1. 为什么要在迷你机上折腾本地画图
手里有台迷你主机，平时当个轻量服务器用，跑跑脚本、挂点小服务，功耗低、噪音小，放在桌角几乎感觉不到它的存在。某天突发奇想：这玩意儿能不能自己画画？不是调用在线接口，而是把模型完整跑在本地，断网也能出图。这个念头一冒出来就压不住了。
说干就干。目标很明确：在一台没有独立显卡、只有核显的迷你主机上，用Qwen-Image 2.1的GGUF量化版本，配合ComfyUI搭建一套完整的本地出图环境。整个过程涉及PyTorch环境搭建、ROCm或 CPU 推理路径的选择、GGUF 模型的部署与加载，以及 ComfyUI 工作流的配置。适合手里有类似设备、想尝试本地 AI 绘画但不想投入太多硬件成本的朋友参考。
先交代一下设备情况。这台迷你机是 AMD 平台的，CPU 是 Ryzen 7 7840HS，核显是 Radeon 780M，内存 32GB DDR5，硬盘 1TB NVMe。系统是 Windows 11，但考虑到后续可能要用 WSL 跑一些 Linux 下的工具链，也预留了 WSL2 的环境。这个配置在迷你机里算中上水平，但和动辄 12GB 显存起步的独立显卡相比，差距还是肉眼可见的。
为什么选 Qwen-Image 2.1 而不是其他模型？原因有几个。第一，Qwen-Image 系列对中文提示词的理解确实到位，很多模型对中文的支持是“能看懂但画不对”，而 Qwen-Image 在中文语义对齐上做得比较扎实。第二，2.1 版本在图像质量和生成速度之间做了更好的平衡，尤其是 GGUF 量化版出来后，对低显存甚至纯 CPU 推理的场景友好了很多。第三，ComfyUI 生态里已经有现成的 Qwen-Image 节点支持，工作流搭建成本低。
至于为什么用 GGUF 而不是原版 safetensors，核心原因就一个字：省。GGUF 量化能把模型体积压缩到原来的三分之一甚至更小，同时推理时的内存占用也大幅下降。对于迷你机这种内存和显存都捉襟见肘的设备来说，GGUF 几乎是唯一可行的选择。当然，量化必然带来精度损失，但实测下来 Q4_K_M 级别的量化在出图质量上与原版的差距，肉眼几乎很难分辨。
ComfyUI 的选择就更自然了。它本身就是节点式工作流，灵活度高，社区插件丰富，而且对 GGUF 模型的支持已经比较成熟。相比 WebUI 那种“一键式”的界面，ComfyUI 虽然上手门槛稍高，但一旦搭好工作流，后续调整参数、替换模型、批量出图都更方便。更重要的是，ComfyUI 对低显存设备的优化做得不错，可以通过--lowvram等启动参数进一步降低显存压力。
整个项目的核心思路可以概括为：用 GGUF 量化把模型“瘦身”，用 ComfyUI 做推理调度，用 PyTorch 作为底层计算框架，在迷你机的核显或 CPU 上跑通完整的出图流程。听起来简单，但实际操作中踩的坑不少，下面逐一拆解。
2. 环境搭建：从 PyTorch 到 ComfyUI 的完整链路
2.1 PyTorch 安装：版本匹配是第一个坎
PyTorch 是整个推理链路的底层框架，ComfyUI 和 GGUF 加载器都依赖它。在迷你机上装 PyTorch，第一个要面对的问题就是：装哪个版本？CPU 版还是 GPU 版？
这台迷你机的核显是 Radeon 780M，基于 RDNA3 架构。AMD 在 Windows 下的 ROCm 支持一直是个老大难问题，官方对消费级核显的 ROCm 支持并不完整。我试过直接装 ROCm 版的 PyTorch，结果就是各种报错，要么是设备识别不到，要么是算子不支持。后来查了一圈资料，发现 780M 在 Windows 下跑 ROCm 的坑太多，果断转向 CPU 推理方案。
CPU 版 PyTorch 的安装就简单多了。打开 PyTorch 官网的安装命令生成器，选择 Stable 版本、Windows 系统、Conda 包管理器、CPU 计算平台，生成的命令大概是这样：
conda install pytorch torchvision torchaudio cpuonly -c pytorch这里有个细节要注意：Python 版本和 PyTorch 版本的对应关系。我用的 Python 3.11，对应 PyTorch 2.1.x 或 2.2.x 都比较稳。如果你用的是 Python 3.12，建议上 PyTorch 2.2 以上。版本不匹配的典型症状就是 import torch 时报 DLL 加载失败或者找不到指定模块。
安装完成后，用一段简单的代码验证：
import torch print(torch.__version__) print(torch.cuda.is_available())CPU 版的话，第二行输出 False 是正常的。如果第一行能正常输出版本号，说明 PyTorch 基础环境没问题。
注意：如果你之前装过 GPU 版的 PyTorch，建议先彻底卸载再装 CPU 版。混装会导致各种奇怪的冲突，尤其是 CUDA 相关的 DLL 残留。
2.2 ComfyUI 部署：秋叶整合包还是手动安装
ComfyUI 的安装方式主要有两种：手动克隆仓库安装，或者用秋叶整合包。对于新手来说，秋叶整合包确实省事，解压即用，环境都配好了。但整合包的问题在于版本可能不是最新的，而且有些插件预装了但你可能用不上，反而增加排查问题的难度。
我最终选择的是手动安装。步骤不复杂：
git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt安装完依赖后，还需要装 ComfyUI-Manager，方便后续管理插件：
cd custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git启动 ComfyUI 的命令根据设备情况调整。纯 CPU 推理的话：
python main.py --cpu如果想让核显也参与计算（虽然效果有限），可以试试：
python main.py --lowvram启动成功后，浏览器打开http://127.0.0.1:8188就能看到 ComfyUI 的界面了。
实操心得：手动安装时，requirements.txt 里的依赖版本可能会和你的 PyTorch 版本冲突。如果 pip install 报错，先看错误信息里是哪个包版本不兼容，手动指定版本安装。比如
pip install torch==2.1.0这样。
2.3 GGUF 加载器插件：让 ComfyUI 认识量化模型
ComfyUI 原生并不支持 GGUF 格式的模型加载，需要额外装插件。目前用得比较多的是 ComfyUI-GGUF 这个插件：
cd custom_nodes git clone https://github.com/city96/ComfyUI-GGUF.git cd ComfyUI-GGUF pip install -r requirements.txt这个插件提供了 GGUF 模型的加载节点，包括 Unet Loader 和 CLIP Loader。装完之后重启 ComfyUI，在节点搜索里输入 “GGUF” 就能看到相关节点。
这里有个常见的报错：no lm runtime found for model format 'gguf'!。这个错误通常是因为插件依赖的ggufPython 包没有正确安装，或者版本太旧。解决办法是手动装最新版：
pip install gguf --upgrade如果还不行，检查一下 ComfyUI-GGUF 的 requirements.txt 里指定的 gguf 版本，按那个版本装。
2.4 模型下载：Qwen-Image 2.1 GGUF 量化版
模型文件是核心。Qwen-Image 2.1 的 GGUF 量化版在 Hugging Face 和国内的模型社区都有。我下载的是 Q4_K_M 量化级别，文件大小大概 4GB 左右，对于 32GB 内存的迷你机来说完全能hold住。
需要下载的文件包括：
- Unet 模型：
qwen-image-2.1-Q4_K_M.gguf - CLIP 模型：
qwen-image-2.1-clip.gguf（或者用原版的 CLIP 模型） - VAE 模型：
qwen-image-2.1-vae.safetensors
下载完成后，放到对应的目录：
- Unet 模型放到
ComfyUI/models/unet/ - CLIP 模型放到
ComfyUI/models/clip/ - VAE 模型放到
ComfyUI/models/vae/
注意：GGUF 模型的命名不要随意改，有些加载器会根据文件名判断模型类型。如果加载时报 “unknown model type”，先检查文件名是否规范。
3. 工作流搭建：从零到出图的完整过程
3.1 基础工作流结构
ComfyUI 的工作流是节点式的，核心节点包括：
- GGUF Unet Loader：加载量化后的 Unet 模型
- CLIP Loader：加载 CLIP 文本编码器
- VAE Loader：加载 VAE 解码器
- CLIP Text Encode：正面和负面提示词编码
- KSampler：采样器，控制生成步数、CFG 等参数
- Empty Latent Image：设置生成图像的分辨率
- VAE Decode：将潜空间解码为图像
- Save Image：保存生成的图像
把这些节点按逻辑连接起来，就形成了一个完整的出图工作流。对于 Qwen-Image 2.1，采样器建议用euler或dpmpp_2m，步数 20-30 步，CFG 7-8 左右。
3.2 关键参数设置与计算
分辨率设置是个需要权衡的点。Qwen-Image 2.1 原生支持 1024x1024，但在迷你机上跑这个分辨率，CPU 推理的时间会非常长。我实测下来，512x512 分辨率下，20 步采样大概需要 3-5 分钟；768x768 则需要 8-12 分钟；1024x1024 直接飙到 20 分钟以上。
所以对于迷你机，建议先用 512x512 测试工作流是否跑通，确认没问题后再尝试更高分辨率。如果时间充裕，768x768 是质量和速度的折中点。
采样步数和 CFG 的关系也需要理解。步数太少，图像细节不足；步数太多，收益递减且耗时线性增长。CFG 太高，图像会过饱和、颜色失真；CFG 太低，提示词遵循度不够。Qwen-Image 2.1 在 CFG 7.5、步数 25 左右的表现比较均衡。
实操心得：CPU 推理时，把 KSampler 的
denoise参数设为 1.0，不要用 img2img 的降噪流程，否则时间会成倍增加。另外，batch_size设为 1，批量出图在 CPU 上基本不可行。
3.3 提示词编写技巧
Qwen-Image 2.1 对中文提示词的支持是它的强项。写提示词时，可以按照“主体 + 场景 + 风格 + 细节”的结构来组织。比如：
一只橘猫坐在窗台上，阳光透过玻璃洒在毛发上，背景是模糊的城市天际线，写实风格，高细节，柔和光影
负面提示词可以写：
模糊，低质量，变形，多余的手指，文字水印
实测下来，Qwen-Image 2.1 对中文的理解确实比很多模型好，尤其是对“氛围感”这类抽象描述的把控。但要注意，提示词不要写得太长，超过 75 个 token 后，后面的内容会被截断。如果需要更长的提示词，可以用多个 CLIP Text Encode 节点拼接。
4. 性能优化与常见问题排查
4.1 CPU 推理的性能瓶颈在哪里
在迷你机上跑 CPU 推理，瓶颈主要在内存带宽和 CPU 单核性能。GGUF 量化虽然减少了模型体积，但推理时的矩阵运算量并没有减少。7840HS 的 8 核 16 线程在跑推理时，CPU 占用率基本拉满，温度也会升到 80 度以上。
优化方向有几个：
- 使用
--cpu启动参数：强制 ComfyUI 用 CPU 推理，避免它尝试调用不支持的 GPU 导致报错。 - 调整线程数：在 ComfyUI 启动时加
--threads 8，限制使用的 CPU 线程数，避免系统卡死。 - 关闭不必要的后台程序：CPU 推理时，任何后台程序都会抢资源，尤其是浏览器和聊天软件。
4.2 常见报错与解决方法
| 报错信息 | 可能原因 | 解决方法 |
|---|---|---|
no lm runtime found for model format 'gguf'! | gguf 包未安装或版本不对 | pip install gguf --upgrade |
RuntimeError: expected scalar type Half but found Float | 模型精度设置错误 | 在加载器里把精度改为float32 |
CUDA out of memory | 误用了 GPU 推理 | 启动时加--cpu参数 |
ModuleNotFoundError: No module named 'xxx' | 依赖缺失 | 根据报错信息 pip install 对应包 |
| 生成图像全黑或全灰 | VAE 不匹配 | 检查 VAE 模型是否对应 Qwen-Image 2.1 |
4.3 内存不足时的应对策略
32GB 内存听起来不少，但跑 GGUF 模型时，内存占用会飙升。Q4_K_M 的模型加载后大概占 5-6GB，加上 ComfyUI 本身和系统占用，峰值能到 12-15GB。如果同时开浏览器和其他程序，很容易触发内存不足。
应对策略：
- 把虚拟内存（页面文件）设大一点，建议 32GB 以上。
- 出图时关掉浏览器，用命令行查看进度。
- 如果内存实在不够，换 Q3_K_S 或 Q2_K 级别的量化，模型体积能进一步压缩到 2-3GB。
注意：量化级别越低，出图质量下降越明显。Q2_K 级别的模型可能会出现明显的画面崩坏，建议只在极端情况下使用。
5. 实际出图效果与体验总结
5.1 生成速度实测数据
在 7840HS + 32GB 内存的迷你机上，用 Q4_K_M 量化模型，不同分辨率和步数下的生成时间如下：
| 分辨率 | 步数 | 平均耗时 |
|---|---|---|
| 512x512 | 20 | 3分20秒 |
| 512x512 | 30 | 5分10秒 |
| 768x768 | 20 | 8分40秒 |
| 768x768 | 30 | 13分20秒 |
| 1024x1024 | 20 | 21分30秒 |
这个速度说实话不算快，但考虑到是纯 CPU 推理，而且设备功耗只有 65W 左右，能出图就已经超出预期了。如果换成有独立显卡的机器，速度至少快 10 倍以上。
5.2 出图质量主观评价
Qwen-Image 2.1 在中文提示词下的出图质量确实不错。我试了几个场景：
- 人物肖像：面部细节比较到位，皮肤质感自然，但手指偶尔会崩。
- 风景：光影处理得不错，层次感强，但远景细节会糊。
- 物体：形状准确，材质表现尚可，但复杂结构容易出错。
整体来说，Q4_K_M 量化下的出图质量，和原版相比大概有 5%-10% 的差距，主要体现在细节锐度和色彩饱和度上。但对于日常使用和灵感草图来说，完全够用。
5.3 迷你机跑本地绘画的优缺点
优点：
- 功耗低，长时间跑也不心疼电费。
- 噪音小，放在卧室也不吵。
- 断网可用，隐私性好。
- 成本低，不需要额外买显卡。
缺点：
- 速度慢，出一张图要等好几分钟。
- 分辨率受限，高分辨率出图时间太长。
- 内存压力大，同时跑其他程序容易卡。
- 生态支持有限，很多 GPU 优化用不上。
6. 给想尝试的朋友几点实在建议
如果你手里也有一台迷你机，想试试本地跑 Qwen-Image 2.1，我的建议是：先别急着下载模型，先把 PyTorch 和 ComfyUI 的环境跑通，用一个小的测试模型验证流程。确认没问题后，再下载 GGUF 模型。这样万一环境有问题，排查起来也快。
另外，心态要放平。迷你机跑本地绘画，速度肯定没法跟独显比，但它的意义在于“能跑”而不是“跑得快”。用它来测试提示词、验证工作流、出草图，都是很实用的场景。真要出高质量大图，还是得上显卡。
最后分享一个小技巧：ComfyUI 的工作流可以保存为 JSON 文件，调好一套参数后存下来，下次直接加载，不用重新连节点。我把自己调好的 Qwen-Image 2.1 工作流存了一份，每次出图前微调一下提示词就行，省了不少时间。
