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WebUIFlux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VAEWebUI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offload8GB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显卡显存推荐方案模型文件示例出图分辨率8GBGGUF Q4量化 低显存模式flux1-dev-Q4_K_S.gguf512~76812GBGGUF Q5/Q8 或 NF4flux1-dev-Q5_K_S.gguf / fp8102416GBFP8权重flux1-dev-fp8.safetensors1024~153624GB原版FP16flux1-dev.safetensors2048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 LoaderGGUF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\activate3.2 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、AutoEncoderVAE。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.ggufT5编码器放到ComfyUI/models/clip/文件名一般是t5xxl_fp16.safetensorsCLIP编码器放到ComfyUI/models/clip/文件名一般是clip_l.safetensorsVAE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MBComfyUI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。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。VAE Loader选择ae.safetensors。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。Empty Latent Image设置宽度、高度为1024、1024batch size按需调整。KSampler这是核心采样器种子随意steps设置20到28cfg设置3.5不包括SchnellSchnell不需要guidancesampler_name选eulerscheduler选simple。VAE Decode把采样结果从潜空间解码成像素图。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。显卡显存量化方案显存占用出图耗时体验评价GTX 1660 Super6GBGGUF Q4 低显存模式约5GB5~6分钟能出图但很煎熬仅适合验证流程RTX 306012GBGGUF Q4约8GB约80秒性价比首选日常使用完全够RTX 306012GBFP8约11GB约60秒画质更好显存接近极限RTX 4060 Ti16GBFP8约10GB约45秒速度和显存都很均衡RTX 308010GBGGUF Q8约9GB约50秒出图稳定但不适合大batch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_CONFexpandable_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。