本机实测
8GB显存怎么跑 ComfyUI FLUX？RTX 4060 Laptop 实测低显存方案
RTX 4060 8GB 跑 FLUX GGUF Q6_K + T5 FP8：768~1024 无 OOM，附实测耗时。
先说结论
RTX 4060 Laptop 8GB 可以跑 ComfyUI FLUX。
但有前提：别想直接上原版 FP16——原版 FP16 的 UNet 和全精度 T5 对 8GB 显存很不友好，通常会依赖 offload，速度和稳定性不好保证。对新手来说，不适合作为默认方案。我这台机器实测可行的方案是 FLUX GGUF Q6_K + T5 FP8。
实用推荐参数：1024×1024 + 20 steps + batch 1，在模型已加载后的热状态下实测约 108 秒一张。不算快，但能用。
这篇文章不写原理，只记录我这台机器的实测数据和踩过的坑。
边界声明：以下所有数据来自一台 RTX 4060 Laptop 8GB（驱动 610.47），不代表所有 8GB 显卡都完全一样。本文只测了 GGUF Q6_K 一种方案，BNB NF4 v2、FP8 Checkpoint、全精度 T5 都还没测——不要把这篇文章当成全方案横评。
我的测试环境
| 项目 | 配置 |
|---|---|
| GPU | NVIDIA GeForce RTX 4060 Laptop GPU |
| 专用显存 | 8 GB |
| 系统内存 | 32 GB |
| 操作系统 | Windows 11 Home China |
| 驱动版本 | 610.47 |
| ComfyUI 版本 | 0.24.0 |
| Python | 3.11.9 (venv) |
| PyTorch | 2.6.0+cu124 |
| CUDA | 12.4 |
这台是笔记本 4060，不是桌面版。移动端 4060 的 CUDA 核心数和显存带宽都比桌面版低，如果你的显卡型号不同，数据仅供参考。
为什么 8GB 不建议直接跑原版 FP16
FLUX.1-dev 的标准配置需要三样东西同时塞进显存：
| 组件 | 全精度大小 | 8GB 能不能装 |
|---|---|---|
| UNet (BF16/FP16) | 约 11.5 GB | 远超 8GB，依赖 offload 则速度暴跌 |
| T5 XXL (全精度) | 约 9.2 GB | 光这一个就超 8GB |
| CLIP-L + VAE | 约 0.5 GB | 能装 |
三个加一起 20GB+。技术上不是「绝对不能加载」，但对 8GB 显存来说，靠 offload 出图速度慢、稳定性差，不适合作为新手默认方案。
所以必须做两件事：
- UNet 量化——把模型精度砍下来，显存降到 8GB 能装下的水平
- T5 换 FP8——全精度 T5 一个就 9GB，FP8 版本约 4.6～4.9GB，具体取决于文件版本，直接省一半
本文实测方案：GGUF Q6_K + T5 FP8
用到的模型文件
| 模型 | 文件名 | 大小 | 存放目录 |
|---|---|---|---|
| UNet (GGUF Q6_K) | flux1-dev-Q6_K.gguf |
9.4 GB | models\unet\ |
| T5 (FP8) | t5xxl_fp8_e4m3fn_scaled.safetensors |
4.9 GB | models\text_encoders\ |
| CLIP-L | clip_l.safetensors |
234.7 MB | models\text_encoders\ |
| VAE | ae.safetensors |
319.8 MB | models\vae\ |
UNet 是 GGUF 格式（Q6_K 量化级别），不是标准 safetensors。虽然 flux1-dev-Q6_K.gguf 文件大小约 9.4GB，但在我这台 RTX 4060 Laptop 8GB 上可以完成出图。具体加载和显存驻留方式取决于 ComfyUI、ComfyUI-GGUF 和后端实现，本文只记录实测结果。
需要的 ComfyUI 节点
| 节点 | 用途 |
|---|---|
| Unet Loader (GGUF) | 加载 GGUF 量化 UNet（来自 ComfyUI-GGUF） |
| DualCLIPLoader | 加载 CLIP-L + T5 FP8，type 选 flux |
| VAELoader | 加载 FLUX VAE |
| EmptySD3LatentImage | 设置输出尺寸 |
| CLIP 文本编码 (Flux) | FLUX 双文本框提示词节点，上方写详细描述，下方写简短概括；第二个框不是负面提示词 |
| KSampler | 采样 |
| VAEDecode | 解码 |
需要安装 ComfyUI-GGUF 自定义节点。ComfyUI Manager 里直接搜就能装。
采样参数
| 参数 | 值 |
|---|---|
| sampler | euler |
| scheduler | simple |
| CFG | 1.0 |
| batch size | 1 |
| 负面提示词 | 本工作流未使用 |
| FLUX 第二文本框 | 简短正向概括，不是负面提示词 |
这张图是本次实测使用的 GGUF Q6_K + T5 FP8 工作流截图，核心是 Unet Loader (GGUF)、DualCLIPLoader、CLIP 文本编码 (Flux)、KSampler 和 VAE 解码。
最小操作流程
如果你已经装好了 ComfyUI 和 ComfyUI-GGUF，跟着这几步走：
- 加载模型：添加 Unet Loader (GGUF)，选择
flux1-dev-Q6_K.gguf - 加载文本编码器：添加 DualCLIPLoader，clip_name1 选
clip_l.safetensors，clip_name2 选t5xxl_fp8_e4m3fn_scaled.safetensors，type 选flux - 加载 VAE：添加 VAELoader，选
ae.safetensors - 设置尺寸：添加 EmptySD3LatentImage，width 1024、height 1024、batch_size 1
- 写提示词：添加
CLIP 文本编码 (Flux)节点。这个节点有两个文本框：上面写详细提示词，下面写简短概括。两个框都是正向条件，第二个框不是负面提示词 - 设置采样：添加 KSampler，seed 可选 randomize 或 fixed，steps 填 20，cfg 填 1.0，sampler_name 选
euler，scheduler 选simple，denoise 填 1.0 - 解码保存：添加 VAEDecode + SaveImage，连线即可
如果你已经有
flux_dev_full_text_to_image.json这个工作流（ComfyUI 官方 FLUX 示例），它用的是标准 UNETLoader，需要替换成 Unet Loader (GGUF) 并重新选模型。
实测结果
所有测试使用同一套模型（GGUF Q6_K + T5 FP8），只改分辨率和 steps。
| 分辨率 | steps | batch | 结果 | OOM | 耗时 | 说明 |
|---|---|---|---|---|---|---|
| 768×768 | 30 | 1 | ✅ 成功 | 否 | 121.95 秒 | 首轮实测 |
| 896×896 | 30 | 1 | ✅ 成功 | 否 | 194.88 秒 | 重启后运行，含冷启动/缓存初始化开销 |
| 1024×1024 | 30 | 1 | ✅ 成功 | 否 | 182.01 秒 | 模型/缓存已加载后运行 |
| 1024×1024 | 20 | 1 | ✅ 成功 | 否 | 108.26 秒 | 与 30 steps 相比明显更快 |
关于 896×896 的 195 秒和 1024×1024 的 182 秒：不要误解为「1024 比 896 更快」。896 那次是重启 ComfyUI 后跑的，包含首次加载模型、缓存初始化、ComfyUI-Manager 联网更新等额外耗时。1024 那次模型已经在显存里了。这两组数据的耗时差异主要来自冷启动 vs 热缓存，不能直接用来对比不同分辨率的推理效率。要精确对比的话需要在同一次会话中连续跑。
768 到 1024 全部没有 OOM。任务管理器显示专用 GPU 显存接近占满，但刚好没爆。
1024×1024 / 30 steps 出图结果
这是 RTX 4060 Laptop 8GB + GGUF Q6_K + T5 FP8 + 1024×1024 + 30 steps 的实测出图，对应日志耗时 182.01 秒。这里只证明能正常出图，不代表严格画质评测。
任务管理器显示 RTX 4060 Laptop GPU 的专用显存接近占满，但这轮 1024×1024 / 30 steps 没有 OOM。
推荐参数：1024×1024 + 20 steps
如果你只是想「能跑就行」，在模型已加载后的热状态下约 108 秒一张的 20 steps 方案是最实用的：
| 参数 | 推荐值 | 理由 |
|---|---|---|
| 分辨率 | 1024×1024 | FLUX 原生分辨率，构图最稳 |
| steps | 20 | 30 steps 要 182 秒，20 steps 降到 108 秒，出图质量目测没差太多 |
| batch | 1 | 8GB 别想 batch > 1 |
| sampler | euler | 稳定不出幺蛾子 |
| scheduler | simple | 配合 euler |
| T5 | FP8 | 全精度 9GB 一个就爆了，别试 |
20 steps 和 30 steps 怎么选
我这台机器上，1024×1024 分辨率下：
- 30 steps → 182 秒，约 3 分钟
- 20 steps → 108 秒，约 1 分 48 秒
耗时减少约 40%，肉眼看的出图质量没明显下降。如果你在调试 prompt、跑大量图，20 steps 能省不少时间。如果追求极致质量、准备出最终成品，跑 30 steps 也没问题——反正都不 OOM。
这不是严格 A/B 画质评测，只是同方案下的实用速度记录。别问我「画质损失多少」——我还没做严谨的 A/B 对比，纯主观感受。现在只能说「目测没差」。
常见误区
「小显存就是跑不了」
能跑，但别指望原版全精度 FP16。GGUF 量化就是给这种情况准备的。显卡没变，是模型格式变了。
「Q6_K 比 BNB NF4 v2 好/差」
我这台机器只测了 Q6_K，没测 BNB NF4 v2。不要根据这篇文章去判断哪个量化方案更好——我连对比数据都没有。
「不同分辨率的耗时可以直接比速度」
不能。我这四组测试不是同一会话连续跑的，896 那次有冷启动开销，1024 那次是热缓存。想精确对比不同分辨率下的纯推理效率，需要在同一次 ComfyUI 会话中按相同条件连续跑。
「8GB 随便跑」
不是随便跑。实测显存接近占满，系统内存也吃了不少。跑的时候 Chrome 能关就关，其他 GPU 应用（包括浏览器硬件加速）都会挤占那不到 8GB 的空间。
常见问题 FAQ
Q: 需要改 ComfyUI 启动参数吗？
A: 我目前用的是默认启动（没加 --lowvram），没遇到 OOM。如果你的机器显存被其他应用占得更多，可以试试加 --lowvram。但我还没实测过这个参数对 FLUX 的影响。
Q: 3060 12GB 能不能参考这篇文章？
A: 我没有 3060 机器，不能确认同样耗时。3060 12GB 显存更宽裕，但具体速度和兼容性需要实测。不同架构的 CUDA 核心数和显存带宽差异会影响实际出图时间，不能直接把我的 4060 数据套过去。
Q: 能不能用全精度 T5？
A: 我没实测。全精度 T5 约 9.2GB，再加上 UNet 会明显超过 8GB 专用显存容量，是否能靠 offload 完成出图取决于具体环境；本站不把它作为 8GB 新手方案推荐。
Q: 这个是 FLUX.1-dev 还是 Schnell？
A: FLUX.1-dev。Schnell 我也没测过。
Q: ControlNet 能用吗？
A: 没测。
Q: LoRA 能用吗？
A: 没测。
来源与未覆盖范围
本文没有测试 Q4/Q5、BNB NF4、FP8 Checkpoint、LoRA、ControlNet、Schnell 或更低显存显卡。这些项目不能从本文的 Q6_K 数据外推。