千元显卡玩转ComfyUI+Flux：本地部署与显存优化全攻略

说起本地部署ComfyUI和Flux，很多人的第一反应就是：这玩意不是得几万块的显卡才能跑吗？我一开始也这么想，直到自己用一千出头的二手卡把整套流程跑通，才知道以前被云API的价格吓到纯属浪费。这篇文章我把整个省钱方案的思路、硬件、安装、调优和踩坑记录一次写完。无论你是刚入门的萌新，还是被云端积分烧怕了的老用户，只要照着这篇动手，都能在自己电脑上稳定生成Flux高清图。

首先要明确一点：本地部署Flux并没有想象中那么困难，真正的门槛其实就两个——显存和模型文件选择。ComfyUI负责调度所有计算资源，Flux模型负责生成画质，两者配合好以后，你得到的是一台不会失效、不用排队、随时待命的私人出图机器。接下来我按从思路到实操的顺序，把每个环节都拆开讲清楚。

1. 为什么要本地部署Flux？先聊聊省钱的逻辑

1.1 云端API和本地部署的成本对比

先算一笔账。目前市面上的Flux生成API，便宜的按张计费，一张1024x1024的图大概在1毛到3毛人民币之间，贵的商业服务甚至按次按分辨率叠加收费。如果你只是偶尔生成几十张图，这个成本确实无所谓；但如果你做设计参考、批量出草稿、跑Lora测试，每天100张图很常见，一个月下来就是几百到上千元。这是实打实烧掉的现金流。

本地部署花的钱是一次性的：一张二手显卡、一块固态硬盘、每月多出来的电费。以我自己的配置为例，显卡是千元价位的12GB显存型号，满载跑图时整机功耗大概200多瓦，一小时电费按0.6元算，连跑3小时也就几毛钱。换句话说，只要你每个月有几百张的生成需求，本地部署的硬件成本在三四个月内就能回本，之后每次出图都接近免费。

除了钱，还有两个隐形成本。一是隐私：云端API生成的作品会经过服务商的服务器，涉及未公开的产品设计、敏感素材，你根本不知道数据会被怎么留存。二是稳定性：热门时段API经常排队、某些服务还会限流，而本地部署只要显卡不坏，想什么时候跑就什么时候跑，断电都不会有人管。

1.2 适合本地部署的人群与硬件底线

先说结论：并不是所有人都适合本地部署。如果你只是一个月玩几次，云端随开随用就够了，没必要折腾本地。但如果你是下面三种人，本地部署几乎必选：一是在校学生或自由创作者，整个月都在大量跑方案，积分根本不够用；二是设计公司想建内部出图服务，图不能外发；三是网络环境不稳定，在线服务时好时坏，本地部署能保证工作流不中断。

硬件底线方面，我强烈建议显存不低于8GB。8GB显存搭配量化模型和低显存模式，勉强能跑512到768分辨率的Flux，出图慢、容易爆显存，适合拿来体验，不适合作为主力。12GB显存是性价比甜点，可以舒适地跑1024x1024并开启大部分优化；16GB以上属于非常宽裕，24GB则几乎能跑原版高精度模型。除了显卡，内存建议16GB起步，32GB会很舒服，否则模型加载时可能先卡在内存上。

存储这块也别省。Flux的模型文件加起来少说30GB，加上ComfyUI和缓存，建议准备至少80GB可用空间，并且一定要放在固态硬盘里。我实测过机械硬盘加载模型要等一两分钟，固态硬盘十几秒就能进工作流，差距非常明显。

2. 核心方案选型：ComfyUI + Flux 的搭配思路

2.1 为什么选ComfyUI而不是WebUI

Flux模型出来后，很多用过SD WebUI的人习惯性想往WebUI里塞。但WebUI对Flux的支持一直比较别扭：模型结构特殊、需要单独指定文本编码器和VAE，WebUI的旧式加载逻辑经常识别不了，还要打各种补丁。相比之下，ComfyUI的节点式工作流天然就是为这种模块化模型准备的，加载器、采样器、解码器都是独立节点，你可以自由排列组合，思路清晰不容易出错。

ComfyUI另一个优势是显存调度做得更好。它默认按节点自动加载模型并释放显存，配合低显存模式后，能明显降低OOM几率。同样的Flux模型，在WebUI里可能需要16GB显存才能跑，到了ComfyUI里用GGUF量化加offload，8GB显存也能出图。这也是我最终选择ComfyUI的决定性原因。

如果你完全没接触过节点式工作流，说实话刚开始会有点懵，但请相信我，最多半天就能适应。节点就是一个个积木：你得把模型的加载、提示词输入、采样参数、图像输出按顺序连起来。每个节点上面有输入和输出端口，左键拖动连线，右键调参数，逻辑比WebUI那种固定表单直观得多。

2.2 Flux模型版本怎么选：dev、schnell、GGUF量化版本

现在说到重头戏。Flux官方发布了两个基础版本：Flux.1 Dev和Flux.1 Schnell。Dev版本画质更高，更适合作图和细节表现，但授权上有额外限制；Schnell版本开源、无授权限制，出图速度更快，但对提示词的理解和复杂构图稍弱一点。如果你做正经的项目图，老老实实用Dev；如果只是随手玩、批量生成灵感草稿，Schnell完全够用。

上面说的都是未量化的原版文件，体积非常吓人：光unet模型就要20多GB，加上文本编码器和VAE，全套超过30GB。对于显存不够大的机器，跑原版Flux基本等于灾难。所以低显存用户必须走量化路线。

目前主流的量化格式有FP8、NF4和GGUF。FP8权重占用大约12GB，画质损失很小，适合16GB显存以上的机器；NF4量化进一步压缩权重，占用可以压到10GB以内，画质略肉但可用；GGUF格式可以按Q2、Q4、Q5、Q8等档位自由选择，Q4档位权重体积只有原版的四分之一到三分之一，是8到12GB显存机型的最优解。下面这张表是我整理的选择建议：

注意，GGUF模型的加载方式和普通safetensors不一样，需要先安装ComfyUI-GGUF插件，再用专门的Unet Loader（GGUF）节点加载，否则ComfyUI根本不认这个文件。这个插件后面我会详细说。

2.3 省钱的关键：显存不够时怎么办

很多人以为省钱就是买便宜显卡，其实真正省钱的关键是让手上的显存发挥最大化。举个最简单的例子，同样是12GB显存的3060，有人能流畅跑1024x1024，有人却一张图就OOM，差别就在模型精度选择、Offload策略和采样参数上。

ComfyUI的模型调度有两种模式：一种是把所有模型都塞进显存里，速度最快但吃显存；另一种是按需加载部分模块到显存，其余放在内存里，用时再换进去，这就是--lowvram参数干的事。低显存用户开启这个模式后，即使显存只有8GB，也能勉强把Flux跑起来，代价是每步采样会多几次显存和内存的数据交换，速度慢个不少，但至少能用。

另一个被很多人忽略的是采样步数。Flux不需要像早期SD那样动辄50步，Dev模型一般20到28步就能出很干净的图，Schnell更是4到8步就够。把步数从40降到20，出图时间直接减半，很多人抱怨“本地Flux太慢”，其实多半是步数调太狠了。

3. 从零开始搭建本地环境（实操步骤）

3.1 Python环境与CUDA准备

如果你的电脑里还没有Python环境，先别急着装，先把显卡驱动搞定。打开设备管理器，确认显卡能被Windows识别，然后去NVIDIA官网下载最新驱动装上。接着在命令行输入nvidia-smi，看右上角CUDA Version，大于12.0就基本没有问题了。

ComfyUI的安装环境，我推荐直接用Python 3.10或3.11的64位版本，不要用最新的3.12和3.13。原因是很多底层库目前对3.12以上版本的支持还不太完善，装到一半容易报错。装Python的时候，记得勾选“Add Python to PATH”，这一步不勾，后面敲命令会非常痛苦。

然后是Git。Windows用户可以从官网下载Git安装包，无脑下一步装完。接着随便找个目录，打开命令行，输入：

git clone https://github.com/comfyanonymous/ComfyUI cd ComfyUI

如果网络特别慢，也可以直接到GitHub页面下载ZIP压缩包再解压，效果一样。一直下载失败的话，换个时间段多试几次就好。

最后创建虚拟环境。这一步很重要，不要图省事把依赖直接装到系统环境里，不然以后装别的AI工具冲突到你哭。创建和激活命令如下：

python -m venv venv venv\Scripts\activate

3.2 安装ComfyUI（含秋叶整合包说明和手动安装）

环境准备好后，进入ComfyUI目录，安装PyTorch和ComfyUI依赖。GPU版PyTorch一定要指定CUDA索引源，不然从PyPI默认装的是CPU版，白折腾半天。命令如下：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt

装完就可以试着启动：

python main.py

终端显示Starting server后，浏览器打开http://127.0.0.1:8188，看到节点画布就说明ComfyUI本体装成功了。默认工作流会要求你加载一个模型，这时候我们先跳过，直接关掉，去准备模型文件。

这部分对新手来说可能有点门槛，所以如果你完全不想折腾命令行，更推荐直接使用秋叶整合包。秋叶整合包本质上就是有人帮你把所有环境、依赖、插件全部打包好，解压后双击启动脚本就能用。它还把Python、Node、各种配置都集成在压缩包里，不会跟系统其他软件冲突。启动时选择GPU模式，等几秒就进界面。

用整合包有个非常关键的点：下载完成后一定要先关掉杀毒软件再解压。这类整合包经常被误报病毒，实际上只是里面包含了某些优化脚本和第三方插件，但杀毒软件分不清，直接给你删掉核心文件，启动必然失败。另外，整合包更新频率挺高，建议隔一两个月去发布页看有没有新版本，老版本有时候会出现Flux节点加载不兼容的问题。

3.3 下载Flux模型文件（文件名、路径、精度）

模型文件是本地部署里最容易出错的环节。以最常见的Flux.1 Dev量化方案为例，你需要准备四类文件：Unet模型（也就是扩散模型本体）、T5文本编码器、CLIP文本编码器、AutoEncoder（VAE）。如果没分清这些文件的类型，加载节点时就会找不到。

ComfyUI的模型目录结构是固定的，别放错位置。建议截图存档：

• Unet模型放到ComfyUI/models/unet/，文件一般是flux1-dev-fp8.safetensors或者flux1-dev-Q4_K_S.gguf
• T5编码器放到ComfyUI/models/clip/，文件名一般是t5xxl_fp16.safetensors
• CLIP编码器放到ComfyUI/models/clip/，文件名一般是clip_l.safetensors
• VAE放到ComfyUI/models/vae/，文件名一般是ae.safetensors

有些教程会把T5放到一个叫text_encoders的目录里，这个目录主要用于某些特殊工作流，和Flux配套的ComfyUI默认工作流不认。如果你在节点里找不到模型，第一反应先检查是不是放错了目录。

还有一个很容易踩的坑：模型文件下载不完整。Flux的模型动辄十几二十GB，断点续传时少传了几百MB，ComfyUI加载时不一定报文件缺失，而是报各种张量形状错误或Key不匹配。下载完成后，建议用文件哈希工具核对官方SHA256值，如果嫌麻烦，至少把文件大小和官方页面核对一下。

3.4 配置ComfyUI工作流（加载器、采样器节点）

模型文件就位后，打开ComfyUI，在默认工作流基础上改节点就能跑Flux。最简单的Flux文生图工作流包含下面这些节点：

1. Unet Loader：选择你下载的Unet模型文件。如果装的是GGUF量化模型，要用Unet Loader (GGUF)节点。
2. CLIP Loader：选择t5xxl_fp16.safetensors；再添加一个CLIP Loader，选择clip_l.safetensors，两个文本编码器都要加载。
3. VAE Loader：选择ae.safetensors。
4. CLIP Text Encode：分别连接两个CLIP节点到正向和负向提示词编码节点。Flux的负向提示词一般留空就行。
5. Empty Latent Image：设置宽度、高度为1024、1024，batch size按需调整。
6. KSampler：这是核心采样器，种子随意，steps设置20到28，cfg设置3.5（不包括Schnell，Schnell不需要guidance），sampler_name选euler，scheduler选simple。
7. VAE Decode：把采样结果从潜空间解码成像素图。
8. Save Image：保存最终图片。

连接关系一句话概括：两个文本编码器把提示词变成向量，Unet在潜空间里按采样器参数逐步去噪，VAE把结果解码成图片。新手最容易犯的错是把T5和CLIP的连线搞混，或者以为CFG越大画质越好。Flux对CFG非常敏感，Dev默认3.5左右，超过8基本废了，Schnell更是直接不吃CFG，设置成1.0就行。

如果觉得手搓节点太麻烦，ComfyUI-Flux插件提供了Flux Loader和Flux Block Swap等专用节点，把多个加载器压缩成一个。装上插件后，新建工作流搜索模板，选一个Flux模板就能自动生成完整连线，省去很多重复操作。我等下在第4节详细说插件安装方法。

4. 省钱运行方案实测：各项参数调优

4.1 显存占用与速度实测（不同显卡/量化组合）

很多人在评论区问我，到底什么显卡能跑Flux？与其空谈参数，不如上实测数据。下面是我在几台不同配置机器上，用统一工作流跑1024x1024图片、20步采样得到的大致数据。不同显卡驱动、后台负载都会影响结果，所以我说个大概范围，给大家做参考。

从上表能看出，8GB显存是能不能跑的分界，12GB才是真正能舒服用的起点。如果你预算有限，别盲目追新卡，二手的RTX 3060 12GB性价比真的无敌。顺便提一句，如果你只有6GB显存，也不是完全不能用，把分辨率降到512x512，采样步数降到12步左右，配合GGUF Q4量化，也能出图，只是画质和速度都妥协，应急可以，主力不建议。

4.2 开启加速选项：Torch.compile、SageAttention

硬件到位只是第一步，软件优化还能再薅一波性能。ComfyUI启动时加--fast参数，会开启一系列优化，包括Pytorch自带的图模式和缓存策略，原理是让模型算子预先融合，减少调度开销。实测下来，20步采样大概能提速10%到20%，代价是第一次跑某尺寸时会有几十秒的编译等待，之后就正常了。

另一个重点优化是SageAttention，它用自定义的注意力算子替代PyTorch默认实现，在图像生成这类需要大量注意力计算的场景里，效果非常明显。安装方式是在ComfyUI Manager里搜索ComfyUI-SageAttention，一键安装后重启ComfyUI，再在采样器节点中把注意力模式切换成SageAttention即可。需要注意的是，这个插件需要单独的编译库，Windows下装起来有点麻烦，如果装不上，用xformers也能替代一部分优化效果。

低显存用户的启动参数我额外推荐这个组合：

python main.py --lowvram --fast

注意，--lowvram和--highvram不能同时开。如果你显卡24GB以上，反而不要开lowvram，因为它会强制频繁换入换出模型，白白降低速度。同理，--fast在个别老旧显卡上可能因为算子不兼容报错，遇到问题就把它去掉再用。

4.3 工作流节点优化与缓存设置

模型装载和缓存策略也会影响整体体验。ComfyUI默认会缓存已加载的模型，如果你在一个工作流里反复切换模型，缓存可能会导致显存占用一路飙升，直到OOM。遇到这种情况，可以在启动时加--cache-none禁用所有模型缓存，或者只保留L2级缓存。我不建议一上来就全部禁止，因为缓存能显著加快同一模型连续生成的速度，只要不OOM就别动它。

出图分辨率对显存的影响是立体的。以Flux的潜空间结构来说，1024x1024已经能覆盖90%的使用场景，硬要挑战2048x2048，显存占用会呈指数级上升。如果真的需要大图，建议先用1024出图，再用ComfyUI的Upscale Image节点配合放大模型，二次放大到2048甚至更高，省显存而且画质更可控。

最后分享一个工作流层面的习惯：每次调好参数、跑通一个效果，记得把工作流用Export保存成JSON文件。Flux的参数组合非常玄学，下次想要复现同样的风格，直接导入JSON就行了，不用再回忆当时选的是什么采样器、什么调度器。我自己已经积累了三十多个模板，全部存在工作流文件夹里，用起来比云端提示词库还顺手。

5. 常见问题与排查实录

5.1 启动报错：缺少依赖、版本冲突

我刚开始手动安装时，最崩溃的报错就是ModuleNotFoundError: No module named 'torch'。后来才发现是虚拟环境没激活，或者激活后又用了系统Python启动的ComfyUI。解决办法很简单：启动前先确认命令行前缀显示(venv)，再执行安装和启动命令。

另一个高频问题是undefined symbol或CUDA driver version is insufficient，这大概率是PyTorch版本和显卡驱动不匹配。先升级显卡驱动，然后卸载重装PyTorch，保证上面安装命令中的CUDA版本和驱动支持的版本一致。注意，PyTorch对CUDA版本向下兼容，驱动支持12.1，那cu121和cu118都能跑；反过来驱动只支持11.8，装cu121就会报错。

如果你是秋叶整合包用户，遇到启动框一闪而过，优先检查解压时有没有被360或Windows Defender删掉文件。实在不行，直接在浏览器打开http://127.0.0.1:8188，如果页面能打开但马上关闭，多半是端口被占用，把ComfyUI的配置端口改掉即可。

5.2 推理时爆显存

爆显存是最多新手问的问题，我记得自己第一次跑Flux，就是在Image Generate阶段直接CUDA out of memory。当时的配置是8GB显卡+FP8模型，在1024分辨率下想都不想就直接跑。后来换了GGUF Q4模型，开低显存模式，瞬间稳了。所以爆显存的第一优先策略永远是降模型精度，而不是买新显卡。

如果你已经在用Q4量化，依然爆显存，试试下面三个调整：第一，把分辨率降到768以下；第二，把batch size保持为1，别贪；第三，启动ComfyUI前关掉浏览器里那些吃显卡的页面，Chrome硬件加速对显存占用尤其凶猛。还有一个隐藏技巧：在系统环境变量里加一行PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True，让PyTorch可以动态扩展显存片段，对碎片化导致的OOM有奇效。

如果上面都不行，最后大招是用CPU Offload方案，也就是图片加载时把T5和VAE放回内存，只在Unet采样时用显存。这个方法牺牲速度但保住出图能力，具体做法是在启动参数里加--cpu-vae和--fast，秋叶整合包则可以勾选“启用低显存模式”。记住，这样跑出来的图，可能在生成后期变慢，别以为是死机了，耐心等就行。

5.3 出图速度慢

出图慢分两种情况：一种是真的速度低于预期，另一种是单张速度正常但是连续出图时卡顿。先说第一种，速度慢往往是GPU没被用起来。打开任务管理器或nvidia-smi，如果生成时GPU利用率只有30%，大概率是模型加载和卸载太过频繁，或者依赖的库没装对。确认你的PyTorch是GPU版，方法是在ComfyUI终端里敲一行：

import torch print(torch.cuda.is_available())

输出True就正常，输出False说明装了CPU版，按第3.2节重新安装GPU版。

第二种情况，连续出图时第一张很慢、后面的图快很多，这是模型缓存和编译优化的正常表现，不用焦虑。如果每一张都慢，但GPU利用率很高，那就真的是硬件瓶颈，只能降低采样步数、降低分辨率，或者考虑升级显卡。另外，把工作流里的图像预览节点删掉，也能省下不少资源，毕竟每秒刷新预览图也是一笔开销。

5.4 模型加载失败：文件路径、精度不匹配

模型文件齐全但加载节点找不到文件，99%是文件放错了目录或者扩展名不对。ComfyUI对文件名和格式很严格，GGUF文件必须用ComfyUI-GGUF扩展的节点加载，FP8的safetensors文件则要用普通Unet Loader加载。如果你加载的是FP8模型，却套用了原生FP16的加载流程，也可能出现维度不匹配的报错。

另一个比较容易踩的坑是T5文本编码器加载报KeyError。有人下载的T5文件其实是旧版T5格式，缺少Flux需要的某些权值。解决方法是去官方仓库重新下载标记为t5xxl_fp16的文件，并且确认它真的放进models/clip/目录。别自作聪明改文件名，ComfyUI认文件名，但不认“优化过”的名字。

如果加载VAE时报config相关错误，大概率是下载的VAE文件是SD1.5或其他模型通用的VAE，不是Flux专用VAE。Flux的VAE文件名通常是ae.safetensors，体积约335MB，跟其他开源VAE体积差距很大。看到体积不对，就别浪费时间调试了，直接换文件。

5.5 一些容易忽略的细节

写了这么多，最后再按记忆整理几个容易忽略但实际很影响体验的细节。第一，模型文件和ComfyUI本体最好放在同一块固态硬盘里，跨盘读取会拖慢模型加载；第二，遇到界面卡顿，先把浏览器缓存清一下，ComfyUI的前端资源偶尔会残留旧版脚本；第三，不要看到新版功能就去更新，更新前备份当前能用的整个ComfyUI目录，花不了多少时间，能救命。

还有，Flux对提示词可以采用很自然的描述，不需要像SD那样堆砌一堆质量词。像“a photo of a cat”这种简洁清晰的描述，反而比密密麻麻的prompt更稳定。不要被网上的提示词模板带偏了，Flux理解自然语言的能力远超你的想象。

最后说点掏心窝的话。我自己从云API转本地部署，最大感受是心态变了：以前每出一张图都像在花钱，不敢试错；现在显卡是自己的，参数随便调，跑废了最多费几毛电费。这种自由感，比省下来的钱更值。如果你正犹豫入门Flux，手里又不想投太多钱，别被那些几十GB的原版模型吓退，按这篇文章走GGUF量化路线，一千多块钱的二手卡也能玩得很开心。祝大家出图顺利。