个人学习小站 SIGNAL DESK 2026
LIVE --:--:--
资讯 人工智能 ComfyUI 官方文档与版本 tag、PyTorch XPU 索引、Intel 驱动页

ComfyUI + Intel Arc:从驱动到第一张图的完整配置

按驱动、Python 环境、XPU 版 PyTorch、ComfyUI 本体、模型目录、首个工作流的顺序走一遍,给出每一步的验证方法和四个值得改的启动参数,并附 SD1.5、SDXL、Flux 三档的显存与耗时量级。

2026年11月18日 13 小时前 作者 站长 约 10 分钟 4 阅读

Arc 上装 ComfyUI,正确路径只有一条:装对驱动,装对 PyTorch 轮子,剩下的 ComfyUI 会自己认。走错的分叉只有两个——驱动是 OEM 精简版,或者从 PyPI 装到了 CUDA 版 torch。

这篇按顺序走完这条路径:驱动、Python 环境、XPU 版 PyTorch、ComfyUI 本体、模型放置、第一个工作流,最后给三档模型的显存与耗时量级。版本基线是 2026 年 11 月 18 日:ComfyUI 0.45.x、PyTorch XPU 稳定版 2.9.1、Intel 显卡驱动 32.0.101.9175。

先对齐三个版本

三样东西必须同时成立,任意一项不对,ComfyUI 都会安静地退回 CPU 出图。

项目要求2026-11 的实际情况
显卡驱动Intel 官方完整驱动,含 Level Zero 运行时32.0.101.9175(2026-11-04),覆盖 Arc A/B 系列与 Core Ultra
Python与轮子标签匹配稳定版轮子覆盖 cp310–cp314;nightly 从 cp311 起
PyTorchXPU 构建,版本号带 +xpu稳定 2.9.1+xpu;nightly 2.16.0.dev20261117+xpu

驱动这一项最容易被「我已经是最新了」糊弄过去。OEM 预装驱动版本号可能不低,但安装包里未必带 Level Zero 组件,而 XPU 后端就架在 Level Zero 上。判断标准不是版本号新旧,是 torch.xpu.is_available() 的返回值。

Python 这一项的变化点在 nightly。稳定版 2.9.1 还有 cp310 的 Windows 轮子,nightly 只从 cp311 起提供。用 3.10 环境装 nightly,pip 会告诉你找不到匹配版本——不是网络问题,是这个组合不存在。

DirectML 是另一条老路,不在 PyTorch 官方的 XPU 路径里。走这条路的代价不是速度,是生态:模型代码、自定义节点、报错信息都和主流教程对不上,出问题时能对照的资料很少。除非你有明确理由,否则没必要为了绕开安装步骤换一套栈。

驱动与运行环境

从 Intel 的下载中心拿通用驱动,版本 32.0.101.9175,安装包约 863MB。它会覆盖 OEM 定制驱动,这是预期行为。

装完重启,然后确认两件事:设备管理器里显卡没有黄色感叹号;dxdiag 的显示页能看到驱动版本与 32.0.101.9175 对得上。这两步只是排除明显问题,真正的验证在装完 PyTorch 之后。

不建议在同一台机器上反复装卸不同版本的驱动。残留的旧运行时 DLL 和新驱动混在一起时,加载到的可能还是旧的那份,表现出来就是「版本号变了,行为没变」。

原生 Windows 还是 WSL2

两条都是官方支持的路径,PyTorch 的 XPU 支持同时覆盖原生 Windows 11 和 WSL2 里的 Ubuntu。区别在驱动归属:WSL2 里 GPU 由 Windows 宿主驱动持有,guest 只装用户态包,所以在 guest 里再装一遍驱动没有意义,驱动更新永远在 Windows 侧做。

原生 Windows 的好处是少一层。路径更短,出问题时能对照的资料更多,模型目录也直接可见。代价是 Windows 的显存管理不如 Linux 干脆,同一张卡在 Windows 上的可用显存通常少几百 MB。

WSL2 的好处是能复用 Linux 侧的工具链,比如 intel_gpu_top 这类观察工具,以及一些只提供 Linux 轮子的自定义节点。坏处是跨文件系统读模型会明显变慢——把模型放在 /mnt/d/ 下加载,比放在 WSL 自己的文件系统里要慢不少。

选哪条主要看你要不要用 Linux 侧的其它工具。只跑 ComfyUI,原生 Windows 就够。

装 PyTorch:用 --index-url,不用 --extra-index-url

建一个干净的虚拟环境,只装 ComfyUI 需要的两个包。

py -3.12 -m venv .venv
.\.venv\Scripts\Activate.ps1

# Linux 下换成:python3 -m venv .venv && source .venv/bin/activate

# 注意是 --index-url,不是 --extra-index-url
pip install torch torchvision --index-url https://download.pytorch.org/whl/xpu

# 版本号要带 +xpu,后面要是 True
python -c "import torch; print(torch.__version__, torch.xpu.is_available(), torch.xpu.device_count())"

--extra-index-url 会让 pip 在 PyPI 和 XPU 索引之间挑版本号最高的那个。PyPI 上的 torch 版本号通常更新,结果就是装回一个 CUDA 版。--index-url 把源限定成唯一一个,配对由索引保证。

ComfyUI 只用到 torch 和 torchvision,不需要 torchaudio。少装一个的实际好处是少一个版本约束,不会因为某个包的依赖把 torch 拉回旧版本。

装完先跑上面那行验证。True 加上 +xpu 才算过;只看到版本号对、后面是 False,说明驱动那一步没到位。

装 ComfyUI:顺序不能反

先装 PyTorch,再装 ComfyUI 的依赖。反过来的话,requirements.txt 里那行没锁版本的 torch 会从 PyPI 拉一个 CUDA 版下来,之后再补 XPU 包就是两个版本混在一起。

git clone https://github.com/comfyanonymous/ComfyUI
cd ComfyUI
pip install -r requirements.txt

# 启动:显式指定设备,避免多设备机器上选错
python main.py --oneapi-device-selector "level_zero:0"

不需要加任何「启用 XPU」的开关。ComfyUI 在导入时会检查 torch.xpu.is_available(),为真就把设备设成 xpu:0。启动日志里出现 Device: xpu:0 Intel(R) Arc(TM) ... 就对了。

--oneapi-device-selector 只在有多块 Intel 设备时有意义。核显加独显的机器上,不指定的话可能默认用了核显,出图慢一个数量级,而日志里同样写着 xpu:0。

放模型与第一个工作流

三个目录别放错

ComfyUI 按目录识别模型类型,放错了节点里就看不到。

目录放什么参考体积
models/checkpointsSD1.5、SDXL 这类一体化权重SD1.5 fp32 4.27GB、fp16 约 2.1GB;SDXL base 6.94GB
models/diffusion_modelsFlux 的 DiT 本体flux1-dev 23.80GB(fp16)
models/text_encodersFlux 的 T5 与 CLIP-Lt5xxl_fp16 9.79GB / fp8 4.89GB
models/vaeFlux 的 ae.safetensors0.34GB

第一次跑建议从 SD1.5 开始。官方入门教程用的就是 v1-5-pruned-emaonly-fp16.safetensors,放进 models/checkpoints 后按 R 刷新列表。

模型不一定要放在 ComfyUI 目录里。把仓库自带的 extra_model_paths.yaml.example 复制成 extra_model_paths.yaml,填一个 base_path 指向现有模型库,就能把 checkpoints、loras、vae 全部外挂过来。

对多套环境的人来说这比复制文件省事:同一个模型库可以同时给 ComfyUI、WebUI 和别的工具用,换 ComfyUI 版本时也不用重新整理目录。

第一个工作流:七个节点

不需要下载别人的工作流,从空画布搭一遍最快理解链路。

  1. Load Checkpoint 选 SD1.5,它同时输出 MODEL、CLIP、VAE 三路。
  2. 两个 CLIP Text Encode,一个正向一个负向,都接同一个 CLIP 输出。
  3. Empty Latent Image 设 512 × 512,batch_size 保持 1。
  4. KSampler 的 steps 保持 20,cfg 保持 8.0,采样器和调度器用默认的 euler 与 normal。
  5. VAE Decode 接 KSampler 的 LATENT,VAE 接 Load Checkpoint 的 VAE 输出。
  6. Save Image 接解码后的 IMAGE。

点运行。512 × 512、20 步在 B580 上是秒级,第一张图出来得快,正好用来确认链路通不通。

判断有没有真的用上 GPU,别只看出图快慢——CPU 也能出图,只是慢。任务管理器的性能页切到 GPU,看 Compute 引擎有没有占用曲线。

第一次运行会明显慢,第二次就正常了。权重第一次要从磁盘读进显存,XPU 运行时也要建一次设备上下文,这两件事只发生一次。

所以「第一次二十秒、第二次两秒」不代表配置有问题。升级驱动或换 PyTorch 版本后,首次运行会回到慢的状态,同样属于正常。

出图之后先看三件事:图是不是黑的、色彩有没有偏、分辨率对不对。黑图和色偏通常是 VAE 精度问题,加 --fp32-vae 再跑一次;分辨率不对是 Empty Latent Image 没接上或者被别的节点覆盖了。

显存口径先对齐

Windows 任务管理器里有两个容易混的数字:「专用 GPU 内存」是卡上的,「共享 GPU 内存」是系统内存划过来的额度。

判断装不装得下,只看前者。后者再大也不解决问题——数据一旦落到共享区,速度就按内存带宽算,比显存慢一个量级,表现出来是「没报错,但慢得离谱」。

ComfyUI 启动时打印的 Total VRAM 读的是设备上报的总量,通常比「专用 GPU 内存」少几百 MB,差的是驱动预留。做容量判断时用 ComfyUI 自己报的数,它更接近实际可用值。

另外别忘了系统内存。模型被挪到内存里之后,物理内存不够、页面文件又设得小,失败方式不是 OOM 报错,而是进程卡死。12GB 卡配 16GB 内存的机器,先加内存比调参数有效。

三档模型的显存与时间量级

模型权重体积1024×1024 耗时量级12GB 卡
SD1.5(fp16)约 2.1GB秒级(512×512 更快)宽裕
SDXL base6.94GB数秒可行
Flux.1 dev(fp8)约 17.3GB(含文本编码器)数十秒需分阶段加载

耗时数据来自第三方在 B580 上的 XPU 容器实测(Linux + Mesa 驱动,预热后只计推理):SD1.5 512×512 二十步约 1 秒,SDXL 1024×1024 二十八步约 6 秒,Flux1 dev fp8 二十步约 35 秒。

Windows 原生环境和这套数据不会完全一致,差异主要来自驱动与 ComfyUI 的显存调度策略。把它当量级参考,不要当基准测试。

12GB 卡跑 Flux 的关键不在总容量,在「文本编码器和 DiT 不会同时驻留」。T5 编码完提示词就可以让出显存,ComfyUI 默认会做这个调度;一旦两个都留在卡上,17GB 直接爆。

三档之间的差距来自参数量,不来自优化。SD1.5 的 UNet 不到 1B 参数,SDXL 是 2.6B,Flux 的 DiT 是 12B,再乘以步数,量级差就是这么出来的。所谓「优化」,能改变的只是同一档内的小幅波动。

分辨率的影响是平方级的。512×512 到 1024×1024 是四倍面积,而注意力开销增长得比面积更快,实际耗时往往在四到六倍之间。显存吃紧时,先降分辨率再降步数,收益更直接。

核显是另一套账

Core Ultra 的 Arc 核显也能走完整条路径,但显存口径不一样:它没有独立显存,Total VRAM 报的是驱动允许的共享额度,实际上限受系统内存容量和带宽双重约束。

同一张 SD1.5 的图,核显的耗时通常是独显的数倍。可用范围大致是 SD1.5 的 512×512,SDXL 属于「能跑但要等」,Flux 不建议考虑。

判断有没有在搬内存,看任务管理器里的「共享 GPU 内存」。这个数字涨得越多,说明越多数据在系统内存和核显之间来回走,速度会被内存带宽锁死。独显机器上这一列基本不动,核显机器上它会跟着出图一起涨。

启动参数与验证

四个值得改的启动参数

默认值在 Arc 上不是最优,这四个是实际会动的。

--reserve-vram 1 给系统和桌面留 1GB。默认会按操作系统预留一部分,手动指定只是把余量调大。调太小会让切窗口卡顿,调太大则挤掉模型空间。

--disable-smart-memory 让模型用完立刻挪回内存,更慢但更稳。12GB 卡跑 SDXL 加 ControlNet 这类组合时,它能避免「上一个模型还占着显存、下一个装不进来」。

--fp32-vae 解决出黑图或色偏。VAE 在 half 精度下的数值问题在 XPU 上比 CUDA 更常见,换 fp32 解码只影响最后一步,代价可接受。

UR_L0_ENABLE_RELAXED_ALLOCATION_LIMITS=1 是环境变量,不是启动参数。部分 Intel GPU 上单次显存分配有 4GiB 左右的上限,加载大张量时会失败,报错里的总量却比要分配的量还大。放开这个限制后要自己保证不超总量。

$env:UR_L0_ENABLE_RELAXED_ALLOCATION_LIMITS="1"
python main.py --reserve-vram 1 --fp32-vae

xformers 不用装

N 卡教程把 xformers 当标配,Arc 上装不上,也不需要装。ComfyUI 的 xformers_enabled() 在检测到 Intel XPU 时直接返回 False,注意力走 PyTorch 自带的 SDPA。

也就是说,即便想办法装上了,它也不会被调用。启动日志里没有 xformers version: 这一行是正常的,不要为了这行字去折腾。

不用装不等于没有优化,只是优化来自别处。xformers 不可用时,注意力本来就会落到 PyTorch 的 SDPA 实现上,--use-pytorch-cross-attention 在 XPU 上不会改变结果,写不写都一样。

模型格式这边,.safetensors 是最稳的路径。GGUF 需要额外的自定义节点,反量化走普通 torch 算子,能跑但每步都有额外开销。fp8 checkpoint 是把权重存成 8 bit,计算时仍转回 half,省的是显存不是算力。

装完怎么确认

四条全过,环境就是对的:

  1. python -c "import torch; print(torch.version)" 输出带 +xpu。
  2. torch.xpu.device_count() 和你插的卡数量一致。
  3. 启动日志有 Device: xpu:0,Total VRAM 接近标称容量。
  4. 512 × 512 二十步能出图,且 GPU 的 Compute 引擎有占用。

第 3 条里的 Total VRAM 经常比任务管理器里的「专用 GPU 内存」少几百 MB,差的是驱动预留,属于正常。

第 4 条最容易漏。很多工作流在 CPU 上也能跑完,只是慢十倍,不看占用曲线发现不了,最后被归结成「Arc 就这个水平」。

出图正常之后,再考虑 Flux 这类大模型。显存怎么分段算,ComfyUI 对电脑配置要求那篇按档位拆过;把 UNet、文本编码器、VAE 分开加总的方法,可以对着本地跑大模型要多少显存那张表,思路是一样的。

第一次跑 Flux 之前,先把 SDXL 跑顺。SDXL 能把文本编码器、UNet、VAE 三段都走一遍,任何一段有问题都会在这一步暴露,比直接上 17GB 的模型好定位。

登录后可点赞、收藏与反馈。

继续阅读 NEXT

更多 →