在 NVIDIA DGX Spark部署 Stable Diffusion 3.5 并使用ComfyUI

优质文章学习记录

— 7 min read
在 NVIDIA DGX Spark部署 Stable Diffusion 3.5 并使用ComfyUI

📖 前言

随着 NVIDIA Blackwell 架构的问世，DGX Spark (Personal AI Supercomputer) 将桌面级 AI 算力推向了新的巅峰。这台怪兽级设备搭载了 GB200/GB10 级别的 GPU 和 NVIDIA Grace CPU (ARM64)，并运行在最新的 CUDA 13 环境下。

然而，“最强硬件"往往伴随着"最难环境”。由于 Grace CPU 采用 ARM (aarch64) 架构，且 CUDA 13 过于前沿，传统的 PyTorch 安装方法极易失败。

本文将手把手教你如何在这台超级计算机上部署 Stable Diffusion 3.5 Large，并利用其 128GB 海量显存 开启高性能模式，实现秒级、零延迟的创作体验。

🛠️ 硬件环境规格 (DGX Spark Specs)

本次部署基于 NVIDIA 最新一代个人 AI 超级计算机：

  • Platform: NVIDIA DGX Spark (Personal AI Supercomputer)
  • Architecture: NVIDIA Blackwell (GB10 / GB200 Tensor Core GPU)
  • VRAM: 128GB HBM3e (Unified Memory Architecture)
  • CPU: NVIDIA Grace CPU (144-core ARM64)
  • Software Stack: NVIDIA AI Enterprise
  • CUDA Version: CUDA 13.0
💡 核心挑战与优势：挑战：标准 PyPI 源的 PyTorch 通常只适配 CUDA 11/12，直接安装会导致找不到 GPU。优势：128GB 显存允许我们将 SD3.5 的 20GB 模型 + 10GB T5 编码器永久驻留显存，消除模型加载时间。

📦 第一步：构建兼容 CUDA 13 的基础环境

1.1 创建 Conda 环境

推荐使用 Python 3.11，它在 ARM 架构下的库支持最完善。

conda create -n sd-runtime python=3.11-y conda activate sd-runtime

1.2 安装适配 ARM + CUDA 13 的 PyTorch

这是最关键的一步。由于 CUDA 13 非常新，必须使用 NVIDIA 官方 PyPI 索引 来获取正确的 wheel 包。

# 1. 确保 pip 是最新的 pip install--upgrade pip # 2. 从 NVIDIA 官方源安装 PyTorch# 注意：NVIDIA 的 index 通常会包含对最新 CUDA 版本的兼容包 pip install torch torchvision torchaudio --index-url https://pypi.nvidia.com

1.3 验证环境 (关键)

安装完成后，务必验证 PyTorch 是否成功链接到了 Blackwell GPU。

python -c"import torch; print(f'PyTorch Version: {torch.__version__}'); print(f'CUDA Available: {torch.cuda.is_available()}'); print(f'Device Name: {torch.cuda.get_device_name(0)}'); print(f'CUDA Version: {torch.version.cuda}')"
  • 预期输出：
  • CUDA Available: True
  • Device Name: NVIDIA GB10 (或相关 Blackwell 代号)
  • CUDA Version: 13.x

📥 第二步：下载 Stable Diffusion 3.5 Large

SD3.5 是门控模型，请确保您已在 Hugging Face 签署协议并持有 Access Token。

# 1. 安装下载工具 pip install huggingface_hub # 2. 配置环境变量 (使用国内镜像加速)exportHF_ENDPOINT=https://hf-mirror.com exportHF_HUB_ENABLE_HF_TRANSFER=1exportHF_TOKEN="你的_HF_Token_粘贴在这里"# 3. 创建目录mkdir-p /home/david/workspaces/models/stabilityai/ # 4. 高速下载 (包含 Checkpoint 和 T5/CLIP 编码器) huggingface-cli download stabilityai/stable-diffusion-3.5-large \--token$HF_TOKEN\ --local-dir /home/david/workspaces/models/stabilityai/stable-diffusion-3.5-large

🖥️ 第三步：部署 ComfyUI & 修复 ARM 依赖

3.1 克隆与安装

cd /home/david/workspaces git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 安装常规依赖 (使用 --no-deps 防止破坏 Torch 环境) pip install-r requirements.txt --no-deps # 🔥 核心修复：补齐 ARM 架构下缺失的特殊库# 如果缺少这些，ComfyUI 启动时会报错 "No module named kornia_rs" 或 "trampoline" pip install trampoline kornia_rs mako comfyui-workflow-templates sqlalchemy alembic requests

3.2 挂载模型 (软链接方案)

为了利用 DGX Spark 的存储性能，我们使用软链接映射模型。

# 1. 链接主模型ln-s /home/david/workspaces/models/stabilityai/stable-diffusion-3.5-large/sd3.5_large.safetensors \ ./models/checkpoints/ # 2. 链接 CLIP 模型 (SD3 需要 3 个 CLIP)# 注意：我们直接使用 FP16 精度的 T5，因为显存足够大ln-s /home/david/workspaces/models/stabilityai/stable-diffusion-3.5-large/text_encoders/clip_l.safetensors ./models/clip/ ln-s /home/david/workspaces/models/stabilityai/stable-diffusion-3.5-large/text_encoders/clip_g.safetensors ./models/clip/ ln-s /home/david/workspaces/models/stabilityai/stable-diffusion-3.5-large/text_encoders/t5xxl_fp16.safetensors ./models/clip/

🚀 第四步：高性能启动 (High VRAM Mode)

针对 128GB 显存，我们开启"疯狗模式"——让所有模型永久驻留显存，拒绝反复加载。

创建启动脚本 run_comfy.sh：

#!/bin/bashWORKDIR="/home/david/workspaces/ComfyUI"PYTHON_PATH="/root/miniconda3/envs/sd-runtime/bin/python"# 日志管理LOG_DIR="$WORKDIR/logs"mkdir-p"$LOG_DIR"LOG_FILE="$LOG_DIR/server_$(date"+%Y-%m-%d_%H-%M-%S").log"cd"$WORKDIR"||exitecho"🚀 Starting ComfyUI on DGX Spark (Blackwell)..."echo"⚡ Mode: High VRAM (Force Resident)"# --highvram: 强制模型常驻显存nohup"$PYTHON_PATH" main.py \--listen0.0.0.0 \--port8188\--highvram\>"$LOG_FILE"2>&1&echo"✅ Service PID: $!"

启动服务：chmod +x run_comfy.sh && ./run_comfy.sh

🎨 第五步：导入 SD3.5 标准工作流 (JSON)

SD3.5 采用了分离式文本编码器架构（CLIP-L + CLIP-G + T5），默认工作流无法正常出图。

请复制下方完整的 JSON 代码，保存为 sd3_workflow.json，直接拖入 ComfyUI 浏览器界面即可使用。此工作流已针对 1024x1024 分辨率和 DGX Spark 进行了优化。

{"last_node_id":10,"last_link_id":16,"nodes":[{"id":1,"type":"KSampler","pos":[960,190],"size":{"0":315,"1":262},"flags":{},"order":0,"mode":0,"inputs":[{"name":"model","type":"MODEL","link":1},{"name":"positive","type":"CONDITIONING","link":2},{"name":"negative","type":"CONDITIONING","link":3},{"name":"latent_image","type":"LATENT","link":4}],"outputs":[{"name":"LATENT","type":"LATENT","links":[5],"slot_index":0}],"properties":{"Node name for S&R":"KSampler"},"widgets_values":[1234567890,"randomize",30,4.5,"euler","sgm_uniform",1]},{"id":2,"type":"CheckpointLoaderSimple","pos":[50,50],"size":{"0":315,"1":98},"flags":{},"order":1,"mode":0,"outputs":[{"name":"MODEL","type":"MODEL","links":[1],"slot_index":0},{"name":"CLIP","type":"CLIP","links":[],"slot_index":1},{"name":"VAE","type":"VAE","links":[6],"slot_index":2}],"properties":{"Node name for S&R":"CheckpointLoaderSimple"},"widgets_values":["sd3.5_large.safetensors"]},{"id":3,"type":"TripleCLIPLoader","pos":[50,200],"size":{"0":315,"1":150},"flags":{},"order":2,"mode":0,"outputs":[{"name":"CLIP","type":"CLIP","links":[7,8],"slot_index":0}],"properties":{"Node name for S&R":"TripleCLIPLoader"},"widgets_values":["clip_l.safetensors","clip_g.safetensors","t5xxl_fp16.safetensors"]},{"id":4,"type":"CLIPTextEncode","pos":[450,100],"size":{"0":425,"1":180},"flags":{},"order":3,"mode":0,"inputs":[{"name":"clip","type":"CLIP","link":7}],"outputs":[{"name":"CONDITIONING","type":"CONDITIONING","links":[2],"slot_index":0}],"properties":{"Node name for S&R":"CLIPTextEncode"},"widgets_values":["a highly detailed cyberpunk city, neon lights, 8k resolution, cinematic lighting, masterpiece, sharp focus, ray tracing, nvidia blackwell style"],"color":"#233","bgcolor":"#353"},{"id":5,"type":"CLIPTextEncode","pos":[450,350],"size":{"0":425,"1":180},"flags":{},"order":4,"mode":0,"inputs":[{"name":"clip","type":"CLIP","link":8}],"outputs":[{"name":"CONDITIONING","type":"CONDITIONING","links":[3],"slot_index":0}],"properties":{"Node name for S&R":"CLIPTextEncode"},"widgets_values":["low quality, blurry, ugly, bad anatomy, watermark, text, jpeg artifacts"],"color":"#332","bgcolor":"#533"},{"id":6,"type":"EmptyLatentImage","pos":[50,450],"size":{"0":315,"1":106},"flags":{},"order":5,"mode":0,"outputs":[{"name":"LATENT","type":"LATENT","links":[4],"slot_index":0}],"properties":{"Node name for S&R":"EmptyLatentImage"},"widgets_values":[1024,1024,1]},{"id":7,"type":"VAEDecode","pos":[1300,190],"size":{"0":210,"1":46},"flags":{},"order":6,"mode":0,"inputs":[{"name":"samples","type":"LATENT","link":5},{"name":"vae","type":"VAE","link":6}],"outputs":[{"name":"IMAGE","type":"IMAGE","links":[9],"slot_index":0}],"properties":{"Node name for S&R":"VAEDecode"}},{"id":8,"type":"SaveImage","pos":[1550,190],"size":{"0":500,"1":600},"flags":{},"order":7,"mode":0,"inputs":[{"name":"images","type":"IMAGE","link":9}],"properties":{"Node name for S&R":"SaveImage"},"widgets_values":["ComfyUI"]}],"links":[[1,2,0,1,0,"MODEL"],[2,4,0,1,1,"CONDITIONING"],[3,5,0,1,2,"CONDITIONING"],[4,6,0,1,3,"LATENT"],[5,1,0,7,0,"LATENT"],[6,2,2,7,1,"VAE"],[7,3,0,4,0,"CLIP"],[8,3,0,5,0,"CLIP"],[9,7,0,8,0,"IMAGE"]],"groups":[],"config":{},"extra":{},"version":0.4}

流程如下：

在这里插入图片描述

效果如下：

在这里插入图片描述

💡 工作流配置说明：

  1. TripleCLIPLoader: 这是核心。我们明确指定了 clip_l, clip_g 和 t5xxl_fp16。如果这三个没选对，生成的图片将无法理解你的 Prompt。
  2. Scheduler: sgm_uniform: Stable Diffusion 3 必须使用 SGM Uniform 调度器，否则画面会充满噪点。
  3. Resolution: 默认设为 1024x1024。在 Blackwell 上，你可以尝试将其改为 2048x2048 进行原生 4K 生成。

📊 性能总结

在 DGX Spark 上完成上述部署后，性能表现如下：

  • 模型加载: 首次启动后，模型将永久驻留显存 (High VRAM Mode)。
  • 生成速度: 1024x1024 分辨率下，实现秒级出图。
  • 并发能力: 得益于 128GB 显存，你可以同时开启 Batch Size = 4 甚至更高，或者在后台同时运行一个 70B 的大语言模型而不发生 OOM。

资源占用：

在这里插入图片描述

Read more

使用VS Code运行前端代码

使用VS Code运行前端代码

文章目录 * VS Code运行HTML文件 * 一、安装VS Code 配置插件 * 二、在电脑上新建文件夹 * 三、新建文件【名字.html】 * 四、运行.html文件 * VS Code运行VUE代码 VS Code运行HTML文件 提示：这里可以添加本文要记录的大概内容： 但是我在使用VS Code和Hbuilder的不同是： Hbuilder我记得是可以在菜单栏的“文件”→“新建”→“HTML5+项目”，填写项目名称、路径等信息后点击“完成”即可创建一个新项目 一、安装VS Code 配置插件 如何使用VS Code安装插件及VS Code上的常用插件点我查看 以前写HTML用的是Hbuilder，最近突然发现VS Code也不错，只需要安装open in browser插件即可 二、在电脑上新建文件夹 VS Code使用是在本地打开一个文件夹

2026年2月AI大语言模型评测全景：GPT-5.2与Claude 4.5的巅峰对决及国产模型崛起之路

摘要：2026年初，全球AI大语言模型竞争进入白热化阶段。本文基于权威评测数据和实际应用案例，深度剖析OpenAI GPT-5.2和Anthropic Claude 4.5两大旗舰模型的技术特性与性能表现，同时全面对比国内文心一言、通义千问、智谱GLM、DeepSeek等主流模型，为开发者和企业提供系统性的选型参考。文章涵盖模型架构创新、基准测试表现、实际应用场景、成本效益分析等多个维度，揭示2026年AI模型发展的最新趋势。由于国内无法使用官网，因此使用国内镜像站就可以合法使用国外高级模型。注册入口：AIGC BAR注册入口，注册需要邮箱然后将快速开始页面网址复制到电脑上保存至书签即可。     1 大模型竞争格局：2026年的新变局 2026年2月，AI大语言模型领域正经历着前所未有的技术迭代与市场重塑。在刚刚过去的2025年底，OpenAI发布了GPT-5.2系列，标志着其在经历Gemini 3冲击后的强势回归。而Anthropic在2025年9月推出的Claude Sonnet 4.5和11月发布的Claude Opus 4.5，则凭借出色的编程能力和智能体（A

前端WebSocket实时通信：别再用轮询了！

前端WebSocket实时通信：别再用轮询了！ 毒舌时刻 WebSocket？听起来就像是前端工程师为了显得自己很专业而特意搞的一套复杂技术。你以为随便用个WebSocket就能实现实时通信？别做梦了！到时候你会发现，WebSocket连接断开的问题让你崩溃，重连机制让你晕头转向。 你以为WebSocket是万能的？别天真了！WebSocket在某些网络环境下会被防火墙拦截，而且服务器的负载也是个问题。还有那些所谓的WebSocket库，看起来高大上，用起来却各种问题。 为什么你需要这个 1. 实时性：WebSocket提供全双工通信，可以实现真正的实时通信，比轮询更高效。 2. 减少网络流量：WebSocket只需要建立一次连接，减少了HTTP请求的开销。 3. 服务器推送：服务器可以主动向客户端推送数据，而不需要客户端轮询。 4. 低延迟：WebSocket的延迟比轮询低，适合实时应用。 5. 更好的用户体验：实时通信可以提供更好的用户体验，比如实时聊天、实时数据更新等。 反面教材 // 1. 简单WebSocket连接 const socket =
【智体OS】ibbot智体机灵 V1.0：你的手机AI超脑，一句话开启智体时代————终将打败OpenClaw的国产开源项目

【智体OS】ibbot智体机灵 V1.0：你的手机AI超脑，一句话开启智体时代————终将打败OpenClaw的国产开源项目

【智体OS】ibbot智体机灵 V1.0：你的手机AI超脑，一句话开启智体时代————终将打败OpenClaw的国产开源项目 发布日期：2026年2月12日 核心定位： 基于dtns.os V5.0的下一代移动端AI智能体平台 🚀 产品宣言：告别笨重，拥抱手机里的AI工作站 还在为OpenClaw这类方案需要额外购置硬件、部署复杂而头疼吗？时代变了！ibbot智体机灵将强大的AI智能体引擎直接塞进你的安卓手机，实现 “零硬件成本、开机即用、揣兜就走” 的终极生产力形态。我们不是另一个AI工具，而是你口袋里的 “AI副驾” 和 “赚钱工作站”。 ✨ 核心亮点：为什么ibbot是颠覆者？ 1. 极致轻量与便携 * 部署平台：你正在使用的安卓手机/平板。 * 硬件成本：￥0，充分利用现有设备，无需Mac mini或云服务器。 * 便携性：你的手机就是完整的工作站，灵感随时捕捉，任务随地处理。 2. 一句话创建万物 基于dtns.