企业官网建设流程全解析

RTX 5070 Ti 笔记本到手后，我做的第一件事不是跑 3DMark，而是装 ComfyUI。本地部署 ComfyUI 这件事，在 4090 台式机上已经被聊烂了，但换到 5070 Ti 笔记本这个场景，情况完全不一样：显存只有 12GB，功耗墙也被厂家压着，稍不留神就是爆显存、降频、OOM 三连。这篇就把我在这个配置上从零装好环境、跑通文生图、再到文生视频的完整过程记录下来，包括那些踩过之后才知道的坑。适合刚入手 5070 Ti 或其他 12GB 显存笔记本、想本地玩 AI 出图的读者。文生图没那么玄，文生视频也不是不能碰，关键是搞清楚自己手里这张卡的边界。

1. 先算清楚显存这笔账，再决定怎么部署

1.1 显存才是笔记本部署的命门

很多人拿到笔记本先看 GPU 算力，其实对 ComfyUI 来说，显存大小才是决定体验的第一因素。出图时，模型权重、VAE、CLIP 文本编码器、以及扩散过程中的中间 Latent 张量全部要驻留在显存里。一个简单类比：算力是厨师的手速，显存是厨房的台面。台面太小，厨师再快也得频繁往柜子里存取食材，整体速度反而被拖垮。

RTX 5070 Ti 笔记本版最尴尬的地方在于，它和桌面版的显存规格不一样，12GB GDDR7 属于"中等台面"。这个容量跑 SD 1.5 绰绰有余，跑 SDXL 也基本够用，但碰到动辄十几 B 参数的视频生成大模型，就必须精打细算。部署前先认清这一点，后面就不会经常被六个屏幕上同时弹出的 CUDA OOM 吓到。

1.2 5070 Ti 笔记本版能跑什么、不能跑什么

我直接给一张按实际体验整理的边界表，省得你一个个试：

这条表是我反复开关任务管理器、盯着 nvidia-smi 的显存占用总结出来的。结论很简单：5070 Ti 笔记本不是不能做文生视频，而是需要"按头定做"——模型选对、量化到位、分辨率降低，它就能干；如果什么都不管直接加载 14B 全量模型，第一秒就会爆。

1.3 Blackwell 新架构带来的工具链要求

Blackwell 架构带来了一个新的东西：FP4 精度支持。这个特性在 ComfyUI 里目前主要体现在部分新模型和量化方案上，日常使用不必刻意追求，但需要知道：在 12GB 显存上，FP8 量化是性价比最高的中间路线，既保留画质又明显降低显存占用。VT 上实际体验下来，FP8 的 Wan 2.1 1.3B 比 FP16 版本能多吃不少帧数，画质损失在预览片段上基本看不出来。

同时，工具链版本不再是"随便装个最新的就行"。5070 Ti 需要的显卡驱动建议直接装 NVIDIA 官网的新版 Game Ready 或 Studio 驱动（5xx 系列），CUDA 版本对应 12.4 以上。PyTorch 也要选带 cu124 或更新版本的 wheel。这些都是部署时最容易踩的隐性地雷，后面会再展开。

2. 环境准备：整合包和手动部署，我建议按需求走

2.1 秋叶整合包：新手保底方案

如果你之前完全没碰过 Python，也不打算长期研究插件之间的依赖关系，我建议第一套环境直接用秋叶整合包。这不是什么丢人的事，整合包的本质是别人帮你把 Python、PyTorch、ComfyUI 主程序、常用插件、模型目录结构全部装好，你只需要解压、启动、下模型。对大部分只想出图的人来说，这是最短路径，省下的一两个小时拿去学工作流更值。

整合包有几个默认配置是笔记本用户可以留意的：启动器里通常会提供低显存模式选项，显存不足时能自动加--lowvram参数；管理界面里也整合了模型下载功能。不过整合包的缺点也很明显：它内置的 Python 是独立的，和系统隔离，这既是优点也是缺点——优点是卸载方便，缺点是你以后想装某些需要手动编译的节点（比如 Sage Attention）时，会多一道"找到它用的 Python 解释器"的功夫。这个我在第五节再讲。

2.2 手动部署：venv 环境从头搭

想长期搞 ComfyUI、愿意和插件坑搏斗的人，我更推荐手动部署。手动部署的最大优势是"透明度"：每个组件装在哪个目录、版本是多少、报错时能直接定位到具体包。下面是完整命令序列，Windows 和 Linux 通用（Windows 下激活 venv 命令略有差异）：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv # Windows 下一步： venv\Scripts\activate # Linux/macOS 下一步： # source venv/bin/activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124 pip install -r requirements.txt python main.py

跑起来后，浏览器打开http://127.0.0.1:8188就能看到默认工作流。这里有个细节：pip install torch ... --index-url指定的是 PyTorch 官方 CUDA 12.4 的 wheel 源，这一步是整条链路最关键的。如果你直接执行pip install torch，装到的是 CPU 版或默认 CUDA 版本，ComfyUI 能启动但所有运算都跑在 CPU 上，速度慢到怀疑人生。

2.3 Python 与 PyTorch 版本：最容易翻车的一环

版本选择上我吃过亏。一开始我图新鲜装了 Python 3.13，结果一堆视频生成相关节点直接报编译错误，后来换回 3.11 才顺利。ComfyUI 官方目前对 3.10 到 3.12 支持最稳，其中 3.11 是社区里出问题最少的。记住，这不是"越新越好"的地方，而是"生态兼容性说了算"的地方。

PyTorch 同样别乱追新。我的建议是装 2.3 到 2.5 之间的稳定版，配合 cu124 或 cu126 的 wheel。装完务必做一次快速验证，在命令行里跑：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))

如果torch.cuda.is_available()返回True，并且设备名正确显示 RTX 5070 Ti，环境这一步就算过了。很多人在 ComfyUI 启动后遇到"CUDA not available"的报错，基本都是前两步没做对：PyTorch 装成 CPU 版，或者驱动太老，系统里同时存在多个 CUDA runtime 时把 PyTorch 带偏了。

3. 模型下载与目录规划：别把所有东西都塞进 checkpoints

3.1 ComfyUI models 目录到底该怎么用

新手最常见的混乱来源，是把所有文件一股脑丢进models/checkpoints，然后在加载节点里找不到东西。ComfyUI 的目录设计其实很清晰，每个文件夹负责一类组件，我实际用的目录结构是这样的：

特别提醒：新版 ComfyUI 里，视频大模型默认放models/diffusion_models，旧教程总让你放models/unet，两者在新版中都能识别，但为了少出岔子，我建议跟随当前版本的默认路径；下载完模型后如果节点下拉列表里看不到，先刷新页面，还看不到就去确认文件扩展名是否以.safetensors结尾，.bin文件有时候也能用，但兼容性差一些。

3.2 文生图模型怎么选：SDXL 还是蒸馏加速模型

文生图底模的选择，取决于你想要"质量"还是"速度"。SDXL 系模型在 1024 分辨率下的细节和构图明显比 SD 1.5 好一大截，代价是权重文件大（约 6-7GB），采样步数通常在 20 到 30 步。如果你就是想快速迭代 prompt、比如做人像摄影构图练习，我建议留一个 SD 1.5 模型（约 2GB）做草稿，定稿再用 SDXL。

2025 年之后社区里出现了一批蒸馏加速模型，比如名字里带 turbo、lightning、或者类似 z-image-turbo 风格的工作流，它们的本质是用少步数蒸馏技术把常规 20-30 步的采样过程压缩到 4-8 步，同时对 CFG 的要求也变了，通常只要 1 到 2。这类模型在 5070 Ti 笔记本上非常舒服，因为步数少意味着出图峰值显存占用时间短，整体功耗和发热也降下来了。我现在的日常流程是：SDXL 模型打底出正式图，快速迭代时切 Turbo 类模型，两边互补。

3.3 文生视频模型的选型：从 LTX 到 Wan 再到混元

如果你和我一样第一次接触文生视频，千万别一上来就挑战最大的模型。12GB 显存的现实是：参数越多的模型，推理时中间张量也越大，全量推理基本都会被显存卡死。我按推荐顺序排一下吧。

LTX Video（约 2B 参数）是最适合入门的选择。它生成的视频分辨率可以到 480p 左右、支持文生视频和图生视频，在 5070 Ti 上跑一段 3 秒的片段需要的时间相对可控，画质虽然不如大模型细腻，但足以让你理解视频工作流的完整链路。Wan 2.1 1.3B是第二梯队，纹理和运动逻辑明显更好，建议直接下 FP8 量化版，能在 12GB 显存里留出更多余量。Wan 2.1 14B 和混元视频（Hunyuan Video）属于进阶选项，必须搭配 GGUF 量化（比如 Q4_K_M 或 Q5_K_M）才能进 12GB 显存，生成速度会掉到一个很"休闲"的水平，分辨率通常要压到 384 短边甚至更低。

这里有个容易漏掉的关键点：视频模型通常需要额外的文本编码器（T5/CLIP）和 VAE，不像文生图 checkpoint 那样一个文件包含全部组件。从 Hugging Face 下载视频模型时，页面里通常有diffusion_model、text_encoder、vae多个文件，要分别放到对应目录，少一个都会在工作流里报错。

3.4 被忽略的 VAE 和文本编码器

文生图出黑图、颜色发灰发紫，八成是 VAE 问题。很多 SDXL 底模在发布时把 VAE 内置了，用起来没问题；但换到某些社区模型或视频模型时，内置 VAE 可能缺失或质量一般。遇到这种情况，单独下载一个官方的sdxl_vae（对 SDXL）或兼容的 fp16 VAE 文件，放到models/vae，然后工作流里加一个 VAELoader 节点连接到模型的 VAE 输出上，问题立刻解决。

文本编码器同理。SD 1.5 和 SDXL 一般用 CLIP-L 就够；视频模型往往需要 T5-XXL 或大 CLIP，动辄 4-7GB。有的新人下载模型时只盯住扩散模型主体，结果加载节点一直找不到对应的 text encoder 文件，以为是模型坏了，实际上是没把配套文件放进去。模型主页的介绍文件都会写清楚"你还需要什么"，花两分钟看一眼，能省一小时排错。

4. 文生图工作流跑通：节点怎么连、参数怎么调

4.1 第一张图的工作流拆解

ComfyUI 默认打开就是一个空白编辑器，但第一节后，你会看到历史内置了一个最基础的工作流，名字大概叫 "Basic workflow"。它的节点链路是：Load Checkpoint→CLIP Text Encode（正向提示词）→CLIP Text Encode（负向提示词）→Empty Latent Image→KSampler→VAE Decode→Save Image。

逐个说人话：

• Load Checkpoint加载底模，同时把模型里的 CLIP（负责把文字变成条件向量）和 VAE（负责把潜空间图像解码成像素）带出来。
• CLIP Text Encode是提示词编码器，正向写成你想要的内容，负向写你不想出现的内容。负向提示词不是网上流传的"万能咒语"，它只是给采样过程一个"避开方向"，对 SDXL 来说负向写得太多反而限制构图。
• Empty Latent Image设置画布尺寸，也就是分辨率。分辨率影响的不只是清晰度，还有显存占用，SDXL 的推荐区域是 1024x1024 附近。
• KSampler是扩散采样的核心，参数见下节。
• VAE Decode把隐空间张量解码成正常图像。
• Save Image保存并预览。

第一次跑图，别急着改任何节点结构，先用默认 20 步跑一张，验证链路没断，再逐步加深。

4.2 KSampler 参数背后的逻辑

KSampler 里的参数看着多，真正影响结果的其实就四组：steps（步数）、cfg（提示词引导系数）、sampler/scheduler（采样器和调度器）、seed（随机种子）。

steps：采样步数越多，理论上越接近模型学到的分布，但收益递减。SDXL 常规 25-30 步，SD 1.5 常规 20 步，Turbo 类模型 4-8 步。别盲目加步数，超过 40 步之后大部分模型不会变好，只会变慢。

cfg：控制提示词对结果的约束力。SD 1.5 常用 7-10，SDXL 常用 6-8。cfg 太高会让图像过饱和、塑料感强；太低则内容发散，提示词里的要素容易丢。Turbo 蒸馏模型特别敏感，一般 1 到 2。

sampler/scheduler：不同的采样器对显存峰值几乎没有影响，但对画面风格有一定影响。在 5070 Ti 上我更推荐euler/euler_ancestral+normal这类经典组合，出图稳定，和大多数社区模型兼容性最好。dpmpp_2m+karras也不错，细节锐利一些。

seed：换个种子等于换个初始噪声，想复刻同一张图，记下 seed；想微调构图，固定 seed 改提示词，比如把"清晨的光"改成"黄昏的光"，对比效果时能排除随机性干扰。

4.3 速度与质量的平衡：Turbo 类模型的实际用法

把采样步数从 25 压到 6，出图速度能提升四倍以上，这就是蒸馏模型的核心价值。在使用 Turbo 类模型时，有一个必须调整的点：把 KSampler 的cfg降到 1 到 2，同时把默认采样器换成与模型匹配的那个（模型主页会写）。有人直接把 Turbo 模型套进普通工作流，结果图糊成一团，十有八九是 cfg 还在 7。

另一个实用技巧：用 Turbo 模型出草稿速度快，但细节精致度通常略逊于完整 SDXL。我的习惯是两阶段配合：先用 Turbo 模型快速确定构图和 prompt 方向，再用 SDXL 底模加 LoRA 以较高步数出成品。对笔记本来说，这样还能避免长时间满载导致的温度墙问题。

4.4 首跑必遇的四个问题

这段时间混社区，发现新手首跑遇到的坑非常集中。列出来，省得你一个个搜：

• 黑图或灰图：检查 VAE。在 Load Checkpoint 节点旁边加一个 VAELoader，或者换一个内置 VAE 质量好的 checkpoint。
• 直接报 CUDA OOM：显存不够。优先降 Empty Latent Image 分辨率，从 1024 降到 768 或 512；再不行换 SD 1.5 模型，或给 ComfyUI 启动参数加--lowvram。
• NaN 错误或者画面出现彩色噪点：通常发生在某些 FP8 量化模型搭配老采样器时，换用 Euler 采样器、或改用 FP16 权重可解决。
• 加载模型时报"key not found"：模型文件和版本不匹配，比如把 SDXL 的 VAE 文件直接当 checkpoint 加载。检查文件类型是否和节点匹配。

遇到 OOM 后，最实用的做法是直接重启 ComfyUI 进程，因为显存碎片不会因为一次报错自动清干净，硬撑着继续跑往往会连续 OOM。这个问题的根源是显存分配策略，而不是某个设置项，后面第五节再细聊。

5. 文生视频：12GB 显存不是禁区，但要会做取舍

5.1 12GB 能碰哪些视频模型

文生视频在 12GB 显存上是一个需要明确定位的话题。先给结论：可以玩，但别期望它在 5070 Ti 笔记本上和桌面 4090 一样跑 1080p 长视频。视频模型推理时除了模型权重，还要为每一帧的噪声和中间特征图分配显存，这就导致同样的参数量，视频比静态图吃显存得多。

我实测后给出的优先级：

1. LTX Video 2B：首选，真正适合 12GB 的模型。短片段（3 到 5 秒）能原生推理，速度快，适合摸清视频工作流。
2. Wan 2.1 1.3B FP8：画质比 LTX 好一个档次，VRAM 占用约 6-7GB，还有余量处理文本编码器和 VAE。12GB 用户最平衡之选。
3. Wan 2.1 14B GGUF Q4：能跑，但 VRAM 占用会靠近 10GB 甚至更高，分辨率必须压到 384/480 级别，出片等待时间以分钟计。
4. 混元视频 13B GGUF：同样是"能跑但费劲"档位，适合喜欢折腾量化参数的玩家。

下载视频模型时，认准模型来源页的推荐搭配，文件名里通常带fp8、gguf字样。千万别看到 14B 全量 fp16 文件就下，12GB 显存加载它第一步就死了。

5.2 视频工作流实例：Wan 2.1 1.3B 跑通

以 Wan 2.1 1.3B 为例，工作流的搭建顺序如下。先确认你已经把三类文件分别放好：diffusion_models里的 FP8 主模型、text_encoders里的 T5 编码器、vae里的 Wan VAE。然后在 ComfyUI 中新建一个流程（也可以从 ComfyUI 官方示例工作流里下载现成的 Wan 模板，再改路径）：

• 用UNETLoader加载 Wan 主模型，loader_type选unet。
• 用CLIPLoader加载 T5 文本编码器。
• 用VAELoader加载 Wan VAE。
• 正向提示词只写画面内容，比如"一只橘猫从窗台跳下来，背景是傍晚的城市，镜头缓慢推进"。
• 设置视频参数：帧数建议从 17 帧起步，分辨率从 480x480 或 512 短边起步。
• 采样器沿用 KSampler，步数 20 左右，cfg 按模型说明设为 3-4。
• 最后接入VAEDecode和Save Video节点。

第一次跑通时，我开的是 17 帧、512x512、FP8 模型，显存峰值在 8GB 上下，系统内存占用在 8GB 左右，整体能顺利完成。如果你想加长到 33 帧，建议先把分辨率降到 384，不然很容易在采样中段顶到显存上限。

5.3 Sage Attention 加速与 Windows 的 triton 坑

文生视频比文生图慢一个数量级，所以社区里大家都会装加速节点，最常见的加速手段是Sage Attention。它把标准 Attention 计算替换成灰度感知的近似算法，对视频这种高分辨率序列推理提升明显，在我这台机器上，部分片段渲染提速了约 20% 到 30%，同时显存峰值有一定下降。

安装步骤不复杂，但有一个非常折磨人的坑：通过 ComfyUI Manager 搜索并安装 Sage Attention 节点时，它对 Windows 的支持情况一般，因为你还需要先让 Python 环境里有triton库，而官方 triton 在 Windows 上长期是半残状态。如果你用的是手动部署的 venv 环境，我建议直接用pip install triton-windows（社区维护版本），然后再给 SageAttention 编译依赖。整合包用户则优先走 ComfyUI Manager 的自动安装，失败时再检查内置 Python 路径。

如果你在这上面折腾太久，我建议先放弃加速，用--disable-sage-attention或直接回归普通 Attention 跑通流程，这并不影响画质，只是慢。加速是锦上添花，不是必需项。

5.4 "爆内存"真实排查链路

社区里关于视频生成最常见的求助就是"爆内存"：生成到一半，内存占用飙升，系统卡死甚至直接蓝屏。我一开始以为纯粹是显存不够，后来仔细排查发现，这事要分几步看。

首先明确一个机制：Windows 在显存不足时，会把 GPU 的共享内存（Shared GPU Memory）作为兜底，而共享内存就是从你的系统内存条里划出去的。所以当你看到任务管理器里"内存"涨到 90% 以上，未必是 ComfyUI 在乱吃内存，而是显存爆了之后开始借用系统内存。这种情况的根源是显存不足，直接解决方式是降低模型精度、分辨率或帧数，让显存占用降下来。

其次是真正的系统内存不足。ComfyUI 加载多个模型、处理视频帧序列时，确实会占用大量 CPU 内存。我的排查链路固定是这一套，按顺序做：

1. 开着nvidia-smi -l 1盯显存占用，同时看任务管理器内存曲线，先判断是显存溢出还是内存溢出。
2. 若显存占用曲线撞到 12GB 后内存才开始暴涨，判定为显存不足。优先换 FP8/GGUF 模型，或把分辨率降一档。
3. 若显存没满但内存先爆，检查 Windows 虚拟内存（页面文件）。视频生成时系统内存很容易到 16GB 以上，页面文件过小会被强制回收或崩溃。我给自己的建议是 C 盘剩 30GB 以上，页面文件至少设置 32GB。
4. 在 ComfyUI 启动参数里加--cpu-threads 8，限制 CPU 线程，避免和 GPU 数据传输抢资源。
5. 如果多个模型轮换加载时容易内存激增，加--disable-async-unload，关掉异步卸载，减少模型同时驻留。

这条链路帮我定位了大部分 OOM 和卡死问题。视频生成比出图更考验整机内存，如果笔记本本身只有 16GB 内存，做视频前最好先关掉浏览器的一堆标签页，因为 Chrome 和 ComfyUI 抢内存是真实会发生的。

6. 笔记本特有状况：混合显卡、功耗墙和长时间生成

6.1 独显没被启用怎么处理

笔记本普遍是核显+独显的混合输出架构，ComfyUI 是基于 CUDA 的，理论上会优先选择 NVIDIA 独显，但如果你发现风扇不转、GPU 利用率低、速度慢得离谱，大概率是系统把计算指派给了核显，或者 ComfyUI 没被识别为高性能应用。

处理方法：打开 NVIDIA 控制面板 → 管理 3D 设置 → 程序设置 → 添加python.exe（ComfyUI venv 里的那个）→ 首选图形处理器设为"高性能 NVIDIA 处理器"。如果你用的是整合包，同样把它的启动器 exe 加进去。改完重启 ComfyUI，再用nvidia-smi确认进程是否真的挂在 GPU 上。

一个小提示：Windows 的"电源模式"也要切到最佳性能，否则笔记本在电池或节能策略下会主动压低 GPU 功耗，出图速度直接腰斩。

6.2 功耗墙与温度墙的应对

5070 Ti 笔记本版出厂会有一个功耗墙（TGP）范围，不同品牌调校差异很大。长时间跑视频生成时，GPU 温度一旦冲到 85-90 度，驱动就会自动降频，这时候显存占用看着没变，但出图速度会越来越慢，这就是很多人说的"越跑越慢"。

我的经验有三条：第一，物理散热优先，把笔记本垫高或者用支架，保证底部进风通畅。第二，用 MSI Afterburner 这类工具给 GPU 设定一个温度目标，比如 83 度，让它在撞温度墙之前主动微降频率，整体速度反而比反复撞墙降频稳。第三，如果你只是短时间出图，不用过度焦虑，跑完一张图后让 GPU 自然降温，别连续满负荷轰炸；视频生成这种长任务，建议在晚上的凉爽环境跑。

6.3 长时间生成时的稳定措施

连续生成 20 段视频，中途最怕两件事：系统自动休眠和驱动超时重启。我吃过一次亏：挂机生成 10 分钟回来后发现屏幕黑了，唤醒后任务竟然失败。后来学乖了：

• 插电运行，Windows 电源选项里把睡眠设为"从不"。
• 用管理员运行powercfg /change standby-timeout-ac 0，直接禁止插电待机。
• 视频生成时不要同时开大型游戏或视频剪辑软件，内存竞争是卡死主因。
• 后台挂着 ComfyUI 时，把浏览器切到轻量页面，Chrome 的内存占用比你想象的恐怖。

还有一个容易被忽略的点：尽量让 ComfyUI 保持前台或至少不在最小化状态下被系统判定为低优先级。虽说现代 Windows 不会因为最小化就砍掉 GPU 任务，但桌面窗口合成器的调度有时会干扰事件循环，终归前台更稳。

这些折腾完之后，这台 5070 Ti 笔记本对我来说就是一台可以背着走的 AI 出图工作台。从第一次跑黑图的挫败，到最终稳定产出短视频片段，最值钱的体会是：本地部署 ComfyUI 从来不是性能问题，而是"显存规划"问题。入门时别再纠结"能不能跑"，先问自己"打算跑多大的模型、用多高的分辨率"，答案自然就出来了。最后再分享一个小技巧：每次装完重要节点或模型，记得用 ComfyUI Manager 做一次配置快照，后面环境乱的时候能少哭十分钟，这个习惯救过我两次。