作者： Matt Connor
自架 Stable Diffusion 需要多少硬體？實測規格
了解 CPU VPS 執行 SD 1.5 與 SDXL 的實際速度差異、6.94 GB 模型檔需求、ComfyUI 安裝指令，以及應預留多少磁碟空間。
自架 AI 影像生成器實際需要什麼
自架 AI 影像生成器由一個 Web 應用程式和一個模型檔案組成。應用程式是 ComfyUI，可在任何 Linux 主機上執行。硬體需求則取決於模型。SDXL 級 checkpoint 是單一 6.94 GB 檔案，並且需要放在 GPU 記憶體中。這項條件決定整體預算，因此租用任何資源前，請先閱讀下方的硬體級距。
簡單說明：僅使用 CPU 的 VPS 可以安裝並提供這套軟體，也能使用較舊的 Stable Diffusion 1.5 模型，以 512x512 解析度產生影像，每張約需 1 到 2 分鐘。同一台主機使用 SDXL 以 1024x1024 解析度產生影像，則每張需要 10 到 20 分鐘。這不是設定損壞，而是運算量造成的結果。本指南將說明原因。
模型大小決定所需的機器
影像生成會執行去噪迴圈。30 步的生成作業會讓去噪器，也就是 SDXL 的 UNet，對影像執行 30 次，而每次都會讀取 UNet 的所有權重。兩個文字編碼器會在迴圈前執行一次，VAE 則會在迴圈後解碼一次，因此不屬於每一步的成本。SDXL 的 UNet 使用半精度時，權重大小為 5.14 GB。依此簡化估算，執行 30 步的生成作業時，在看到影像前，記憶體大約需要傳輸 154 GB 的權重，此外還會產生更多中間張量。
配備 24 GB 顯示記憶體（VRAM，即焊接在圖形晶片旁的記憶體）的 GPU，每秒可讀取數百 GB 的資料，並能一次容納完整的 6.9 GB。CPU VPS 每秒從系統 RAM 讀取數十 GB 的資料，且沒有用於執行卷積的矩陣運算硬體，因此相同的迴圈會慢 1 到 2 個數量級。這與決定文字模型效能的記憶體頻寬因素相同，建議一併閱讀何時使用配備 GPU 的 VPS 才真正划算。
影像生成與文字生成有一項重要差異。聊天模型會串流輸出 token，因此即使機器速度較慢，仍會在閱讀時持續顯示文字，使用體驗尚可。影像必須等到最後一步完成後才會出現。速度慢，就只能盯著進度列等待。
硬體階梯：實際數據
以下區塊列出截至 July 2026，生成一張 1024x1024、30 steps、使用 Euler sampler 的 SDXL 圖片時，常見的數據。請將這些數值視為數量級估算。使用的 sampler、steps 數量與解析度都會影響結果。
此圖表背後的資料
[
{
"label": "8 vCPU VPS, no GPU",
"seconds_per_image": 780
},
{
"label": "8GB VRAM GPU",
"seconds_per_image": 32
},
{
"label": "12GB VRAM GPU",
"seconds_per_image": 18
},
{
"label": "24GB VRAM GPU",
"seconds_per_image": 9
}
]CPU 每張圖片需要 780 秒，約 13 分鐘。24 GB 顯示卡需要 9 秒。這就是你升級硬體所換取的差距。
請依照以下方式解讀這個階梯。VRAM 少於 8 GB 時，SDXL 仍可執行，因為 ComfyUI 會共同管理 VRAM 與系統 RAM，並自動卸載模型權重。截至 October 2026，專案的 README 將最低需求列為 4 GB VRAM 加上 8 GB 系統 RAM，並使用非同步權重串流。卸載會在每個 step 增加耗時，因此 6 GB 顯示卡每張圖片的時間會接近 1 分鐘，而不是 30 秒。8 GB 時，基礎模型可以載入，生成過程也較順暢。12 GB 時，可以在不卸載的情況下，讓一或兩個 ControlNet 與 checkpoint 同時載入。24 GB 時，可以在同一個工作流程中執行 SDXL、refiner 與放大處理，也能保留充裕空間訓練 LoRA adapter。訓練所需的記憶體可以更少：kohya-ss sd-scripts trainer 的 SDXL training guide 表示，LoRA training 可使用 8 GB GPU memory 完成，建議使用 10 GB。為達成這項需求，該指南要求只訓練 U-Net、啟用 gradient checkpointing、快取 text encoder outputs 與 latents、使用 8-bit optimizer 或 Adafactor，並在 8 GB 顯示卡上將 LoRA dim 降至 4 到 8。包裝這些 scripts 的 kohya_ss GUI 之 LoRA guide 則較為保守，表示 LoRA training 應使用至少 12 GB memory 的 GPU。
CPU VPS 可以與不可以執行的工作
它能執行的工作比一般人預期更多，但少於行銷內容所暗示的範圍。請明確區分這條界線。
CPU VPS 可以安裝 ComfyUI、提供 Web 介面、存放模型庫、執行佇列，並且在完全沒有 GPU 的情況下產生影像。使用 Stable Diffusion 1.5、512x512、20 steps 時，配備 8 個新一代 vCPU 與 16 GB RAM，單張影像約需 60 到 150 秒。對於整晚執行的批次工作，或是放在佇列後方、流量較低的影像端點，這樣的效能確實足夠。
CPU VPS 無法提供互動式工作流程。提示詞反覆調整代表每小時產生 20 張影像；若每張需要 13 分鐘，一小時只能完成 4 張。它也無法用於訓練。LoRA 微調在 CPU 上通常以天計算，而不是以小時計算，因此應視為不可用。
僅使用 CPU 時，記憶體需求規則與 GPU 不同。模型權重會載入系統 RAM，因此需要模型大小加上工作空間：SDXL 約需 16 GB RAM，SD 1.5 約需 8 GB。4 GB 的主機可以啟動 ComfyUI，但在第一次產生影像期間，程序可能被 out-of-memory killer 終止；此時程序會消失，並在 dmesg 中顯示 Killed，且不會留下 Python traceback。
在 GPU 主機上安裝 ComfyUI
以下是上游提供的指令。請從已安裝 NVIDIA 驅動程式的全新 Ubuntu 24.04 安裝開始。先確認驅動程式，因為未執行這項檢查時，後續所有錯誤看起來都一樣。
nvidia-smi此指令必須輸出包含顯示卡與 CUDA 版本的表格。command not found 或 NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver 表示驅動程式遺失，或核心模組在升級後未載入。請先修正這個問題再繼續，否則 ComfyUI 會靜默改用 CPU，最後你會誤以為是軟體本身的問題。
sudo apt update
sudo apt install -y git python3-venv python3-pip wget
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
python3 -m venv venv
. venv/bin/activate
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txt虛擬環境不是可有可無的建議。PyTorch 會拉取大量相依套件。在還執行其他工作負載的主機上全域安裝 PyTorch，可能會破壞其他環境。繼續之前，先確認 PyTorch 能偵測到顯示卡。
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"True 加上你的顯示卡名稱，表示整個軟體堆疊運作正常。False 表示你安裝的 wheel 與驅動程式不相容，通常是因為先前已有僅支援 CPU 的 torch wheel 被快取。請使用上方的 index URL 重新安裝。
取得模型，並規劃磁碟空間
ComfyUI 不包含模型權重。Checkpoint 放在 models/checkpoints，VAE 檔案放在 models/vae，LoRA adapter 放在 models/loras。
cd ~/ComfyUI/models/checkpoints
wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors請一律優先使用 .safetensors，不要使用 .ckpt。.ckpt 檔案是 pickle 化的 Python 物件，載入時會執行建立該檔案者提供的程式碼。safetensors 格式只包含 tensor，因此惡意檔案無法執行任何程式。
儲存空間是最容易被忽略的成本。單一 SDXL base checkpoint 就有 6.94 GB。Refiner 另需 6 GB。SDXL ControlNet 模型的大小從 320 MB 的小型 Canny 模型，到半精度下 2.5 GB 的完整模型不等。Upscaler 所需空間較少：標準 Real-ESRGAN x4plus 模型為 67 MB、anime 模型為 17.9 MB，anime video 模型為 2.5 MB。LoRA 的大小從數十 MB 到 ByteDance 的 Hyper-SDXL adapter 所需的 787 MB 不等。只要持續使用，通常一週內就會再下載第 2 個和第 3 個 base model。請為可正常運作的安裝預留 100 GB 磁碟空間，也要監控 outputs 目錄：1024x1024 的 PNG 檔案每個約為 1 到 2 MB，未受監控的批次工作可能會悄悄填滿小容量磁碟。請將 models/ 和 output/ 放在可擴充的 volume 上，並使用類似 對 object storage 進行加密增量備份 的方式備份 workflow JSON 檔案。模型權重可以重新下載，但調整完成的 workflow 無法重新取得。
執行服務並安全存取
cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188ComfyUI 使用 8188 埠。在僅使用 CPU 的主機上，加入 --cpu，強制使用 CPU 路徑，避免因找不到 CUDA 裝置而失敗。
繫結至 127.0.0.1，不要繫結至 0.0.0.0。ComfyUI 現在確實提供帳戶功能，但這些帳戶都不會保護你的伺服器。Settings 的 User 區段中的登入功能，是登入 Comfy 帳戶；即使是本機安裝也能使用。Comfy 的文件列出以電子郵件、Google、GitHub 和 API key 登入的方式。文件說明該帳戶可用來存取合作夥伴節點和 Comfy Cloud 訂閱，但沒有任何內容表示它能用來以密碼保護你自己的伺服器。--multi-user 旗標只會啟用每位使用者各自的儲存空間：截至 October 2026，伺服器會從 comfy-user request header 取得使用者名稱，且不檢查密碼。任何能連到該埠的使用者，都可以排入工作、讀取你產生的所有圖片；如果你以 --enable-manager 啟動服務，還能安裝 custom nodes，這等同於在伺服器上執行任意程式碼。請改用 laptop 的 SSH tunnel 存取服務。
ssh -N -L 8188:127.0.0.1:8188 you@your-server接著在本機開啟 http://127.0.0.1:8188。如果需要真正的多使用者存取，請在前方設定具備驗證功能的反向代理，並讓應用程式繫結至 localhost。相同原則也適用於任何未經驗證的自架服務，這是 VPS 上的 Docker Compose 部署 的標準模式。
在 systemd 下持續執行
SSH 工作階段關閉後就停止的算圖佇列不是服務。請讓它以沒有登入權限的 comfy 使用者執行，不要使用目前的帳號：自訂節點包含程式碼，不應讓這些程式碼存取你的家目錄。建立使用者，並將安裝內容移至其家目錄：
sudo useradd --system --create-home --home-dir /home/comfy --shell /usr/sbin/nologin comfy
sudo mv ~/ComfyUI /home/comfy/
sudo chown -R comfy:comfy /home/comfy/ComfyUI移動後虛擬環境仍可正常運作，因為單元會直接呼叫其中的 python。接著建立 /etc/systemd/system/comfyui.service。
[Unit]
Description=ComfyUI
After=network-online.target
[Service]
User=comfy
WorkingDirectory=/home/comfy/ComfyUI
ExecStart=/home/comfy/ComfyUI/venv/bin/python main.py --listen 127.0.0.1 --port 8188
Restart=on-failure
RestartSec=5
[Install]
WantedBy=multi-user.targetsudo systemctl daemon-reload
sudo systemctl enable --now comfyui
systemctl status comfyui出現 active (running) 且日誌包含 To see the GUI go to: http://127.0.0.1:8188，表示服務已啟動。請注意，ExecStart 會直接指定虛擬環境中的直譯器，因為 systemd 不會載入你的 shell 設定檔，因此不會發生 activate。
依預算給出的實際建議
如果你想嘗試影像生成，而且成本比速度重要，請選擇配備 16 GB RAM 的 CPU VPS，使用 SD 1.5 以 512x512 生成，並接受每張影像需要 1 到 2 分鐘。這是務實的入門方式，成本只需任何配備 GPU 的方案的一小部分。你也可以先用這台主機存放模型庫與工作流程，之後再決定是否升級。
如果你每天都會反覆調整提示詞，請向 GPU cloud 按小時租用至少配備 12 GB VRAM 的 GPU，停止使用時關閉該執行個體。影像生成通常是突發性的工作；GPU 閒置卻按月計費，是最常見的超支原因。請將 checkpoints 存放在低成本的 block storage 上，並掛載使用。
如果你要為其他人提供服務，或經常訓練 LoRA adapters，請規劃 24 GB VRAM，以及一台長期保留的機器。sd-scripts 的 SDXL 指南指出，使用其節省記憶體設定時，LoRA 訓練可在 8 GB 上執行，建議使用 10 GB；kohya_ss GUI 的 LoRA 指南則要求至少 12 GB。sd-scripts 指南中的 24 GB 數值，是針對 batch size 1 的完整 SDXL 微調，因此 24 GB 顯示卡足以應付 LoRA 工作，也仍能進行微調。到了這個階段，同一台主機通常也能順便執行本機語言模型，相關設定請參閱 使用 Ollama 自架 LLM。
無論選擇哪個層級，在相信任何公開數據前，都應先測量自己的機器。使用相同的提示詞排入佇列 5 次，讀取 ComfyUI 在主控台輸出的每次迭代秒數。這個數字才是你實際所處的效能層級。
FAQ
我可以在沒有 GPU 的情況下執行 Stable Diffusion 嗎？
可以。ComfyUI 使用 python main.py --cpu 執行，沒有顯示卡也能產生實際影像。使用 8 個新式 vCPU 時，Stable Diffusion 1.5 以 512x512 產生每張影像約需 60 至 150 秒；SDXL 以 1024x1024 產生每張影像則需 10 至 20 分鐘。這適合夜間批次處理及低流量端點。不適合反覆調整提示詞，完全無法用於訓練。
SDXL 需要多少 VRAM？
8 GB 可讓 SDXL 在 1024x1024 下穩定執行。低於此容量時，ComfyUI 會自動將模型權重卸載到系統 RAM，仍可正常運作。截至 October 2026，其 README 指出最低需求為 4 GB VRAM 加上 8 GB 系統 RAM，而每個卸載步驟都會增加耗時。12 GB 可在載入 checkpoint 的同時容納 ControlNet，24 GB 則可在同一個工作流程中容納 base、refiner 及 upscaling。kohya-ss sd-scripts 指南指出，使用其節省記憶體設定時，SDXL LoRA 訓練可使用 8 GB，建議使用 10 GB；kohya_ss GUI 的 LoRA 指南則要求至少 12 GB。完整的 SDXL 微調在 batch size 為 1 時需要 24 GB。
模型需要多少磁碟空間？
SDXL base checkpoint 本身為 6.94 GB，refiner 另需約 6 GB。SDXL ControlNet 模型在 half precision 下每個介於 320 MB 至 2.5 GB，LoRA adapter 介於數十 MB 至 787 MB，Real-ESRGAN upscaler 介於 2.5 MB 至 67 MB。可為可用的安裝預留 100 GB，容納幾個 base model；另外監控輸出目錄，因為 1024x1024 PNG 檔案每個約為 1 至 2 MB。
將 ComfyUI 暴露在公開網際網路上安全嗎？
不安全。ComfyUI 設定中的 Comfy 帳戶登入可從本機安裝使用，但它會讓你存取 Comfy 的 partner nodes 與雲端訂閱，而 Comfy 的文件沒有任何內容將其描述為保護伺服器的機制。--multi-user 旗標只能分隔每位使用者的儲存空間，不會檢查任何密碼。啟用 ComfyUI-Manager 後，介面會安裝 custom nodes；這些是會在伺服器上執行的 Python 程式碼，因此開放連接埠等同於提供遠端程式碼執行能力。將其繫結至 127.0.0.1，透過 SSH tunnel 搭配 ssh -N -L 8188:127.0.0.1:8188 you@your-server 存取；如果需要讓多位使用者存取，則在其前方放置具備驗證功能的反向代理。
為什麼我的算圖程序會在沒有錯誤訊息的情況下被終止？
如果程序在 dmesg 中顯示 Killed 後消失，且沒有 Python traceback，原因是 Linux 的 out-of-memory killer，而不是 ComfyUI 錯誤。在僅使用 CPU 的主機上，模型權重會放在系統 RAM 中，因此 SDXL 約需 16 GB，SD 1.5 約需 8 GB，此外還需要工作空間。增加 RAM、增加 swap，或改用較小的模型及較低的解析度。