列参数如果当前版本或显卡不支持直接移除即可。速度类参数怎么选注意力后端也是一组互斥参数--use-split-cross-attention、--use-pytorch-cross-attention、--use-flash-attention、--use-sage-attention等另有--disable-xformers可以关掉 xFormers。原则是只切换一个后端固定同一工作流测几轮用时间决定是否保留。缓存参数影响“改一处重跑整图”的代价默认是 RAM 压力缓存--cache-lru 20用 LRU 缓存最多 20 个节点结果--cache-none每次运行都重新执行全部节点省内存但最慢。反复调试局部节点时保留缓存通常更划算。另外提醒批量张数batch size和输出分辨率是显存与耗时最大的两个变量比启动参数影响更直接建议优先在这两项上做减法再去调参数。多 GPU 是否适合你的工作流先判断场景如果是同一时刻要处理大量独立任务批量出图、多客户并发多实例分卡最合适如果只是单条任务希望更快出图跨卡并行能减少延迟但结构更复杂。多实例方案最简单给每个实例指定卡号和端口CUDA_VISIBLE_DEVICES0 python main.py --port 8188 --highvram CUDA_VISIBLE_DEVICES1 python main.py --port 8189 --highvram也可以用内置参数--cuda-device 0限制实例可见的 CUDA 设备。之后把任务按轮询方式分发到两个端口的/prompt接口就是基本的任务分发架构。ComfyUI 内置了MultiGPUCFGSplit节点见comfy_extras/nodes_multigpu.py它把一个任务的 CFG 正、负分支拆到不同 GPU 并行计算配合MultiGPUOptions节点使用。适合单条任务延迟敏感的场景但要注意跨卡并行会让多个 GPU 同时驻留模型权重对显存总量有更高要求。验证改动是否生效改参数没有固定答案建议用两个手段确认看曲线运行任务时执行nvidia-smi -l 2观察显存峰值是否仍在安全范围内、GPU 利用率是否提升。做 A/B固定同一个工作流、提示词和种子只改一个参数对比单步耗时和总时长并把每次的启动命令记下来。出问题时按记录逐个回退比凭记忆排查快得多。兼容性方面ComfyUI、PyTorch、显卡驱动、CUDA 四个组件要作为整体对待。升级大版本后默认精度和显存行为可能变化升级后建议重跑一遍参数组合并且一次只升级一个组件便于定位问题。工作流层面的减负参数之外工作流本身常常有低垂的果实采样节点的预览尺寸可以用--preview-size调小减少解码预览的开销删除不用的中间放大、重复 VAE 解码调试时利用执行缓存只改动局部节点避免整图重跑。下一步检查清单用nvidia-smi确认当前显存峰值判断属于显存瓶颈还是算力瓶颈确定显存区间选择默认动态加载、--lowvram或--highvram之一按需叠加一个精度参数如--fp16-unet出图异常时优先回退它只切换一个注意力后端用同一工作流 A/B 对比多卡场景先试多实例分卡再考虑 CFG 拆分节点记录每次启动命令保证任何改动可回退【免费下载链接】ComfyUIThe most powerful and modular diffusion model GUI, api and backend with a graph/nodes interface.项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考