企业官网建设流程全解析

ComfyUI 显存优化实战手册：从 OOM 报错到双卡批量出图

【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

[ComfyUI] Dynamic VRAM enabled, estimating memory pressure [ComfyUI] Model offloaded to CPU: clip_l.safetensors (1.5 GB) [ComfyUI] Loaded unet weights to GPU (7.9 / 12.0 GB)

这段启动日志来自一次真实场景：一位用户给 ComfyUI 加了--highvram，想"把显存用满"，结果 12GB 显卡在切换工作流时直接触发 OOM（显存不足的报错）。问题不在显卡，而在参数用反了。本文围绕 ComfyUI 显存优化与多 GPU 配置，给出按显存档位选默认参数、按场景上方案、排障速查与效果确认的完整做法，所有启动参数均可在 comfy/cli_args.py 中查证。

先定档：按显存容量选默认参数

ComfyUI 的显存档位与启动参数的定义位置见 comfy/model_management.py。不同显存容量，默认策略不同：

• 4GB 显存：显存紧张，用--lowvram让文本编码器跑在 CPU，并预留一部分给系统。

python main.py --lowvram --reserve-vram 0.5

为什么：文本编码器体积大，放 CPU 后 GPU 留给扩散模型，避免频繁换入换出。

• 8GB 显存：不加任何档位参数，交给默认行为。

python main.py

为什么：默认启用 Dynamic VRAM，会自动按实时显存压力决定模型放哪、何时卸载。

• 12GB+ 显存：模型常驻显存，减少切换开销。

python main.py --highvram

为什么：显存足够时，避免模型在 CPU/GPU 之间反复搬运。

按场景上方案

单卡跑图提速

日常单卡出图，瓶颈往往是精度和注意力计算，而不是档位参数。在默认档位之上叠加半精度与异步卸载即可：

python main.py --fp16-unet --bf16-vae --async-offload

--fp16-unet让扩散模型以 fp16 精度运行，--bf16-vae处理 VAE 解码。注意：Nvidia 卡上--async-offload默认已开启，可省略；AMD 卡如遇到偶发异常，可换--use-pytorch-cross-attention走 PyTorch 2.0 的交叉注意力路径，并用--disable-async-offload关闭异步卸载。

双卡批量出图的多实例部署

ComfyUI 单进程不会自动把一张工作流拆到两张卡上，批量场景的通用做法是多实例协作：每个实例用CUDA_VISIBLE_DEVICES绑定一块独立显卡，再换端口启动。

# 实例一，占用 GPU 0 CUDA_VISIBLE_DEVICES=0 python main.py --port 8188

# 实例二，占用 GPU 1 CUDA_VISIBLE_DEVICES=1 python main.py --port 8189

两个实例各自独立出图，再通过/prompt接口分发任务即可。这条路径适合离线批量，不适合交互式创作，也不解决"单任务双卡加速"的需求。

低显存救急

跑大模型时显存告急，可以叠加以下参数逐步降级：

• --lowvram：文本编码器移出 GPU；
• --novram：连 UNET 也基本放在 CPU 上，速度会明显下降；
• --fast-disk：用 SSD 承接动态卸载，缓解 RAM 与显存双重压力。

风险提醒：--novram本质是以速度换显存，生成耗时会成倍增加，建议只作为临时手段，而不是长期配置。

排障速查表

遇到异常时先查表定位，再动参数：

怎么确认优化生效

优化是否生效，看三个量化指标即可：

• 生成耗时：同一工作流、同一采样步数下的耗时；
• 峰值显存：任务执行期间的显存占用峰值；
• GPU 利用率：各卡的实际负载分布。

以下为一台 8GB 显卡的对比示例（示例数据，非实测）：

优化后配置为默认 Dynamic VRAM 加--fp16-unet，耗时下降主要来自精度减半与注意力路径优化，显存余量则来自默认档位对卸载时机的判断。

写在最后

ComfyUI 的显存管理默认已经相当聪明，绝大多数情况下"不加参数"就是最优解；真正需要调的只有两件事：按容量选档位，以及该上精度优化时上精度优化。多卡场景记住"一卡一实例"就够了。

后续可跟进：每个版本的发布说明中关注显存管理与多 GPU 相关的性能改动，尤其是 Dynamic VRAM 与--async-offload的默认行为变化。

【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