最近折腾 ComfyUI 的花样越来越多，有人拿它做修图，有人拿它跑写真，但我被问得最多的问题是：“只有 6G 显存，能本地玩反推和提示词直出吗？”
答案是能，而且比你想象中稳。这篇记录基于我反复装了三次才稳定运行的一套方案：PixAI 反推负责把任意图片变成可读的提示词，Anima 提示词直出负责把反推结果整理成能直接扔进生成器出图的输入，整套流程最终在我的 6G 显存卡上跑了起来，连整合包和工作流文件我都按目录打包好了。这篇文章就是一份保姆级的部署和避坑记录，适合正在被显存焦虑折磨、又不想放弃本地出图的玩家。
1. 先把目标说清楚：PixAI 反推、Anima 直出和 6G 显存到底怎么凑到一块
1.1 反推到底是什么：把一张图“翻译”成提示词
反推（Interrogation / Captioning）在 AI 绘画里不是新概念。早期大家用的是 WD14 Tagger，本质是一个多标签分类模型，输入图片，输出“1girl, solo, blue hair, school uniform”这一串矮短标签。它的优点是稳定、快，缺点也很明显：标签是词汇层面的，写不出“一个雨天站在便利店门口的女生”这种完整场景描述。
这次标题里说的 PixAI 反推，是一套社区里流传的反推模型方案，比传统 tagger 更偏向“画面描述”：它能输出主谓宾完整的自然语言提示词，还能顺便把画面里的交互关系、光线氛围、镜头语言带出来。对我这种经常拿别人成品图做构图参考的人来说，这类反推结果更贴近实际生成需求。
1.2 Anima 提示词直出：把反推结果整理成能用的东西
反推结果再强，直接扔给采样器也容易出现风格漂移。为什么？因为反推模型输出的内容不是为 Stable Diffusion 之类的绘画模型定制的，它可能缺质量词，可能中英文混杂，可能顺序错乱。Anima 在这个组合里的角色是一个“提示词整理模块”：输入 PixAI 反推出来的半成品，输出一条顺序合理、信息完整、可以直接经过 CLIP 编码进采样器的正向提示词。
所谓“直出”，指的是这个过程完全在本地 ComfyUI 节点里完成，不需要复制到在线翻译、不需要手动拼 Prompt，执行流走完，最终提示词自动落到 KSampler 的输入端口。整体体验就是：丢一张图进去，出来一张新图，中间自然语言链路全自动。
1.3 6G 显存为什么能扛住这套流程
先泼一盆冷水：6G 显存跑 SDXL 高分辨率图还是很吃力，甚至部分 SD1.5 的大模型在默认配置下都能撞显存。但为什么这套组合能跑？三个原因：ComfyUI 的懒加载机制、反推模型本身够轻、以及 Anima 直出模块不需要额外塞一个大语言模型进显存。
ComfyUI 不像 WebUI 那样把文本编码器、VAE、UNet 全部常驻显存。它按节点执行，用哪个模型加载哪个模型，不用了就从显存里释放。配合 --lowvram 参数，还可以把模型层切成一段一段地加载，让显存和内存做换页。PixAI 反推这类模型很多都有 fp16 甚至 int8 量化版本，加载一次只占 1GB 上下，留给生成模型的空间就相对宽裕了。
2. 部署第一步：从整合包目录到启动参数的完整落地方案
2.1 装之前先确认三件事
先说前置检查，这步跳过的话后面大概率卡在莫名其妙的报错上。
第一，驱动得更新。我的卡是 6G 显存的 N 卡，驱动版本是 550 以后的版本。太旧的驱动会导致 CUDA 初始化失败，装完 ComfyUI 打不开，控制台直接报 “Torch not compiled with CUDA enabled”。这种情况重装 PyTorch 也没用，先把驱动升上去。
第二，确认 Python 环境。我自己用的是整合包，内置了 python_embeded，不建议再用系统 Python 去覆盖。如果你自己搭环境，Python 版本 3.10 到 3.11 都行，3.12 部分自定义节点容易编译失败。
第三，磁盘空间。整套方案包含两个反推模型、一个单位凙（生成）模型、Anima 直出模块，加起来大概 18GB 左右。如果是下载“精简整合包”，至少留 30GB 的剩余空间给临时文件。
2.2 整合包目录长什么样
标题里说“附整合包”，我把整个 ComfyUI 目录按可移植的方式整理过，核心结构如下：
ComfyUI_windows_portable/ ├─ python_embeded/ ├─ ComfyUI/ │ ├─ main.py │ ├─ models/ │ │ ├─ checkpoints/ # 生成主模型，6G显存优先放SD1.5 │ │ ├─ vae/ # VAE模型 │ │ └─ pixai/ │ │ ├─ pixai_int8/ # PixAI反推模型 │ │ └─ tags/ # 反推标签索引表 │ ├─ custom_nodes/ │ │ ├─ ComfyUI-PixAI-Interrogator/ │ │ └─ ComfyUI-Anima-Prompt/ │ └─ user/ │ └─ workflows/ # 本文对应的工作流json ├─ run_nvidia_gpu.bat └─ config/如果拿到的整合包不是这个结构，也别慌。重点就两个：模型文件必须放在 models 对应子目录，反推标签索引表和模型在同一个文件夹，不然反推节点会报“missing preprocess files”。
2.3 启动参数：显存不够靠参数凑
整合包双双击run_nvidia_gpu.bat就能启动，但默认参数对 6G 显存不友好。我启动前会先编辑这个 bat 文件，把里面的执行命令改成：
.\python_embeded\python.exe -s ComfyUI\main.py --windows-standalone-build --lowvram --cache-none --reserve-vram 1GB三个参数缺一不可，简单说明一下：
--lowvram：低显存模式，让模型分块加载，不卸载的部分会搬到内存换页。代价是速度慢一点，但 6G 卡能正常跑完工作流。--cache-none：每次都清空模型缓存，防止多个模型同时驻留显存。反推模型和生成模型会交替加载，不清缓存就容易撞显存。--reserve-vram 1GB：给显存预留 1GB 余量，避免 UI 渲染和图像处理阶段爆发式占用把 CUDA 撞死。
启动后看到 “To see the GUI go to http://127.0.0.1:8188” 就说明服务起来了。
提示：启动过程中如果控制台反复出现 “CUDA out of memory”，先把浏览器里其他占显存的标签页关掉，再检查是不是开了实时录屏。很多“显存不够”其实是被这些杂项吃光了的。
3. 接线逻辑：反推模型选型、Anima 节点配置与工作流导入
3.1 反推模型选型，为什么最后落在 PixAI 上
我一开始用的是 WD14 v3，因为资料多。但实测下来，WD14 的输出对“场景理解”非常弱，经常出现把“一个戴帽子的老人”打成 “hat, old man” 这种标签堆。对直出工作流来说，这反而是负优化。
后来对比了几种反推方案，大概情况如下：
| 方案 | 模型体积 | 显存占用 | 输出形式 | 适合场景 |
|---|---|---|---|---|
| WD14 v3 | 约 700MB | 约 800MB | 多标签，词汇级 | 快速打标签、供图像搜索 |
| Florence-2 大模型版 | 约 1.2GB | 约 1.5GB | 自然语言描述 | 只要粗描述，追求速度 |
| PixAI 反推 | 约 900MB（int8） | 约 1.1GB | 半结构化自然语言 | 反推+直出组合工作流 |
PixAI 反推模型之所以适合这套组合，是因为它的输出格式里已经带了主体、环境、氛围、镜头这几个关键分段，Anima 直出模块拿到这种输入时，不需要做过多的“翻译”，只需要补上质量词和排序。实测在同一张图上，WD14 输出 40 个标签，PixAI 输出 3 段描述，Anima 直出后。反而更贴近原图的视觉重点。
3.2 Anima 直出模块的安装与配置
Anima 模块是一组 ComfyUI 自定义节点，放在custom_nodes/ComfyUI-Anima-Prompt/里。安装完成之后，在节点列表里搜索 “Anima” 能看到三四个节点，但核心的只有一个：AnimaPrompt。
配置层面有两点我调了好几次：
第一，默认风格要设成 “photography realism”。因为 PixAI 反推出来的图如果本来就是二刺螈画风，默认风格又设成动漫，会加重风格偏移。建议工作流里单独放一个 Switch 节点，让风格值在 “anime style” 和 “photorealistic style” 之间手动切换，而不是写死。
第二，直出长度不要拉满。Anima 节点通常有 max_length 参数，我实测设置成 77 以下时，提示词会被压缩得很干瘪，画面元素丢失；设成 200 又会让采样器在生成长图时出现重复细节。最终稳定在 120 字左右，输出的内容足够完整，也不会让模型走神。
3.3 工作流导入与节点补齐
整合包里附带的工作流文件叫pixai_anima_5g_workflow.json，拖进 ComfyUI 界面就能加载。界面上一堆节点，核心链路是这个顺序：
Load Image（读图） → PixAI Interrogator（反推） → AnimaPrompt（提示词直出） → CLIP Text Encode（正向提示词） → KSampler（采样） → VAEDecode（解码） → Save Image（保存）导入的时候如果遇到红色节点报 “Missing Node Type”，不要急着重装整个环境。绝大多数情况只是缺了自定义节点，安装完ComfyUI-PixAI-Interrogator和ComfyUI-Anima-Prompt，刷新页面就能消除。我遇到过最离谱的一次是报错信息里提示缺 “rgthree”，那个是另一个常用工具包，装好后工作流也恢复正常了。
注意：加载工作流之前确认右侧面板的“Extra Models”指向已经放好模型的目录，否则节点不会自动识别模型文件，会卡在选择界面上不动。
4. 一次完整实测：输入一张图，经过反推直出采样，输出成品
4.1 第一步：拉一张图，跑反推
我拿了一张偏自然光、带反光地板的室内图做测试。图片尺寸是 1024x1536，这个分辨率在反推阶段没有压力，压力在后面的采样阶段。
在 Load Image 节点里加载图片，双击空白处输入 “PixAI Interrogator” 添加反推节点。这里要注意选择模型参数：model 选 pixai-int8，language 选 “mix” 还是 “en” 我建议一开始选 “en”，因为中文提示词不一定能被生成模型理解。
点击运行，反推节点大概跑了 4 秒，输出内容大致如下：
a sunlit room with a wooden floor, reflective surface, a woman in white shirt standing near the window, soft daylight from left, ambient shadow, cinematic composition这段描述已经比标签堆好很多，但直接丢给采样器还是会觉得“缺了点味道”，因为缺少质量词和画面主次排序。
4.2 第二步：Anima 节点把提示词整理成人话
接下来把反推结果连接到 AnimaPrompt 节点的 input 端口。Anima 会自动做三件事：补上质量词前缀、把画面核心元素提到前面、把重复描述合并。
我从节点里拿到的输出是这样的：
masterpiece, best quality, photorealistic, a woman in white shirt standing near the window, a sunlit room with wooden floor and reflective surface, soft daylight from left, ambient shadow, cinematic composition看到没，头部多了质量词，主体放到前面，环境放后面，这条提示词拿去出图就正常很多了。直出节点还有一个好处，它会把反向提示词也一起生成，内容一般是 “worst quality, low quality, deformed, extra limbs”，可以直接连到另一个 CLIP Text Encode 节点。
4.3 第三步：采样器参数设置
6G 显存最忌讳用大分辨率硬刚。我用的是 SD1.5 大模型，尺寸设置成 512x768，因为原图是竖构图。采样参数给新手参考一下：
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 分辨率 | 512x768 | 竖构图，兼顾显存和细节 |
| Steps | 20 | 不要太低，容易出模糊细节 |
| CFG | 4.5 | 比默认 7 低一点，减少色彩过饱和 |
| Sampler | DPM++ 2M Karras | SD1.5 上稳定性很好 |
| Seed | 任意固定 | 出图满意后固定 seed 方便复现 |
启动 KSampler 之后，第一次生成会先加载生成模型，加上反推模型已经释放，所以峰值显存会在 4.8GB 上下浮动。整个 20 步采样大约用了 12 秒，完全在 6G 显存的可接受范围内。
4.4 输出成品与前后差异
最终图保存下来后，和原图对比，构图元素基本保留：人物位置、光源方向、地板反射都有。差异主要在色调上，原图偏冷，生成图被 DPM++ 拉回中性。这属于正常现象，如果想保留色调，可以在反推提示词里额外加 “cold color tone” 之类的描述。
我试着用同一张工作流输出了三张同 seed 不同 CFG 的图，CFG 从 3.5 到 5.5，变化最明显的是背景饱和度。CFG 超过 6 以后，白色衬衫容易出现塑料质感。这个现象基本符合 SD1.5 模型在低显存场景下对 CFG 的敏感度。
5. 6G 显存跑了两天的实测数据与翻车修复清单
5.1 实测数据参考
这两天我记录了不同环节的显存占用和耗时，先看数据，再讲翻车。
| 环节 | 峰值显存 | 耗时 | 备注 |
|---|---|---|---|
| 加载反推模型并反推 | 约 1.5GB | 3-5 秒 | int8 模型省显存 |
| Anima 直出模块 | 约 0.4GB | 1 秒以内 | 纯 CPU 推理也能跑 |
| SD1.5 采样 512x768 | 约 4.8GB | 10-14 秒 | 视 Steps 浮动 |
| 同时加载反推+生成模型 | 约 6.1GB | 直接爆 | 出现 OOM 前兆 |
最后一行是我为了测试故意在反推节点后没断开连接，让反推模型驻留，结果直接把 6G 显存打爆。日常使用只要遵守工作流执行顺序，模型会自动释放，就不会遇到这个峰值。
5.2 最容易遇见的 OOM 排查链路
OOM 报错长这样：torch.cuda.OutOfMemoryError: CUDA out of memory。我第一次遇到时，顺手关掉所有浏览器标签页后，依然报错，后来按这个顺序排查：
第一步，看启动参数。如果没加--cache-none，即使工作流画对了，反推节点和生成节点之间还是会保留模型缓存。第二步，看模型格式。我一开始用的反推模型是 fp16 原版，换成 int8 之后显存直接掉了 40%。第三步，把 VAE 换成轻量版。有些模型默认带的 VAE 在解码 1024x1536 大图时会临时占掉 1.8GB 显存，换用 tiny VAE 后，解码峰值降低到 800MB 左右。
如果做完这三步还 OOM，建议看一下是不是用了分辨率过高的预览图。ComfyUI 的前端预览图默认加载出来会占显存，把图片缩放 0.5 倍再导入，问题基本消失。
5.3 反推结果乱写、中英混杂的问题
这套组合偶尔会出现反推结果里夹中文的情况。比如输出 “a girl 站在门口 with umbrella”。Anima 直出节点会尝试把它修正，但修正效果取决于内置词表。我实测下来，只要 PixAI 反推的 language 参数选 “en”，就不会输出中文。如果已经拿到乱写的结果，不要手动删太多，用 Anima 节点跑一遍，它能把主体词保留，把无关词过滤掉。
5.4 这几个变量千万别乱动
- 生成分辨率不要直接从 512x768 拉到 1024x1536。SD1.5 模型没有经过高分辨率微调，暴力拉大只会画出重复纹理，还会让显存峰值翻倍。
- 不要在工作流里挂三四个大模型等待切换。ComfyUI 虽然按需加载，但如果你手动把多个模型加载节点放在同一分支，它们会同时进显存。
- 不要把 Anima 的 max_length 设到 512。节点会尽力补全内容，但补出来一堆废话，生成时色彩漂移严重。
提示：执行完整个工作流后，点击右侧面板的“管理”按钮，把缓存清一遍，再跑下一张图。这一步对长时间连续出图的稳定性帮助很大。
这套组合目前的短板是速度。6G 显存的卡上，反推一次的 4 秒不是问题，关键是采样阶段大体量模型要分块加载，速度比 12G 显存卡肉眼可见地慢。但对本地折腾反推直出、做灵感收集的人来说，显存焦虑基本被这套工作流压到可控范围。
最后分享一个很实际的建议：把常用图片按“人物、场景、光影、构图”四个文件夹分类，丢进 Load Image 节点的时候，选图的效率会高很多。我自己的习惯是每天把 PixAI 反推的结果存成一个文本文件，积累一个月之后，回头看这些描述，出图灵感就有了直接素材库。
