🎯 准备工作 (Prerequisites)#

在开始之前，请确保您的系统满足以下要求：

1. 硬件要求

   📊 显卡（GPU）与显存（VRAM）快速对照表 —— 按模型规格选卡

   模型规格（B = 十亿参数）	代表模型	推荐 GPU 型号	所需 VRAM（FP16/全精度）	所需 VRAM（INT8 量化）	所需 VRAM（INT4/GGUF 量化）
   8B 级别（入门级大模型）	小型 Flux 变体、SDXL Turbo	RTX 3060 12GB / RTX 4060 16GB（最低门槛）	不可用（OOM）	8–10 GB	6–8 GB（可跑 1024×1024）
   12–16B 级别（主力级）	Z-Image-Turbo 主模型	RTX 4070 Ti Super 16GB / RTX 3080 12GB（主力玩家）	不可用（OOM）	12–14 GB	8–10 GB（GGUF 全流程）
   20–30B 级别（高阶）	Flux.1 dev、Flux.1 pro	RTX 4080 Super 16GB / RTX 4090 24GB（高阶玩家）	24–32 GB	16–20 GB	10–14 GB（GGUF 可跑）
   50B+ 级别（旗舰级）	超大图像模型	RTX 4090 24GB / A100 40GB+（专业/工作站）	48 GB+	28–36 GB	16–22 GB（GGUF 最低）

   示例Z-Image-Turbo 主模型约 12–16B 参数，Text Encoder（Qwen3-4B）约 4B 参数。GGUF INT4 量化版整套可在 8–10GB VRAM 下运行，适合 RTX 3060 12GB、RTX 4060 16GB 等中端显卡。

   ✅ GPU 选择原则：

   • 首选 NVIDIA —— ComfyUI 全生态依赖 CUDA，兼容度 100%
   • 显存比算力更重要 —— 优先看 VRAM 容量，其次看 CUDA 核心数
   • 同价位优先大显存 —— 例如 4060 16GB > 4070 12GB（AI 绘图场景）
   • AMD/Intel ARC 可用但需额外配置 —— 需启用 ROCm 或 IPEX，自定义节点兼容度约 70%，新手不推荐

   🖥️ CPU 建议：

   • 最低配置： 4 核 8 线程（如 Intel i3-12100 / AMD Ryzen 3 4100）
   • 推荐配置： 6 核 12 线程（如 Intel i5-13400 / AMD Ryzen 5 7600X）
   • 说明： CPU 主要影响模型加载速度和节点预处理，核心数比主频更关键。绘图过程主要由 GPU 承担，CPU 不会成为瓶颈。

   💾 内存（RAM）建议：

   显卡 VRAM	推荐系统 RAM	用途说明
   8–12 GB	16 GB	基础运行
   16–24 GB	32 GB	舒适使用，支持多标签页
   24 GB+	64 GB	大型工作流、批量生成、LORA 训练

   💽 硬盘空间建议：

   • 最低配置： 50 GB（仅放一套模型）
   • 推荐配置： 200 GB+ SSD（NVMe 更佳）—— 用于存放主模型（5–15GB）、VAE（数百 MB）、Text Encoder（2–8GB）、LoRA（数百 MB 到数 GB）、ControlNet 等辅助模型
   • 最佳配置： 1 TB+ NVMe SSD —— 加载速度提升显著，GGUF 模型从磁盘读取到显存的速度快数倍
   • 说明： 机械硬盘可以放模型但加载极慢，强烈建议至少把当前使用的模型放在 SSD 上。

2. 软件要求

   • Git（可选）： 从 Git 官网 下载并安装，主要用于手动安装自定义节点。官方安装包已通过 Manager 内置了节点安装功能，通常不需要单独安装 Git。
   • Python 3.12 或更高（可选）： 从 Python 官网 下载 3.12 或 3.13 版本。如果使用官方安装包或便携版，已自带 Python，无需单独安装。仅 Git 克隆方式需要手动配置。
   • ComfyUI 本体安装：
     • 方式一（最推荐，新手首选 ✅）： 从 ComfyUI 官网 下载 官方安装包（ComfyUI-Manager Setup）。它会自动检测您的显卡（NVIDIA / AMD / Intel ARC） 并配置对应的加速环境，无需手动选择版本。自带 ComfyUI-Manager 管理器，能一键启动、一键更新，几乎零配置门槛。
     • 方式二（免安装便携版）： 直接下载 ComfyUI Windows 便携包，解压后双击 run_nvidia_gpu.bat（N卡）或 run_cpu.bat（其他卡）即可使用，无需安装任何依赖。缺点是不含 Manager，需手动安装自定义节点，且不会自动检测 AMD/Intel 加速。
     • ⚠️ 不推荐新手使用 Git 克隆方式 —— 需要手动配置 Python、PyTorch、CUDA 等依赖，容易出现各种环境报错。等您对 ComfyUI 熟悉后再考虑这种方式。

📦 第一步：安装 ComfyUI 本体#

📥 第二步：下载与放置模型 (Model Acquisition)#

本教程以 Z-Image-Turbo-GGUF 模型为例，您需要准备三个文件：主模型（扩散模型，.gguf）、VAE（ae.safetensors）、以及 Text Encoder（.gguf）。

下载模型文件： Z-Image-Turbo-GGUF

本教程所使用的 Z-Image-Turbo 主模型（扩散模型）和 Text Encoder 都是 GGUF 量化格式，只有 VAE 保持 safetensors 格式。三个核心文件放置目录如下：

1. 主模型（Diffusion Model / UNet，GGUF 格式） → ComfyUI/models/llm/ 或 ComfyUI/models/unet/ 或 ComfyUI/models/checkpoints/

   • 文件名示例：z_image_turbo-Q8_0.gguf

2. VAE 模型 → ComfyUI/models/vae/

   • 文件名示例：ae.safetensors（VAE 文件名通常就是 ae.safetensors，safetensors 格式，为了方便区分可以重命名为对应模型）
   • 教程提供的文件名为 ziamgeturbo.safetensors

3. Text Encoder（文本编码器，GGUF 格式） → ComfyUI/models/llm/ 或 ComfyUI/models/text_encoders/

   • 文件名示例：Qwen3-4B-Q8_0.gguf
   • GGUF 是 llama.cpp 的原生量化格式，对显存极其友好，Q4/Q5 量化版在质量与速度间平衡最佳。

放置步骤：

1. 进入 ComfyUI 安装目录下的 models/ 文件夹。

2. 分别进入上述三个子目录，将对应的文件放入。

   • 如果 unet/、text_encoders/ 或 llm/ 目录不存在，手动创建同名文件夹即可。

3. 更多模型可在以下网站获取：

   • Hugging Face（官方模型聚集地，GGUF 文件通常在 -GGUF 后缀的仓库中）
   • 魔搭社区 ModelScope（国内下载速度快）
   • Civitai（社区模型丰富）

⚙️ 第三步：启动 ComfyUI (Startup)、搭建基础工作流 (Basic Workflow)#

🎨 第四步：生成第一张图片 (Generate Your First Image)#

现在工作流已经搭建完成，让我们来生成图片吧！

1. 确认三组件已正确加载：

   • 在 Unet Loader(GGUF) 中选择主模型 GGUF 文件（如 z_image_turbo-Q8_0.gguf）
   • 在 CLIPLoader(GGUF) 中选择 Text Encoder GGUF 文件（如 Qwen3-4B-Q8_0.gguf）
   • 在 加载VAE(Load VAE) 中选择 ziamgeturbo.safetensors

2. 确认节点连线：

   • Unet Loader(GGUF) 的 模型(MODEL) → K采样器(KSampler) 的 模型(model)
   • CLIPLoader(GGUF)r 的输出 → 两个 CLIP文本编码(CLIPTextEncode) 节点的模型输入
   • 加载VAE(Load VAE) 的 VAE → VAE解码(VAE Decode) 的 vae

3. 检查K采样器(KSampler)参数

4. 输入提示词： 在两个 CLIP文本编码(CLIPTextEncode) 节点中分别输入正向和反向提示词（支持中文）。

5. 设置画布大小： 在 空Latent图像(Empty Latent Image) 中设置 高度(height) 和 宽度(width)。

6. 点击右侧的运行按钮： 工作流开始执行！首次运行会加载两个 GGUF 模型，需要几十秒。

7. 观察命令行输出： 可以看到执行进度和 it/s（每秒迭代数）。

8. 查看生成结果： 图片生成完成后会显示在 保存图像(Save Image) 和 预览图像(Preview Image) 节点上。

🛠️ 故障排除速查表 (Troubleshooting)#