Mac Studio 上用 ComfyUI 跑自托管模型,缺少 CUDA 和 fp8 支持怎么办?
一位有 hosted 模型出图经验、但没接触过 ComfyUI 和 LoRA 的用户,询问在 Apple M3 Ultra、96 GB 内存的 Mac Studio 2025 上做自托管生成是否可行。
一位有 hosted 模型出图经验、但没接触过 ComfyUI 和 LoRA 的用户,询问在 Apple M3 Ultra、96 GB 内存的 Mac Studio 2025 上做自托管生成是否可行。
作者在 ComfyUI 中用 MOSS-Image Base 搭配 qwen3.5_9b 文本编码器和 flux2-vae,以 JSON 格式提示词指定文字内容与 bbox 位置,生成电影海报、女性杂志封面、CD 封面、小说封面和漫画一页五种日文设计。
推荐理由:作者用同一套 ComfyUI 设置和 JSON 提示词实测 MOSS-Image 的日文排版能力,五类设计各附完整提示词,可直接复现。
在Pollo.ai上用同一张异形角色图和同一句提示词“Open the cake box, take out the cake, and eat it.”,对Seedance 2.5、Wan 3.0、Kling 3.0、MiniMax H3、Vidu Q3 Pro五款视频生成模型做10秒生成对比,且不指定蛋糕种类、大小与吃法。
在 RTX 5090 32GB 上,Singularity Turbo 4 生成 960×544、192 帧 24fps 的八秒狼人变形片段耗时约 39 秒,Turbo 8 约 62 秒,Singularity 25 约 155 秒,10Eros beta6 VSA 8 约 52 秒。
作者用 LTX 2.5 的图生视频功能制作一部 10–15 集 AI 迷你剧,前两集已上线。流程是先用 ChatGPT 生成首尾帧并固定角色参考图,再用 Lightricks 的 ltx-pipelines 以 1920x1088 生成视频和音频。
推荐理由:作者用 LTX 2.5 制作 10–15 集 AI 迷你剧,并公开了首尾帧、镜头衔接与成本控制的具体做法。
Higgsfield 提供三种把自己放进 AI 视频的方式:Create Video 用单张照片生成新片段,Soul ID 用 20 到 80 张照片在约 3 到 5 分钟内训练可复用角色,Video Face Swap 则把一张清晰人脸照片换进已有视频。
OpenArt 以角色库、Director 分镜和 100+ 模型为核心,Higgsfield 则以 Content Factory、Genjutsu、Cinema Studio 等视频应用加 Supercomputer 智能体为主。
用户用 Khoya_ss 26.0.0 在 Wai Illustrious SDXL 1.60 上训练角色 LoRA,仅 21 张图、120 epochs、2500+ 次迭代,结果在部分模型中角色特征完全无法复现,发型发色出错,甚至用纯 SFW 素材和负面提示词仍会生成裸体。其计划将该 LoRA 上传至 Civitai,但认为需用户手动补提示词才能生效说明训练不到位。
OpenMoss 团队发布 MOSS Image 的 Base 与 SFT 两个版本,生成模型为 5B 参数单流 Diffusion Transformer(DiT),从零预训练,面向密集双语文字与多元素图形生成。
一份收录 130 个画风关键词的提示词清单因标题只写 Midjourney,一年内未被广泛保存和传播,作者发现其中过半词汇在 ChatGPT、Nano Banana、Grok 上同样有效。
创作者爱沢在 X 发布 10 月 23 日晨至 24 日深夜的 5 个场景插画,并免费配布对应的 ChatGPT 图像生成提示词。提示词覆盖朝、昼、夕方、夜、深夜五个时段,要求附上本人有权使用的 21 岁以上成人角色参考图,以保持脸型、发型、发色与瞳色,输出 1536:1024 横长单人单场景。提示词含正向与负向约束,用于抑制条纹、摩尔纹与重复高光带。
有用户在 ComfyUI 中使用 Pixaroma 的场景与角色工作流运行 Qwen 角色替换时,角色像贴纸一样被直接贴进画面,未能融入场景。该用户以图中扎双马尾的红发角色为例说明插入痕迹明显,并公开征集可用的提示词写法或输入图片要求等建议。
Higgsfield 与 HeyGen 定位不同:前者是集图像、视频、音频与对口型模型于一体的创作套件,后者以数字分身和 AI 头像生成口播视频见长。Higgsfield 付费方案 15 美元/月起(49 美元解锁全部模型与功能),HeyGen 为 29 美元/月起,支持 175+ 种语言翻译。
一位用户测试了 Codex(Astra、Ultra)与 Fable 5.1 自动搭建 ComfyUI 工作流的能力,Codex 表现不佳,而 Fable 5.1 单条工作流可连续运行 10 小时以上,产出结构整洁、开关式操作的结果。
作者在 RTX 3090 Ti 上实测 Zagitta 的 GPU Unlock,在 ComfyUI 中 BF16 配置的吞吐提升约 46% 至 60%,其中 MiniMax H3 视频加音频从 253.27 秒降至 158.05 秒。
推荐理由:作者在 3090 Ti 上逐项对比解锁前后的出图与出片耗时,可据此判断哪些精度配置值得开启。
有用户尝试用 MOSS-Image 的 layout-to-image 模式生成图表背景,再后期叠加文字,以便让用户自选字体、颜色和字号。该用户询问是否有 caption、label 或其他技巧能让 layout JSON 中指定区域稳定保持空白或足够平滑,并附上了目标效果示例图。
AInVFX 梳理了 ComfyUI 中五款开源图像模型的分工:Z-Image Turbo 主打 8 步写实出图,FLUX 3 Image Klein 支持最多 10 张参考图编辑与 4K 输出,MOSS-Image 擅长版面与图中文字,Qwen-Image-Edit-2511 靠 LoRA 生态做精确编辑,SeedVR2 负责一步超分修复。
推荐理由:文章把五款开源图像模型按用途、分辨率、短板和许可证逐项对照,并给出 ComfyUI 中的实测耗时与踩坑点。
CU Boulder 团队提出 DeepSFU 视频会议 AI 换脸检测系统,直接读取压缩视频中的帧间编码信息,无需解压重建画面,算力消耗比现有模型低 143 倍。该系统在 1000 个含 AI 换脸的在线视频上测试,准确率接近完美,仅需检查每 100 帧中的 1 帧。研究团队希望将其扩展至大规模视频会议场景。
一位 ComfyUI 新手在 24GB RTX 4090 上实测本地视频生成:MiniMax H3 仅能跑出 4 秒 608x342 或 2 秒 1024x576,超出即黑屏崩溃;Wan 2.2 5B 可生成 5 秒 124 帧 1280x704,但约 7 次后崩溃。其硬件经压力测试确认正常,最终发现黑屏源于显示器故障,作者仍担心反复满载损伤硬件,并考虑转用 ComfyUI 云端。
作者对登上开放编辑榜第一的 FIBO 2 做了盲测,与 Qwen Image 2.1、FLUX 3 Klein 对比:日常编辑中 FIBO 胜出(15 次满意,Qwen 12、FLUX 11),Qwen 赢下 5 轮中的 3 轮,FIBO Dev 在新图生成上与 FLUX 打平。
Kapwing 基于 YouTube 创作者 Jonny Shapland 的剪辑流程,总结出一套面向 YouTube 视频的编辑方法:先按 A-roll、B-roll、缩略图、频道素材、调研资料五类整理素材,再研究同题材成功视频以明确观众预期。指南强调把标题和缩略图承诺拆解成具体问题并优先回答,用截图、B-roll、音效和音乐等剪辑手段支撑叙事,并关注前 10–15 秒与 30 秒留存表现。
用户分享仅靠提示词、不加其他节点,让 moss-image SFT 生成业余随手拍风格人像的方法,示例为医院病房低角度抓拍:苍白年轻女性穿蓝色医护服、颈挂听诊器,要求呈现细腻皮肤纹理、可见毛孔与自然瑕疵。参数设为 cfg 6、30 步,并强调光照描述对还原肤色至关重要,同时提醒提示词可能随机生成畸形手部。
作者在 Canva 中尝试制作近未来忍者题材 AI 视频,先设定数百年后忍者进入宇宙对战、忍术与魔法互换等剧情,再让 Canva 生成忍者与魔法师的角色设计。角色设计氛围不错,但后续生成效果并不理想,作者仍在不断添加元素摸索改进。
作者以 DomoAI 将单张素材图生成视频为例,用虚构伞店 20 秒四镜头短片演示崩坏镜头的排查与修复顺序。流程先确认是否放错图片或设置不一致,再逐条完整播放并在首、中、尾及动作变化处暂停比对素材图,记录卡号、秒数与崩坏表现;修复时依次判断素材图本身是否有误、未崩坏片段是否够用、重做时只改一个变量,动作为主就减小运动幅度,越到后面越崩就拆成更短片段。
作者在 ComfyUI 中安装 NVIDIA VFX nodes 并实测 Frame Generation 补帧与 TrueHDR 转换两个节点,两者生成时间均为 14 秒、VRAM 约 3GB。文中给出环境要求:需 CUDA13 与 570.65 以上驱动,并从 GitHub 克隆 ComfyUI_Nvidia_VFX_Nodes 自定义节点;作者评价这两个节点轻量、功能单一。
一位时尚摄影师在 Reddit 发帖征集能准确还原真实服装、包袋、鞋履与配饰的 AI 图像工作流,指出生成图常在形状、比例、材质、纹理、缝线、logo 与五金件上失真。
作者在 ComfyUI 中用四条简单日语提示词(汉堡王门前、柜台点餐、座位吃汉堡、连锁店吃汉堡)对比了 Z-Image-Turbo BF16、Flux.2 Klein 9B、Qwen Image 2.1、Krea-2 Turbo 与 ChatGPT image 2.5 的出图表现。提示词刻意简化,以观察各模型在裁量与推理空间增大时如何自行补全细节。
用户为《数码宝贝》角色 Kari Kamiya 第一季形象制作 SFW LoRA 并计划上传 Civitai,但生成结果看起来更接近她在第二季的年龄。该角色单独图片素材有限,需手动添加标签才能还原正确发色与服装,作者希望直接在 LoRA 中修正年龄表现,以便后续加入其他角色合影。
FilmFlow 是一个智能体框架,可将自然语言指令或参考视频转换为动态 3D 环境中的显式相机轨迹。其 Director 智能体通过组合同时控制平移、旋转与构图的原子操作生成可执行相机方案,并由 Interpreter、Scout、Critic 三个专用智能体分别负责提取场景意图、选择初始视角和评估渲染结果以迭代优化。
Stable Diffusion Art 发布教程,介绍在 ComfyUI 中用 MiniMax H3 Fun ControlNet Union 从驱动视频复制身体动作,同时生成 24fps 视频与立体声。
推荐理由:作者实测同一段驱动视频配不同提示词,并给出模型搭配、分辨率与强度参数的具体避坑做法。
有用户在 RTX 4080 Super 上使用 Wan SCAIL 做角色替换,效果时好时坏,偶尔会凭空编造细节,且生成时间较长。其尝试的 MiniMax H3 工作流表现更差:要么完全幻觉、未包含源图中的人物,要么视频尚可但保留原脸未完成替换。该用户因此质疑 MiniMax 的实际表现,并寻求可用的工作流或替代模型建议。
用图像生成 AI 做标题图、给文案定下「12 字以内」字数上限的人,把 10/4 至 10/22 的 19 篇文案按字数排开后发现,10/17 至 10/21 连续 5 篇都达到 12 字以上,其中 10/20 为 13 字、超出上限 1 字,理由是保留「にも」以与正文说法一致。
一位停用图像生成多年的用户重新用起 ComfyUI,试了 Qwen Edit 2.1 和 FLUX 2 Krea,Qwen 效果尚可但不知如何提示生成同一角色的多张不同图像。他的用途是把网上找到的神话生物小图、像素化人脸小图扩成数据集,硬件为四块 RTX 3090 共 96 GB VRAM、64 GB 内存和较慢的 Threadripper CPU,日常主要跑 LLM,经验有限。
针对多数 I2V 生成器依赖时序平滑、加动作后画面变成光滑塑料感的问题,有创作者尝试用 MiniMax Design 通过 GPT-6 Astra 接入 After Effects,在渲染前先完成布光设置,再经内置的 H3 跑视频,实测颗粒与细节纹理保持较好。作者建议把运动幅度控制在中等,剧烈摇镜或快速横摇会显得僵硬,并称该流程仍在完善中。
面向内部创意团队的 2026 年 AI 视频平台选型指南对比了 Runway、Higgsfield、Adobe Firefly、LTX Studio、Canva 和 Invideo 六家平台,从品牌资产复用、协作审片、剪辑衔接和迭代成本等维度评估。
娱乐资本论让豆包、Kimi、DeepSeek、GPT、Qwen和Claude各写5集餐饮商战竖屏短剧,共30个剧本,比较谁最有“烧心味”。
动态设计与剪辑师 Raunak Chhabra 约一年前将 FireCut 插件接入 Adobe Premiere Pro,主要用自动去静音和生成动画字幕两项功能,估计剪辑时间几乎减半。他仍保持每周发布一条视频,但省下的时间转向 B-roll、选音乐与选题策划。他认为 AI 只是提效工具,创意方向仍由剪辑师掌握。
PixAI 的 Tsubaki.3 支持用自然日语文章写提示词,比标签格式更容易还原指定动作。作者以“银杏并木道上回头挥手的女孩”为例,用文章形式指定右手提包、左手抬至肩高挥手、全身含鞋底入画,生成后仅用日语指令把胸前的蝴蝶结改成深红色。
有用户在 ComfyUI 中把单条视频的转写→翻译→生成新音频→对口型流程跑通后,扩展到一次处理 30-40 条片段时出现文件错配:一个任务失败后难以确认 `video_17` 是否仍与 `audio_17` 配对,各条翻译完成时间不一致,单独重跑失败任务也很麻烦。该用户询问如何在更大的 ComfyUI 工作流中组织批处理,例如按视频分队列、各阶段分文件夹保存,或把文件名透传到每个节点。
Kling 4.0 支持图生视频、首帧控制与 3 至 30 秒片段,可把单张授权产品图做成短广告草稿。该路线接受 JPG/PNG 输入,输出 720p 或 1080p,可选尾帧;截至 10 月 23 日,720p 每秒 $0.157、1080p 每秒 $0.235。评测强调生成完成不等于镜头通过,需逐帧核对轮廓、瓶盖、比例、颜色与 logo,标签变形或包装走样时应改用受控动画或实拍插入。