部署决策前置条件#

第一步<确定商用边界>

第二步<硬件评估>

部署步骤#

1
# 1. 安装 ComfyUI(或使用 Forge)
2
git clone https://github.com/comfyanonymous/ComfyUI
3
cd ComfyUI
4
pip install -r requirements.txt
5

6
# 2. 下载权重(Hugging Face 官方仓库)
7
#    - diffusion_models/ 主模型
8
#    - text_encoders/ 文本编码器
9
#    - vae/ VAE
10
#    FLUX 是"三件套",缺一不可
11

12
# 3. 低显存启动(可选)
13
python main.py --lowvram   # 需 32GB 系统内存

量化选型#

• FP8<官方> + NVIDIA 联合优化(RTX 显存 -40%、吞吐 +40%)。
• GGUF<用> ComfyUI-GGUF 节点(city96)。

生产配置建议#

1. LoRA 训练,12-16GB 可训(Adafactor 优化器)。
2. ControlNet 现有 canny/depth/union 三种。
3. API 化<如需对外服务>,建议 FastAPI 封装,勿直接暴露 ComfyUI。
4. 缓存预热<生产前预热模型>,避免首请求慢。

故障排查#

商用合规红线#

• FLUX.1/2 dev 基础许可不允许商业收入;商用需 BFL 授权或 Pro API。
• schnell/klein 4B 为 Apache 2.0,可商用。
• klein 9B 非商用。
• 原则<卖成品>/服务用 Apache 2.0 档;商用高质量走 Pro API。

FAQ#

Q1.1 dev 还是 FLUX.2 dev? 预算/显存有限用 FLUX.1(12GB);追求上限用 FLUX.2(24GB+)。 Q2<开源版和> Pro API 区别? 开源可自托管但 dev 非商用;Pro API 可商用、完整 4MP/多参考。 Q3 4B 质量够商用吗? 够大多数生产;复杂构图用 dev/API。 Q4 还是 GGUF? FP8 质量好速度快(12-16GB);GGUF 极限压显存(8GB)。 Q5<多参考开源版可用吗>? FLUX.2 能力,以官方/社区实测为准;完整体验走 API。 Q6 怎么训练? AI-Toolkit;放 loras/ 目录。 Q7<出图慢正常>? dev 20-30 步 15-25s 正常;要快用 schnell/klein。 Q8 有哪些? canny/depth/union。

实战配置示例#

A<可商用批量物料>(klein 4B)

• 权重.2 klein 4B(Apache 2.0)。
• ComfyUI 加载 → 亚秒级批量 → LoRA 统一风格 → 商用无忧。

B<多参考一致性>(FLUX.2)

• 8-10 张参考图 + 32K 上下文 → 跨场景一致图集。
• 适合产品/角色/品牌资产。

C<草稿-精修流水线>

• klein/schnell 打草稿(秒级 24 张)→ dev 精修 → ControlNet 控构图。

D<欧盟合规私有化>

• 自托管 klein 4B(数据不出境),或 AWS Bedrock 法兰克福(Pro)。

风险清单#

• 许可红线 商用需授权。
• 32B 部署成本高,评估 ROI。
• 生态仍少于 SDXL,冷门风格缺资源。
• FLUX 3 Dev 未发布,承诺非现实。
• 自托管的安全/维护/量化责任自担。

运维要点 的部署没有玄学——许可定边界、显存定方案、量化定档位。按本手册三步走,不会翻车。