1. 模型下载这件事，为什么值得单独拎出来讲
刚接触 ComfyUI 的人，十有八九卡在第一步：节点装好了，界面也跑起来了，结果一拉工作流，满屏红框提示缺模型。这时候才意识到，ComfyUI 本身只是个调度器，真正干活的是背后那些几 GB 到十几 GB 的模型文件。模型没到位，再漂亮的工作流也是空转。
我自己从 SD1.5 时代一路用到 SDXL、Flux，踩过的坑基本都和"模型从哪来、放哪里、怎么选"有关。有人下载了 Flux 的 fp32 版本，20 多 GB 塞进 8G 显存的卡里直接爆；有人把 SDXL 的模型丢进 SD1.5 的目录，加载时报一堆维度不匹配；还有人分不清 checkpoint、LoRA、VAE、ControlNet 各自该放哪个文件夹，来回折腾一整天。
这篇内容就是把这些零散的经验整理成一份可查、可复现的参考。核心围绕三类主流模型——SD1.5、SDXL、Flux——讲清楚它们的下载渠道、文件类型、存放路径、显存匹配，以及低配置机器怎么极限调试。适合刚装完 ComfyUI 的新手，也适合想系统梳理模型体系的老玩家。文中涉及的下载渠道以公开的模型托管平台和社区镜像为主，不涉及任何特殊网络手段，全部是正常可访问的资源。
2. 先搞懂模型体系，再谈下载
2.1 ComfyUI 里到底有哪几类模型文件
很多人一上来就问"模型下载地址"，但其实"模型"是个笼统说法。ComfyUI 生态里至少有六类文件，用途完全不同，放错位置就是白下。
| 文件类型 | 作用 | 典型体积 | 存放目录 |
|---|---|---|---|
| Checkpoint（大模型） | 决定整体画风和基础能力 | 2G~24G | models/checkpoints |
| LoRA | 微调风格、人物、动作 | 10M~500M | models/loras |
| VAE | 负责色彩解码，影响画面通透度 | 300M~800M | models/vae |
| ControlNet | 控制构图、姿态、线稿 | 1G~2.5G | models/controlnet |
| Embedding | 负面提示词封装 | 几KB~几MB | models/embeddings |
| Upscale 模型 | 放大、超分 | 10M~200M | models/upscale_models |
搞清这张表，你就明白为什么有人下载了一堆文件却用不上——类型和目录对不上，ComfyUI 根本扫不到。
2.2 SD1.5、SDXL、Flux 三代模型的本质差异
这三者不是简单的版本迭代，而是架构层面的代际差异，直接决定了你的硬件门槛和使用方式。
SD1.5是 2022 年的老架构，参数量约 8.6 亿，UNet 结构。优点是生态极其成熟，LoRA、ControlNet、各种微调模型多到用不完，6G 显存就能跑，甚至 4G 靠优化也能勉强出图。缺点是原生分辨率只有 512×512，画大图容易崩，手部细节经常翻车。
SDXL是 2023 年的升级版，参数量涨到约 26 亿，用了双文本编码器（CLIP-L + OpenCLIP-G）。原生分辨率 1024×1024，构图和细节明显强于 SD1.5。代价是显存需求上去了，8G 是舒适线，6G 需要开--lowvram之类的优化。
Flux是 2024 年 Black Forest Labs 推出的新架构，基于 Transformer 的 DiT 结构，参数量达到 120 亿。它的文本理解能力和画面质量是断层式领先，尤其是文字渲染和复杂提示词遵循。但门槛也高：fp16 版本约 23G，量化版 fp8 约 11G，再往下还有 GGUF 量化能压到 6G 左右。8G 显存跑 Flux 需要量化 + 分块加载，6G 基本只能靠 GGUF 的 Q4 级别硬撑。
提示：选模型先看显卡。8G 以下优先 SD1.5，8G~12G 可以玩 SDXL 和 Flux 量化版，16G 以上才谈得上流畅跑 Flux 全精度。
2.3 下载渠道的几种类型与取舍
模型托管平台大致分三类，各有适用场景。
第一类是官方或机构发布页，比如 Stability AI、Black Forest Labs 的官方仓库。优点是文件权威、版本清晰，缺点是下载速度看运气，大文件经常断。
第二类是社区模型站，模型数量最多，LoRA 和微调模型基本都在这类平台。优点是分类细、有预览图和用户评价，能直接看到别人用什么参数跑出来的效果。缺点是需要注册，部分模型有使用条款限制。
第三类是国内镜像与整合包。秋叶整合包是典型代表，它把 ComfyUI 本体、常用插件、基础模型打包在一起，省去大量配置时间。镜像站则解决了大文件下载慢的问题，很多平台提供加速下载。用镜像时要注意文件完整性校验，避免下到损坏的分片。
3. 三类模型的下载与配置实操
3.1 SD1.5 模型：生态最全，新手起步首选
SD1.5 的 checkpoint 体积通常在 2G~7G 之间，常见的有 pruned（剪枝）和 full（完整）两个版本。剪枝版去掉了训练用的冗余权重，体积小、加载快，日常出图完全够用，优先选 pruned。
下载时认准.safetensors格式，不要用.ckpt。原因很实际：.ckpt是 pickle 序列化格式，理论上可以嵌入可执行代码，来源不明的.ckpt存在安全风险；.safetensors是纯张量存储，只读、安全、加载也更快。
放置路径：
ComfyUI/models/checkpoints/你的模型.safetensors放好后在 ComfyUI 里点刷新，Load Checkpoint节点的下拉框就能看到。如果没出现，先检查文件是不是放在了checkpoints根目录下——有些人习惯再建一层子文件夹，ComfyUI 默认是支持子目录递归扫描的，但老版本可能扫不到，建议直接放根目录。
SD1.5 的 VAE 经常需要单独替换。很多模型内置 VAE 偏灰、偏糊，换成vae-ft-mse-840000这类通用 VAE 后画面会通透不少。VAE 放models/vae，然后在工作流里用VAELoader节点单独加载，再接到VAEDecode上。
3.2 SDXL 模型：画质与显存的平衡点
SDXL 的 checkpoint 普遍在 6G~7G，比 SD1.5 大一倍多。它有两个文本编码器，所以加载时显存占用更高。8G 显存跑 1024×1024 基本没问题，但如果你同时挂了多个 ControlNet，就要留意爆显存。
SDXL 有个容易踩的坑：base 模型和 refiner 模型。早期 SDXL 分两段式，base 出图、refiner 精修。现在大部分整合模型已经把两者合并，直接用单个 checkpoint 即可。如果你下载的是分离版本，工作流里需要串两个KSampler，第一段用 base，第二段切 refiner，且第二段的 denoise 要设成 0.2 左右，太高会破坏构图。
SDXL 的 LoRA 和 SD1.5 不通用，别混用。判断方法很简单：看模型页面的 base model 标注，写的是 SDXL 1.0 就只能配 SDXL 的 checkpoint。
3.3 Flux 模型：新架构的下载与量化选择
Flux 是目前最值得投入的新架构，但下载前必须先决定用哪个版本。官方发布的主要有这几个：
- Flux.1 Pro：闭源，只能通过 API 调用，不提供权重下载。
- Flux.1 Dev：开源但非商用，fp16 约 23G，fp8 约 11G，质量接近 Pro。
- Flux.1 Schnell：开源可商用，4 步就能出图，速度快，质量略低于 Dev。
对个人玩家来说，Dev 的 fp8 版本是性价比最高的选择。11G 的体积，配合 ComfyUI 的分块加载，12G 显存能跑，8G 显存需要开--lowvram并接受较慢的速度。
如果显存实在紧张，就上GGUF 量化版。GGUF 是 llama.cpp 社区搞出来的量化格式，ComfyUI 通过ComfyUI-GGUF插件支持。量化等级从 Q2 到 Q8，数字越大质量越好、体积越大。实测 Q4_K_S 在 8G 显存上能跑，出图质量相比 fp8 有可见下降但可接受；Q8 接近 fp8 水平，但体积也接近。
Flux 还需要配套的文本编码器，通常是t5xxl和clip_l两个文件，分别放在models/clip目录。这两个文件加起来也有几个 G，别漏下。另外 Flux 用的 VAE 是独立的ae.safetensors，放models/vae。
注意：Flux 的目录结构和 SD1.5/SDXL 不同，它把 UNet、CLIP、VAE 拆成独立文件，工作流里要用
UNETLoader、DualCLIPLoader、VAELoader分别加载，不能像 SD1.5 那样一个Load Checkpoint搞定。
3.4 低配置机器的极限调试思路
手上有台 10700 + 32G 内存 + 2070 8G 的机器，想跑 Flux，这是很多人的真实处境。2070 是 Turing 架构，不支持 fp8 的原生加速，但能跑。思路是这样：
第一步，用 GGUF 的 Q4 或 Q5 量化版，把 UNet 压到 6G 以内。第二步，文本编码器用 fp8 或 GGUF 量化版，t5xxl 单独占显存很凶，量化后能省 2G 左右。第三步，启动参数加--lowvram，让 ComfyUI 把不用的层换出到内存。第四步，分辨率从 1024 降到 768 或 832，出图后再用放大模型超分。
这套组合实测能出图，单张 1024 图大概 2~4 分钟，慢但能用。如果嫌慢，就退回 SDXL，同样的机器跑 SDXL 只要 20~40 秒一张，体验好得多。
4. 下载加速与文件管理技巧
4.1 大文件下载慢的几种应对方式
模型动辄十几 G，下载慢是常态。几个实用做法：
优先找国内镜像站。很多模型托管平台在国内有镜像节点，速度能到几 MB/s 甚至十几 MB/s。用镜像时注意核对文件的 SHA256，镜像同步偶尔会滞后或出错。
用下载工具的多线程。浏览器单线程下载大文件容易断，换成支持多线程和断点续传的工具，稳定性提升明显。命令行的话，aria2c是经典选择：
aria2c -x 16 -s 16 -k 1M "模型下载链接"-x 16是单服务器最大连接数，-s 16是分片数，-k 1M是分片大小。这套参数对支持多线程的服务器效果很好。
如果平台提供CLI 工具，直接用官方命令行下载往往比网页快，还支持批量。比如 Hugging Face 的huggingface-cli：
huggingface-cli download 仓库名 文件名 --local-dir ./models配合国内镜像环境变量，速度会有明显改善。
4.2 模型目录规划与命名规范
下多了模型，目录会乱成一锅粥。我的做法是按"类型/基础架构/用途"三层组织：
models/ ├── checkpoints/ │ ├── sd15/ │ ├── sdxl/ │ └── flux/ ├── loras/ │ ├── sd15/ │ └── sdxl/ ├── vae/ ├── controlnet/ └── clip/命名上带上前缀，比如sd15_realisticVision_v6.safetensors、sdxl_juggernaut_xl.safetensors。这样在 ComfyUI 的下拉框里一眼就能分清哪个是哪个架构的，避免选错。
4.3 文件完整性校验不能省
大文件下载中断、镜像同步出错，都会导致模型损坏。加载时报"unexpected end of file"或者直接崩溃，八成是文件不完整。
校验方法：下载页面通常会提供 SHA256 值，本地算一遍对比。
# Linux / macOS shasum -a 256 模型文件.safetensors # Windows PowerShell Get-FileHash 模型文件.safetensors -Algorithm SHA256值对不上就重新下，别抱侥幸心理。损坏的模型有时能加载但出图异常，排查起来更费劲。
5. 常见问题与排查速查
5.1 模型加载报错的典型原因
| 报错信息 | 可能原因 | 解决方式 |
|---|---|---|
Cannot find checkpoint | 文件没放对目录 | 确认在models/checkpoints下 |
size mismatch | 架构不匹配 | SD1.5 的 LoRA 别配 SDXL |
unexpected end of file | 文件损坏 | 重新下载并校验 SHA256 |
CUDA out of memory | 显存不足 | 加--lowvram或换量化版 |
No module named | 插件缺失 | 装对应自定义节点 |
5.2 显存不足的分级处理
显存爆了别急着换卡，按这个顺序试：
先降分辨率。1024 降到 768，显存占用能少三成。再开启动参数，--lowvram适合 6G~8G，--medvram适合 8G~12G。然后换量化模型，Flux 从 fp8 换 GGUF Q4。最后关掉不必要的节点，比如同时挂三个 ControlNet 就是自找麻烦。
5.3 模型选错的识别方法
出图风格完全不对、提示词不生效、画面糊成一团，先怀疑模型选错。检查工作流里Load Checkpoint节点选的是不是你以为的那个。SDXL 模型配 SD1.5 的 LoRA，通常不会报错，但效果会诡异——LoRA 权重被强行套到不匹配的架构上，出来的东西四不像。
5.4 下载到一半失败的续传
用支持断点续传的工具，失败后重新执行同一命令即可续传。浏览器下载的话，删掉.crdownload或.part临时文件重来。aria2c 的续传是自动的，重新跑命令会从断点继续。
6. 我踩过的几个坑和一点心得
第一个坑是盲目追新。Flux 刚出的时候我第一时间下了 fp16 全量版，23G 塞进 8G 卡，折腾一晚上没跑起来，最后还是老老实实换 GGUF。新架构不等于适合你的硬件，先看显存再决定。
第二个坑是目录混放。早期我把 SD1.5 和 SDXL 的 checkpoint 全堆在checkpoints根目录，下拉框里几十个名字，选错是家常便饭。后来按架构分文件夹，清爽多了。
第三个坑是忽略 VAE。有段时间出图总是灰蒙蒙的，换了几个 checkpoint 都没用，最后发现是 VAE 的问题。SD1.5 时代很多模型内置 VAE 质量一般，单独挂一个vae-ft-mse-840000立刻不一样。
关于下载渠道，我的建议是：主力模型走官方或大平台，LoRA 和风格模型走社区。官方渠道版本清晰、文件可靠，社区渠道选择多、有预览参考。国内镜像用来解决速度问题，但下完一定校验。
最后分享一个管理技巧：给每个下载的模型建一个.txt备注，记下来源链接、下载日期、SHA256、配套的推荐参数（采样器、步数、CFG）。模型多了以后，这个备注能帮你省下大量回忆和试错的时间。我现在有上百个模型文件，全靠这套备注管理，换机器迁移时也不会抓瞎。
