ComfyUI性能优化实战：按显存档位选参数，从OOM到多卡并行

ComfyUI性能优化实战：按显存档位选参数，从OOM到多卡并行

【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

如果你的 ComfyUI 队列一直转圈、终端里跳出CUDA out of memory，或者家里插了两张卡却始终只有一张在干活，那问题多半不在工作流，而在启动参数。ComfyUI 是一个节点式的扩散模型 GUI、API 与后端，它的速度上限很大程度由显存管理策略和注意力后端决定。这篇 ComfyUI 性能优化速查按硬件分档整理，你对着自己的显卡对号入座即可，不需要从头到尾读。

显存档位速查：按你的卡挑一套启动参数

ComfyUI 默认使用动态显存管理，模型用完后会卸载回内存，多数情况下"不填参数"已经是合理起点。下面三张配置卡覆盖最常见的显存区间，直接复制启动命令即可。

显存档位	推荐启动参数	注意事项
4GB	--lowvram --reserve-vram 1	文本编码器放内存运行，速度慢但稳
8GB	--fp16-unet	UNet 用半精度，显存占用约减半
12GB+	--highvram加注意力参数	模型常驻显存，省去反复装卸的开销

以 8GB 档为例，在仓库根目录执行：

python main.py --fp16-unet

4GB 卡的启动命令同理：

python main.py --lowvram --reserve-vram 1

--reserve-vram 1的意思是给系统和桌面进程留出 1GB 显存余量，数值可按你的系统负载微调。12GB 以上显存时加上--highvram，配合下一节的注意力参数效果最明显。

Nvidia 与 AMD：注意力后端怎么选

注意力计算是扩散采样里的算力大头，选对后端比调其他参数更有效。Nvidia 与 AMD 的默认路径不同，这是 ComfyUI xformers 配置差异的核心。

Nvidia 显卡

Nvidia 环境下 ComfyUI 会优先使用已安装的 xformers，通常无需额外操作。如果你的驱动和 CUDA 较新，可以显式指定更快的后端：

python main.py --use-flash-attention

量化友好的 Sage Attention 也是选项之一（--use-sage-attention）。若某个后端在你的环境里出图异常，用--disable-xformers强制回退到原生实现，再排查。

AMD 显卡（ROCm 6.4+）

AMD 路线上 xformers 支持有限，推荐直接用 PyTorch 2.0 的交叉注意力实现：

python main.py --use-pytorch-cross-attention --fp16-unet

如果出图发黑或数值异常，可以尝试--force-upcast-attention强制把注意力上转回高精度。完整参数清单都在 comfy/cli_args.py 里，遇到不认识的开关可以翻源码里的 help 说明。

OOM 报错或卡顿时，先查这张急救表

把症状和参数对应起来，比盲目换配置更快定位问题。以下四行覆盖了最高频的 ComfyUI OOM 场景：

症状	先看哪里	可调整的参数
生成中途 OOM	显存余量是否够装当前模型	--reserve-vram调小预留、或--lowvram把文本编码器挪到 CPU
首张图慢、后续明显变快	模型反复装卸带来的固定开销	显存富余时加--highvram让模型常驻
多张大模型交替使用时频繁掉卡	智能显存把模型留在显存里放不下	--disable-smart-memory强制卸载到内存
AMD 卡出图发黑或报错	注意力后端未正确启用	--use-pytorch-cross-attention

定位时建议打开详细日志，观察显存报告的输出：

python main.py --verbose

启动阶段的日志会打印检测到的 GPU、显存总量和 ComfyUI 选定的 VRAM 模式，确认它"看到"的显存是否符合预期，是排查的第一步。

ComfyUI 多GPU实战：指定主卡与多实例并行

ComfyUI 不会在单进程内自动做跨卡负载均衡，多卡要靠系统级手段分工，下面两种用法按场景选。

🔌 场景一：指定主卡

多张卡但只需要一张跑生成任务时，用环境变量锁定主卡，避免 ComfyUI 挑到显存被占满的那张：

CUDA_VISIBLE_DEVICES=0 python main.py --highvram

场景二：多实例并行跑批量任务

批量出图（比如跑 blueprints/ 里的一组官方示例工作流）时，每张卡起一个独立实例，各自监听不同端口：

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

之后通过 API 把任务轮询分发到 8188 和 8189 两个端口，总吞吐近似线性翻倍。注意两个实例会各自加载一份模型，系统内存要留足空间。

优化前后怎么验证：记录三个指标

优化是否生效不能凭感觉，建议先记录一组基线，改参数后重跑同一工作流对比。看三个数就够：

1. 单图生成耗时：同一工作流连跑 3 次取中位数，排除首张图的冷启动影响。
2. 显存峰值：生成期间用nvidia-smi -l 1观察峰值，确认没有贴着上限跑。
3. 多卡利用率：多实例部署时逐卡看负载，确认任务真的摊到了第二张卡。

下面这张图展示了 ComfyUI 模型组合的标准工作流，了解耗时花在哪个环节（Checkpoint 加载、采样还是 VAE 解码），才能判断该优化哪一步：

对比出图时，固定提示词、种子和分辨率，只改配置。例如有用户把注意力后端从默认切到 Flash Attention 后，一张 512x512 的生成时间从约 40 秒降到约 20 秒（示例数据，具体数值取决于你的硬件和模型）。下面是项目自带的示例生成图，可当作出图效果的对照样本：

收尾：先让一套参数稳定跑通

ComfyUI 性能优化的核心不是堆参数，而是让显存档位、注意力后端和你的实际硬件对齐：小显存保稳定，大显存保吞吐，多卡靠端口分工。下一步很简单——按上面的速查表挑一套命令，记录今天的基线数据，然后从最保守的改动开始逐项调整。

【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