Comfy-WaveSpeed workflows全解析：从FLUX到SDXL的优化方案

【免费下载链接】Comfy-WaveSpeed [WIP] The all in one inference optimization solution for ComfyUI, universal, flexible, and fast. 项目地址: https://gitcode.com/gh_mirrors/co/Comfy-WaveSpeed

Comfy-WaveSpeed是ComfyUI的一站式推理优化解决方案，以其通用性、灵活性和高效性显著提升AI绘图工作流的性能。本文将深入解析从FLUX到SDXL的多种优化工作流，帮助新手用户快速掌握这一强大工具。

核心优化技术：First Block Cache与模型编译

Comfy-WaveSpeed的核心优势在于其创新的优化技术，主要包括First Block Cache（FBCache）和模型编译功能。这些技术能够显著减少推理时间，同时保持图像质量。

图1：Comfy-WaveSpeed的Compile Model+节点设置界面，展示了关键优化参数配置

First Block Cache (FBCache)

FBCache技术通过缓存模型的第一层计算结果，避免重复计算，从而加速推理过程。在工作流中，ApplyFBCacheOnModel节点负责应用这一优化。以FLUX模型为例，该节点的典型配置如下：

• 对象：diffusion_model
• 阈值：0.12
• 层数：1

模型编译优化

模型编译功能通过EnhancedCompileModel节点实现，支持多种编译器选项，包括：

• torch.compile：PyTorch官方编译器
• 后端选择：inductor等
• 动态形状支持：可根据需求启用

FLUX模型优化工作流详解

FLUX作为新一代生成模型，对计算资源要求较高。Comfy-WaveSpeed提供了专门优化的FLUX工作流，位于workflows/flux.json。

优化前后对比

图2：未使用Comfy-WaveSpeed优化的FLUX模型输出，耗时17秒，速度1.63it/s

图3：使用Comfy-WaveSpeed优化的FLUX模型输出，耗时6秒，速度提升至4.33it/s

从对比中可以明显看出，优化后的FLUX模型在保持图像质量的同时，推理速度提升了近3倍。

关键节点配置

FLUX工作流中的核心优化节点包括：

1. Apply First Block Cache：应用FBCache技术
2. Compile Model+：启用模型编译
3. ModelSamplingFlux：自动调整采样参数

SDXL模型优化实践

对于SDXL模型，Comfy-WaveSpeed同样提供了高效的优化方案，工作流文件为workflows/sdxl.json。

SDXL工作流特点

SDXL优化工作流具有以下特点：

• 支持多种分辨率配置，从704×1408到1728×576
• 集成CLIPTextEncodeSDXL节点，支持文本引导
• 优化的KSampler设置，默认使用dpmpp_2m_sde采样器

推荐配置参数

在SDXL工作流中，ApplyFBCacheOnModel节点的推荐配置为：

• 对象：diffusion_model
• 阈值：0.2
• 层数：1

这些参数经过优化，能够在大多数硬件配置上实现性能与质量的平衡。

开始使用Comfy-WaveSpeed

要开始使用这些优化工作流，首先需要克隆仓库：

git clone https://gitcode.com/gh_mirrors/co/Comfy-WaveSpeed

然后将工作流文件复制到ComfyUI的workflows目录，即可在UI中加载并使用这些优化方案。

无论是追求极致速度的FLUX模型，还是需要平衡性能与资源的SDXL模型，Comfy-WaveSpeed都能提供简单而强大的优化解决方案，让AI绘图变得更加高效和愉悦。

【免费下载链接】Comfy-WaveSpeed [WIP] The all in one inference optimization solution for ComfyUI, universal, flexible, and fast. 项目地址: https://gitcode.com/gh_mirrors/co/Comfy-WaveSpeed