本地部署 ComfyUI 运行 Stable Diffusion 3.5-FP8

🔒 所有 .safetensors 文件均为安全格式，避免恶意代码注入，放心使用。

文件放置说明：

• 主模型放入：
  ComfyUI_windows_portable\ComfyUI\models\checkpoints\
• 三个 CLIP 模型统一放入：
  ComfyUI_windows_portable\ComfyUI\models\clip\

别忘了把 SD3.5-FP8_example_workflow.json 暂存到桌面或项目文件夹，稍后要拖进浏览器加载。

启动服务与加载工作流

进入解压后的根目录，找到并双击运行：

run_nvidia_gpu.bat 

首次运行会自动检测环境并安装缺失组件（如 git、pip 包等），可能需要几分钟，请耐心等待。

启动成功后，命令行窗口会输出类似信息：

Starting server To see the GUI go to: http://127.0.0.1:8188 

随后浏览器应自动打开页面 http://127.0.0.1:8188，显示一个空白节点画布——这就是 ComfyUI 的主界面。

接下来，将之前保存的 SD3.5-FP8_example_workflow.json 文件直接拖入浏览器窗口，即可一键加载预设工作流。

你会看到一组连接好的节点，包括：

• Load Checkpoint
• CLIP Text Encode (G/L/T5)
• KSampler
• VAEDecode
• Save Image

但此时还不能直接生成，因为 CLIP 模型还没正确绑定。

关键设置：三段式文本编码必须配对

SD3.5 最大的技术突破之一就是采用了 多模态联合文本编码架构，它不再依赖单一 CLIP 模型，而是融合了三种不同的编码器：

1. clip_g：来自 OpenCLIP 的 ViT-bigG/14，擅长语义理解
2. clip_l：ViT-L/14，处理基础文本特征
3. t5xxl_fp8_e4m3fn：Google T5-XXL 的 FP8 量化版，专为复杂语言结构设计

尤其是最后这个 T5 模型，FP8 版本使用了 e4m3fn 浮点格式，在保持精度的同时极大提升了推理效率。如果你用错了普通 T5 模型，轻则提示词失效，重则报错中断。

因此，必须手动为每个节点指定对应的模型文件：

操作方式：点击对应节点 → 在下拉菜单中选择正确的模型文件。选中后，节点左上角会出现绿色勾选标志，表示加载成功。

全部配对完成后，整个流程才算真正就绪。

开始生成你的第一张图

现在可以输入提示词了。

在 Positive Prompt 节点中填写一段描述，比如：

A futuristic city floating above clouds, neon lights, cyberpunk style, 8K ultra-detailed, cinematic lighting 

如果需要排除某些元素，可以在 Negative Prompt 中加入：

blurry, low quality, distorted face, extra limbs, watermark 

推荐初始参数设置：

确认无误后，点击右上角的 Queue Prompt (Execute) 按钮开始生成。

根据显卡不同，等待时间如下：

生成过程中，命令行会实时输出日志，包括显存占用、采样进度等信息。完成后，图像将出现在预览区。

你可以：
- 右键图片 → '另存为' 保存到本地
- 查看控制台是否有 OOM（内存溢出）警告

为什么你应该选择 SD3.5-FP8？

这不是一次简单的'压缩瘦身'，而是一次面向生产环境的工程优化。FP8 版本在几乎不影响视觉质量的前提下，带来了三大核心优势：

⚡ 推理速度提升近一倍

得益于 NVIDIA Ampere 架构及以上 GPU 对 FP8 Tensor Core 的原生支持，模型在执行注意力层和前馈网络时效率显著提高。

实测数据显示：
- 相比原版 SD3.5 Large，端到端延迟减少 40%~50%
- 在批量生成任务中吞吐量翻倍
- 更适合接入 Web API 或自动化脚本

📉 显存占用降低 30%

模型体积从原始的 ~7GB 压缩至 4.8GB（.safetensors），这对消费级显卡意义重大：

• RTX 3060 用户也能跑 1024 分辨率
• 多任务切换时不轻易触发 OOM
• 可配合 LoRA 微调实现风格迁移

🎨 完整继承 SD3.5 的顶级能力

FP8 并非牺牲质量换速度。相反，它保留了 SD3.5 的全部核心特性：

• 出色的文字渲染能力（支持 logo、标语生成）
• 强大的提示词遵循度（prompt adherence）
• 能理解空间关系（如'A 在 B 左边'、'C 被 D 包围'）

这意味着你可以用自然语言精确控制画面布局，而不只是模糊地'感觉像'。

🎯 典型应用场景：
- 内容创作者快速出图
- 游戏美术原型设计
- 教学演示中的 AI 绘画实验
- 企业私有化图像生成服务

常见问题排查指南

❗ 启动时报错 "CUDA out of memory"

这是最常见的问题，尤其在低显存设备上。

解决方法：
- 关闭其他占用 GPU 的程序（如游戏、视频播放器）
- 尝试降低分辨率为 768×768 测试是否能运行
- 在 run_nvidia_gpu.bat 同级目录创建 extra_args.txt，添加：
--gpu-only --disable-smart-memory
强制只使用显存，避免 CPU 卸载带来的碎片问题

❗ 提示 "File not found: t5xxl_fp8_e4m3fn.safetensors"

说明 CLIP 模型路径错误。

检查清单：
- 文件是否真的放在 \models\clip\ 目录下？
- 文件名拼写是否完全一致？注意大小写和下划线
- 是否误用了普通 t5xxl 模型而非 FP8 专用版本？

ComfyUI 不会自动搜索子目录，路径必须精准匹配。

❗ 图像模糊、结构混乱或人物畸形

可能是以下原因导致：

• 提示词太泛：如只写'一个人'而不加细节
• 步数太少：低于 20 步可能导致未收敛
• 用了错误的工作流模板：某些通用模板不兼容三段式编码

建议做法：
- 使用官方提供的 SD3.5-FP8_example_workflow.json
- 增加步数至 30~40
- 细化提示词，例如改为：
A woman in red dress standing on a rooftop at sunset, photorealistic, sharp focus, Canon EOS R5

写在最后：轻量部署，旗舰体验

过去我们总以为'高性能 = 高门槛'，但现在，Stable Diffusion 3.5-FP8 + ComfyUI 的组合打破了这一认知。你不需要万元级显卡，也不需要复杂的 Docker 部署，只需一个便携包、几个模型文件，就能在自家电脑上运行当前最先进的开源文生图系统。

更重要的是，这种 FP8 量化思路正在成为趋势。未来我们会看到更多模型支持 ONNX 导出、Diffusers 集成、甚至移动端部署。而你现在掌握的这套流程，正是通往本地 AI 自动化创作的第一步。

下一步你可以尝试：

• 加载 LoRA 模型微调风格（如动漫、水墨风）
• 接入 ControlNet 实现姿势控制或边缘引导
• 使用 Prompt Expressions 插件编写条件逻辑
• 搭建 FastAPI 接口，让其他程序调用你的生成服务

AI 创作的主动权，从来就不该被云服务垄断。当你能在本地掌控每一帧图像的生成过程时，真正的自由才刚刚开始。

Happy Generating!