ComfyUI 性能优化完整指南：显存档位、注意力提速与多GPU分工配置

ComfyUI 性能优化完整指南：显存档位、注意力提速与多GPU分工配置

【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/ComfyUI

启动 ComfyUI 后频繁报"out of memory"，换大模型时生成明显变慢，多卡机器的显存又没被吃满。这篇文章讲显存档位、注意力提速和多 GPU 分工三类核心设置，每档给一条可直接复制的启动命令，你照着对号入座即可。

一、配置前先摸清硬件底牌

动手改参数前，先确定三件事：你属于哪一档显存、走哪套指令集、多卡怎么分工。按下表逐项对一下：

ComfyUI 启动日志里会打印 Total VRAM 一行，可以顺手核对显存是否被正确识别。同时拥有两块不同品牌显卡的机器，先决定哪块卡跑 ComfyUI，另一块留着做其他用途。

二、三档显存的开箱配置

ComfyUI 自带动态显存调度，会自动在内存和显存之间腾挪模型。下面三档是它之上最常见的用法，每档只给你一条命令。

4GB 档：先跑通，不 OOM

python main.py --lowvram --reserve-vram 2

--lowvram 让文本编码器挪到 CPU 执行，--reserve-vram 2 给系统预留 2GB，两个参数合起来把显存峰值压住，先保证能出图。

8GB 档：速度与稳定兼顾

python main.py --fp16-unet

--fp16-unet 让主扩散模型用半精度运行，显存大约省一半，速度基本不掉。AMD 显卡用户再追加 --use-pytorch-cross-attention，选一套更稳的注意力实现。

12GB 以上档：把模型钉在显存里

python main.py --highvram

--highvram 让用过的模型继续留在显存里，反复生成同一个模型时不用来回搬运，模型切换和连续出图都会快一截。完整参数清单可以参考源码里的 comfy/cli_args.py。

三、进阶玩法：多GPU与批量任务

单卡到此为止。有多张卡时，有两种分工思路，先想清楚再选。

思路一：一个实例吃多卡。

python main.py --cuda-device 0,1 --default-device 0

这个实例同时看到 0 号和 1 号卡，以 0 号为主卡加载模型，第二张卡分担部分计算，适合单个工作流本身就很大的情况。内部分发的逻辑在 comfy/multigpu.py 里。

思路二：一卡一实例，拆开跑批量任务。

CUDA_VISIBLE_DEVICES=0 python main.py --port 8188 CUDA_VISIBLE_DEVICES=1 python main.py --port 8189

两个独立实例各占一张卡、各用各的端口，批量任务通过 API 把提示词分发给两个端口，吞吐量近似翻倍。Windows 下在批处理文件里先写 set CUDA_VISIBLE_DEVICES=0 再执行相同命令即可。

两种思路不要混用，分工方式只能二选一，否则显存会互相挤占，反而更慢。

四、效果达标了吗：三个可量化观察点

优化有没有起效，不靠体感，看三个数字。

1. 单张生成耗时：固定同一工作流、同一分辨率和步数，连跑三次取平均。
2. 峰值显存：用 nvidia-smi 或任务管理器盯着生成期间的最大值。
3. 跑完后的显存回落：开启 --highvram 后，任务结束时显存不应大幅释放，说明模型仍被钉在卡上。

行动清单

1. 记下你的显存容量和显卡品牌，从第二节选一条命令启动，先完整跑一次工作流。
2. 遇到 OOM 先追加 --reserve-vram 1 重试，不要急着降分辨率。
3. 12GB 以上显存开启 --highvram，确认同一模型反复生成时耗时稳定。
4. 双卡机器优先"一卡一实例"，用 API 分流批量任务，比单实例混用多卡更简单。
5. 每改一组参数，就用同一工作流连跑两次，记下耗时和峰值显存，只保留真正更快的那份配置。

【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/ComfyUI