本地 AI 出图、出片：为什么现在绕不开 ComfyUI ​

魔当实验室 · 2026年10月

本文是"AI技术科普"系列第六篇。《本地 AI 工具的四层》讲的是语言模型那条线，这一篇把同样的分层思路用到图像与视频上；《模型文件到底从哪来》里"软件不产生模型，模型文件才是资产"那句，在这里有一个对应物。不评测、不排名、不放下载和注册链接。

AI技术发展很快，文中提到的工具、模型和数据反映的都是当前阶段的情况，口径均为 2026 年 10 月查询，具体功能与授权条款以各项目官网与其代码仓库、模型仓库为准。

先把一个前提纠正过来：这一层比的不是画质 ​

很多人选工具时问的第一个问题是"哪个出图更好看"。这个问题问不出答案，因为画质不在这一层。同一个模型文件摆在任何界面里跑，出来的东西是一样的——决定画面水平的是那个文件（以及你能装下它多大的版本），决定体验的是界面。

所以魔当实验室建议把选型问题换成四个能问出答案的：这个新模型多久能用上、这次的结果下次能不能原样重复、我这台机器的显存被榨得多干、跑错的时候我看不看得见中间步骤。

这四条也解释了图像和视频这一层过去两年最大的一次重心转移：为什么新放出的模型几乎都能在这一个软件里跑，而另外几个曾经很流行的界面却越来越常出现"加载不了"。

ComfyUI图片工作流模板

三条路线，各站在哪里 ​

这张表里没有名次，只有方向。第二条路线的现状可以用代码仓库上查得到的发版时间做锚点（2026 年 10 月 25 日查询）：A1111 最后一次正式发布是 2025 年 2 月；原作者写的那个 Forge 仓库推送停在 2025 年中；Fooocus 的正式版本停在 2024 年 8 月。而同期 ComfyUI 在十月中旬连着发了两个版本，另一家非节点路线的 Invoke 也在同一周发了新版本。这几个老仓库的星标数依然很高——还有大量人在用，和它们不再跟着新模型前进，这两件事同时成立。表单这条路上现在主要靠社区自发维护的后继项目撑着的，规模小，但更新还在继续。

为什么新模型几乎都先落到这里 ​

这是本文最想讲清楚的一段。答案不是"社区更热情"，是四个能落到实处的工程原因。

第一，权重的摆放方式刚好对得上它的读法。 模型实验室放出来的开源权重，通常是按角色分成几堆的独立文件：负责算的主干、负责读你文字的文本编码器、负责把结果变回像素的解码组件（VAE）。原因是权重托管平台对单个文件有体积上限，一个几十 GB 的模型必然被切成多片。而节点式界面本来就是三个不同的加载方块各读一类文件——它的内部结构和厂商的发布结构是同一个形状。老一代表单界面则习惯一个"什么都打包在一起"的完整文件，于是每来一个新架构，都得先有人自愿做一次合并与改写，这一步卡住了大量尝试。

第二，框架方自己下场重新打包权重。 现在只要是一个受关注的模型发布，官方组织会在权重托管站上开一个对应的重打包仓库：目录按主干、文本编码器、解码组件、风格模块（LoRA）、控制用的视觉模型分门别类放好，通常还附上现成的示例工作流，用户照着目录把文件放进本地对应位置就能用。Wan 系的视频模型、Z-Image、MOSS-Image、Qwen-Image、Lightricks 的 LTX、MiniMax 的视频模型，走的都是这一条路（2026 年 10 月查询）。上周刚放出的 MOSS-Image 是个现成的例子：它在社区里的下载几天内就冲到百万量级（公开报道口径），而大多数人第一次跑通它，靠的就是这个重打包仓库里现成的目录结构和示例流程。这件事的实际含义是："我能不能跑这个新模型"被从"要不要有人先做转换"变成了"要不要点一下下载"。

第三，"开源当天就支持"已经成了发布稿里的标配一行。 Qwen-Image 2.1 这样一个 7B、把文生图、改图和透明通道输出合进同一个模型的图像权重放出那天，支持声明里同时列了五六个框架，其中就有这一层；MiniMax H3 这种 33B、原生带同步音轨的视频模型放出时，官方支持里直接给了文生视频、图生视频、首末帧控制、参考图四套模板，还同步放出了剪枝量化版让消费级显卡也能开跑。反过来看厂商的算盘：要在发布当天让本地用户真的玩起来，接进这一层是投入产出最高的那一条路，因为它不用等界面改版。厂商愿意先来，生态就一直保持领先一个身位。

第四，显存和量化是在框架层解决的。 大模型放不进显存时的分块搬运、8bit 与 4bit 的低精度加载、GGUF 这类给本地用的压缩格式，都由核心和一批社区仓库统一维护。所以"12GB 显存跑十几 B 的视频模型""量化版在入门显卡上出片"这类事情不需要每个应用各实现一遍——《参数量、量化、显存占用是什么关系》里讲的压缩与搬运，在图像视频这一侧同样是框架替你做掉的。

一个节点有多好写，开发者为什么愿意来 ​

如果说上一段解释的是"厂商为什么先来"，这一段解释的是"为什么它总能接住厂商没顾及的边角"。

加一个新方块的成本极低。 一个节点本质就是一个类，声明三件事：我吃什么类型的东西、我吐什么类型的东西、我调用哪个方法执行；再补一行把它注册进去。文件放进插件目录，程序启动时自动扫描加载——不用改核心代码，不用编译，不用等谁批准。写一个把图片反色的方块，量级是几十行。新一些的接口还把图像、中间状态、视频这类数据做成了带校验的标准类型，出错时能明确指出是哪个方块的哪个输入不对。

这条低门槛直接决定了生态的形状：任何一个实验室、任何一个懂几行 Python 的技术美术，都能把自己缺的那一小步做成方块，第二天就有别人拿去用。官方页面给的一个数量级是六万多个自定义节点、数千个社区工作流（厂商公布口径，2026 年 10 月查询，当数量级参考）。这个数量和"它最快接住新模型"不是两个优点，是同一件事的两面。

还有一条更容易被忽略、但对工作室最重要的机制：画布上那张图本身就是接口。工作流存下来是一个 JSON 文件，同一份文件既能加载进界面里给人用，也能原样作为本地接口的一次请求提交出去。也就是说设计师搭好的流程不改结构就能接进批量脚本、接进生产管线——这是"个人玩具"和"能交付的产线"的分界点，也是团队愿意为此付学习成本的原因。再叠上官方的命令行工具、带版本管理和安全扫描的节点注册表、以及把闭源服务也接进同一张图的合作节点（业内已有把各家云端图像与视频服务、三维生成当成节点接进来的做法），这一层事实上变成了视觉生成的通用执行环境：图、片、音频、三维，都能出现在同一张画布上。连《什么是 MCP》里讲的那类智能体也一样——它自己不画图，它做的是把"我想要一张什么"翻译成对这一层的一次调用，剩下那一大串节点还是原来那一串。

对设计师，它的吸引力其实是更具体的四件事：流程是文件，能传——可以存成 JSON，甚至直接藏在一张成图的附加信息里，别人拖进去就能跑，不用问你"你装了什么插件、参数怎么调"；现成的比想象多——官方模板加上社区工作流站，多数人的日常是下载别人的流程、换提示词换尺寸；复杂度可以藏起来——把两百个方块的图只露出两三个输入项，需要时再切回完整视图，"用别人的"和"自己搭"是同一个软件里的两个视图；不用换地方工作——画布类绘图软件、剪辑与三维工具里都有把这一层当后端调用的插件。

魔当实验室的看法是：说"节点图太难"已经不是一个准确的评价。真正难的从来不是读一张图，而是配环境、找文件、补插件——而这三件事恰好是最近两年被处理得最多的部分。

图片与视频，现在是同一个软件 ​

这是这一层这两年最大的变化：本地做图和本地做片用的是同一个软件、同一套模型目录。差别只在于你要哪种输出，而输出类型决定你的机器要承多大的活。

先说正在发生什么。图像这一侧，FLUX.3 的 Image Klein、Qwen-Image 2.1、MOSS-Image 这批新模型有个共同点：生成和改图合在同一个权重里，能一次喂进去多张参考图，而且用语言模型来读你写的提示词（所以官方建议写成整段描述而不是堆关键词，这也是两年前的教程突然失灵的原因）。视频这一侧，社区在盘点 2026 上半年时的判断是"开源视频模型开始卷本地可用"——先保证能在消费级显卡上跑起来，再谈画质天花板。两件事合起来的结果就是：它们不再是两个软件，而是同一个软件里的两类流程。

下面是现在本地最常遇到的那批开源模型（两张表都大致按"从新近放出到上一代"排列，不是名次，也不是推荐；口径为 2026 年 10 月查询；同一家不同档位的授权可能完全不同，一律以仓库 LICENSE 为准）：

最后那一行值得多说两句，因为到今天仍然有大量的人是从它入门的，而且它当年赢的原因和现在掉队的原因其实是同一件事的两面：厚到没人能整体替换的存量，也正是让它换不了新结构的那份包袱。

当年大家为什么都往它身上堆东西。 Stable Diffusion 1.5 是 2022 年下半年放出来的，那会儿能玩的文生图要么是在网页后面排队、不给文件的闭源服务，要么根本装不进家用显卡，它是唯一一个"下载下来就能在自己电脑上跑、还能改"的可用模型。而且它小——主干不到 2GB，一张 8GB 显存的卡就够，很多人那台本来只用来打游戏的电脑一下就变成了出图机器，这是它能铺开的第一原因。真正让它变成生态的是一次用法上的发现：只要拿几十张图给它训一个小补丁（也就是 LoRA），就能固定住一张脸、一种画风、一套服装。于是"画师自己的画风""某个角色的脸""某种材质"全都做成了可下载的小文件，别人下一份挂上去就能用——社区站上那几十万个风格模块，绝大多数是围着 1.5 和 SDXL 做的，这个存量到今天还在被人挂着用。另一半是 ControlNet——一套把线稿、人体姿态、深度图变成硬约束的控制模块：它让"按线稿上色""按姿态摆姿势""按景深构图"变成标准动作，画师第一次能把出图塞进自己的流程里，而不是抽奖似地换种子。还有一件看不见的东西：它是第一批"人人都写教程"的模型，今天还在用的那套说法——步数、采样器、提示词权重、负面提示——全是围绕它定型的，后来人学的时候照抄了这套词。SDXL 是这一族的放大版，分辨率和画质高一档，代价是吃显存，很多人当年的分工就是"1.5 练脸和画风、XL 出终稿"。到 SD3.5，官方换了新架构、想把文字理解也接进来，构图指令跟随和画质都更好，但社区没有跟着搬过去——换架构意味着手上那一大堆 LoRA 和控制模块全部作废，训练工具和流程模板都得重做。一个模型真正开始老去，往往不是画质输给别人，而是围绕它的成本突然变高了。

现在为什么不再把它当首选。 上面那套积累有多厚，它的结构假设就有多难改：这一族的流程是"一个完整权重 + 一段关键词提示词 + 一个采样器"，而今天的要求是"生成和改图同一个模型、能喂参考图、用整段自然语言描述画面"，这两件事对不上。落到体感上就是三个具体的坑：画面里的文字基本不能用，尤其中文，招牌和标题经常是扭曲的笔画；想改一张已有的图，只能靠局部重绘那一套补丁，而不是模型本身会改；新架构的能力也不会从天而降装进一个老权重里，这一族的模型早就停止迭代了，能被更新的只剩下加载它的软件——而跟进最勤的那些软件，注意力早已放到前面那些新模型上。所以它现在更像一个存量资产很厚的老平台：还能跑，仍然好用，但新项目不再从它起步。

视频这边要多解释一句"为什么把 2025 年放出的两个排在后面却仍然留着"：判断一个视频模型在本地好不好用，看的不只是它发布时的画质，还有围绕它的社区改造量。Wan 那两个版本正因为放出得早、许可又宽松，量化版、显存优化版、图生视频与首末帧控制的模板都已经补齐，很多人"第一次本地出片"用的还是它；HunyuanVideo 1.5 类似，它主打的就是"同等画质下更容易装下"。而新近放出的那几家在能力上更靠前，配套流程往往还要再等几个月——这正是下面那句提醒的具体所指。

输出类型决定你要承多大的活，这一点用一张表说清：

也就是说五秒比一张图贵两个数量级，这不是软件的问题，是任务本身的问题。所以选型的第二问不该是"我做图还是做视频"，而是"我这台机器承得住哪种输出"——显存、内存和等待时间怎么权衡，第 3 篇算过同样的账，视频这条线上它只会更狠。

还有一句要提醒：模型"开源当天"不等于"你当天就能低显存跑起来"。量化版、剪枝版、示例工作流往往晚几天甚至几周才出现，这个时间差就是前面说的社区重打包和节点维护在补的位置。

三个问题帮你定位 ​

1. 我这次是要稳定重复一件事，还是偶尔出一张图？前者值得把流程搞清、甚至把工作流接进脚本；后者用表单式界面或现成模板就够。
2. 我这台机器承得住哪种输出——一张图，还是一段视频？这个问题决定你要装多少东西，比选软件重要。
3. 我打算用别人的流程，还是自己搭？如果用别人的，先跑一遍看它要额外下载哪些文件、缺了会不会直接报错；如果自己搭，把存下来的那份文件当资产收好。

界面会换，流程会留下 ​

这一层的工具过去两年换得比语言模型那层更快：一批曾经最流行的界面停止跟进新模型，新的架构假设反复出现，各家开源模型一个月一个。魔当实验室不建议把选型押在"哪款软件更红"上，因为这件事几个月就变一次。

值得押的是两样已经属于你自己的东西：攒下的模型文件，和理清的工作流文件。前者能跨软件带走，后者记的是"你打算怎么做这件事"——它可以传给同事、可以在换机器后原样重跑、可以让你这次踩的坑只踩一次。至于"打开就能用"这件事，方向和上一篇一致：市面上已经能看到一些把环境、依赖和常见模型打包在一起、做类似"一键安装、开箱即用"的方案，它们要解决的正是这一层最前面那道坎——不是你不会画图，是你还没把那台机器理顺。下一篇把这套分层方法用到第三个门类上：语音其实是三件事，听、说、像谁各在比什么，见《语音AI其实是三件事：听清、会说、像谁》。