本机实测
ComfyUI FLUX 8GB 显存不够怎么办？OOM、加载慢、爆显存排查记录
8GB 显存跑 FLUX 为啥 OOM？从 FP16、T5、batch_size 到浏览器显存，逐个排查。
先说结论
RTX 4060 Laptop 8GB 可以跑 ComfyUI FLUX，但前提是别直接上原版 FP16。
我实测能稳定跑通的方案是 GGUF Q6_K + T5 FP8，在 1024x1024、batch 1 下正常出图，没有 OOM。原版 FP16 UNet + 全精度 T5 对 8GB 显存不现实，通常依赖 offload，速度和稳定性都不好保证。
这篇文章整理我在排查显存问题时积累的记录——哪些操作容易 OOM、哪些参数能省时间但不省显存、遇到问题先查什么。
边界声明：以下所有结论基于 RTX 4060 Laptop 8GB（驱动 610.47）。我没有在 6GB、12GB、台式 4060 上测试。其他显卡能跑什么方案、什么分辨率，本文不能替它们回答。
我的机器配置
| 项目 | 配置 |
|---|---|
| GPU | NVIDIA GeForce RTX 4060 Laptop GPU |
| 专用显存 | 8 GB |
| 共享 GPU 内存 | ~16 GB（系统内存共享，不建议依赖） |
| 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 |
| 启动参数 | 无 –lowvram、无 –gpu-only |
这是一次 FLUX GGUF Q6_K + T5 FP8 运行时的显存占用状态。8GB 显存基本会被吃满，所以排查 OOM 时要先看模型方案、分辨率、batch_size 和其他 GPU 程序。
常见 OOM 场景
以下是我实测或踩坑记录里遇到过的 OOM 触发场景。有些是我反复试出来的，有些是查 ComfyUI 日志确认的。
1. 原版 FP16 UNet 太大
原版 FLUX FP16 UNet checkpoint 文件本身就超过 11GB。加载到显存后，即使加上 offload 机制，8GB 也捉襟见肘。
我没直接用原版 FP16 跑通过完整出图流程——加载阶段就能看到显存迅速占满。所以本文推荐 GGUF 量化方案作为替代。
2. 全精度 T5 XXL 文本编码器
全精度 T5 XXL 约 9.2GB（两个 safetensors 文件）。即使不和 UNet 同时常驻显存，加载和卸载过程也会冲击显存峰值。
我改用 T5 FP8（约 4.6～4.9GB，具体取决于文件版本），配合 GGUF Q6_K UNet，没有再遇到 T5 导致的 OOM。
3. batch_size 大于 1
这是最容易踩的坑。EmptySD3LatentImage 的 batch_size 默认可能不是 1。一旦设成 2，显存需求几乎翻倍，8GB 基本必 OOM。
我所有成功测试都设定 batch_size = 1。
4. Chrome 或浏览器硬件加速占显存
如果在跑 ComfyUI 的同时 Chrome 开了很多标签页，浏览器会占用一部分 GPU 显存用于硬件加速。量不大（通常 100-500MB），但在 8GB 已经紧张的情况下，这点裕度可能就是 OOM 和不 OOM 的差别。
建议跑图前关闭浏览器，或者至少关闭吃显存的标签页（视频、WebGL、大型网页应用）。
5. 其他 GPU 程序占用显存
除了浏览器，以下也会占显存：
- 任务管理器本身（GPU 监控）
- 录屏软件（OBS、NVIDIA ShadowPlay）
- Discord / Slack / 微信 的硬件加速
- 之前跑过的 AI 程序残留进程
跑图前打开任务管理器 -> 性能 -> GPU，看专用 GPU 内存使用量。如果什么都没跑就已经占用了 1-2GB，一定有别的东西在吃显存。
6. 1024 以上分辨率
1024x1024 在我的机器上能跑。但我没测过更大的（比如 1280x1280、1024x1536）。分辨率增大，Latent 张量变大，KSampler 计算所需显存也会增加。
如果你的机器在 1024 已经不宽裕，不建议继续往上试探。
我实际能跑通的组合
以下组合在我这台机器上确认可用，没有 OOM：
| 方案 | UNet | T5 | 分辨率 | batch | 结果 |
|---|---|---|---|---|---|
| GGUF Q6_K | flux1-dev-Q6_K.gguf | FP8 | 768x768 | 1 | 成功，无 OOM |
| GGUF Q6_K | flux1-dev-Q6_K.gguf | FP8 | 896x896 | 1 | 成功，无 OOM |
| GGUF Q6_K | flux1-dev-Q6_K.gguf | FP8 | 1024x1024 | 1 | 成功，无 OOM |
所有方案统一使用 euler / simple / CFG 1.0。完整配置和实测耗时见《8GB显存怎么跑 ComfyUI FLUX？》。
遇到 OOM 时优先检查什么
按优先级从高到低排列。每一项都建议确认后再试下一项。
- batch_size 是不是 1 — 最容易被忽略，检查 EmptySD3LatentImage 节点
- DualCLIPLoader 的 type 是不是 flux — 选错不会直接报 OOM，但可能导致奇怪的错误
- T5 是否用的 FP8 — 检查 DualCLIPLoader 的 clip_name2 是否选了 FP8 版本（文件名含 fp8）
- UNet 是否用的 GGUF — 确认加载节点是 Unet Loader (GGUF)，不是普通的 Load Checkpoint
- 打开任务管理器看专用 GPU 内存 — 跑图前确保没有其他程序占显存
- 重启 ComfyUI — 如果前面有失败的加载尝试，显存可能没完全释放，重启是最干净的
- 重启电脑 — 极端情况下，NVIDIA 驱动层面的显存泄漏需要重启才能清空
哪些参数省时间，哪些不省显存
这是最容易混淆的地方。参数调对了能省显存，调错了只是省时间但不解决 OOM。
| 参数 | 省显存？ | 说明 |
|---|---|---|
| 降低 steps（30 -> 20） | 否 | 省计算时间，不省显存。模型该占多少还是占多少 |
| 降低分辨率（1024 -> 768） | 是 | Latent 变小，采样中间量变小，显存压力降低 |
| batch_size = 1 | 是 | 最关键。大于 1 就基本必 OOM |
| 换 GGUF 量化 | 是 | 从原版 FP16 换到 Q6_K，UNet 显存大幅降低 |
| 换 T5 FP8 | 是 | 全精度 -> FP8，文本编码器减半 |
| 关浏览器 | 是 | 释放被占用的几百 MB，有时就是临界值 |
| 换采样器 | 一般否 | euler / dpmpp_2m 等采样器显存差异不大 |
| 调整 CFG | 否 | CFG 1.0 vs 3.0 显存差异可忽略 |
核心原则：显存紧张时，先换模型方案（GGUF + T5 FP8），再降分辨率，最后才考虑其他参数。降 steps 解决不了 OOM。
–lowvram 是否要开
我目前的 ComfyUI 启动没有加任何特殊参数，GGUF Q6_K + T5 FP8 方案下不 OOM。
–lowvram 会让 ComfyUI 更积极地将模型在 CPU 内存和 GPU 显存之间搬运。好处是可能让某些原本 OOM 的方案勉强能跑，代价是变慢。
–gpu-only 则相反，强制所有数据留在 GPU。这个参数对显存本来就紧张的 8GB 反而容易导致 OOM。
我的建议是：先不加参数试。如果你的方案在我上面列出的“能跑通组合”里仍然 OOM，再尝试加 –lowvram。不要一上来就开。
本文没有在 –lowvram 模式下做完整测试，不能给“开了就一定没问题”或“开了会更慢多少”的量化结论。
常见误区
“8GB 显卡绝对跑不了 FLUX”
不对。我用 8GB 跑了 GGUF Q6_K + T5 FP8，768 到 1024 都能出图。不能跑的是原版 FP16 + 全精度 T5 的组合，而不是 FLUX 本身。
“降 steps 能解决 OOM”
不能。steps 控制采样迭代次数，影响计算时间，不影响模型加载后的显存占用。OOM 发生在加载阶段，steps 还没开始起作用。
“共享 GPU 内存可以当显存用”
不建议依赖。Windows 显示的“共享 GPU 内存”来自系统内存，速度远慢于专用显存。真靠共享内存跑，出图时间会从几分钟变成几十分钟甚至更久，而且系统可能不稳定。
“报了 OOM 就是显卡不够”
不一定。很多时候 OOM 是因为配置不当（batch_size 没设 1、T5 用了全精度、Chrome 吃了显存），而不是硬件本身不行。先按上面的排查清单过一遍。
常见问题 FAQ
8GB 显卡是不是一定跑不了 FLUX？
不是。跑不了的是原版 FP16 组合。GGUF 量化方案可以在 8GB 上跑通。我的机器就是例子。
降 steps 能不能解决 OOM？
不能。steps 省时间，不省显存。OOM 发生在加载模型阶段，steps 还没介入。
为什么 batch_size 必须是 1？
因为 batch_size > 1 会让 Latent 张量维度翻倍，KSampler 中间计算结果也会翻倍。8GB 显存无法承受。我在 batch_size = 1 下所有测试都正常。
T5 FP8 和全精度 T5 有什么区别？
文件大小约减半（9.2GB -> 约 4.6～4.9GB，具体取决于文件版本），加载时显存峰值降低。FP8 会牺牲部分数值精度，但在实际出图中我没有肉眼可见的画质退化。全精度 T5 我没有跑通过完整出图（显存不够），所以本文做不了严格的画质对比。
4060 Laptop 8GB 和台式 4060 一样吗？
不一样。笔记本 4060 的 TGP（功耗墙）、核心频率、显存带宽都低于台式版本。我没有台式 4060 来做并排对比，所以本文所有数据只能代表 Laptop 版。台式 4060 可能更快，但本文不能替你确认。
我能用 6GB 显卡跑这套方案吗？
本文没有在 6GB 上测试，因此不能给出最低显存门槛。模型文件大小也不等于运行时显存占用，是否能跑需要在相同版本与工作流下实际验证。
来源与边界
本文只记录 Q6_K + T5 FP8 在一台 RTX 4060 Laptop 8GB 上的成功结果，不提供其他显卡或量化级别的最低显存估算。