2026 实测：GPU VPS 上部署 ComfyUI 跑 Stable Diffusion / FLUX 文生图（避坑版）

2026-08-16 · DevCraft Studio

想在海外 GPU VPS 上自己搭一套 ComfyUI 文生图工作台？本文实测从驱动、CUDA、Docker 部署到 SSH 隧道与反向代理、模型持久化，手把手跑通 SDXL 与 FLUX.1，并讲清按量计费与选型避坑。

延伸阅读

更多相关攻略推荐：在 GPU VPS 上装 CUDA 跑大模型：驱动、nvidia-s、2026 按小时 GPU 成本横评：H100 / A100 / A4、【GPU VPS 01】带 GPU 的 VPS 怎么租最划算？H10、2026 游戏服 VPS 怎么选：高主频 CPU、内存与 DDoS 、2026 高主频 CPU VPS：单核性能、建站与游戏服的隐藏指标。

为什么要上 GPU VPS 跑 ComfyUI

先说结论：如果你本地是核显笔记本或者只有一张 6GB、8GB 的入门卡，想跑 SDXL 还算勉强，想跑 FLUX.1 基本就是灾难。FLUX.1 dev 全精度（fp16）要吃掉差不多 24GB 显存，量化版也得 12GB 往上。与其花一万多块升级一张 4090，不如直接租一台带 RTX 4090 的海外 GPU VPS，按小时算账，跑完就关机，算下来比买卡划算太多。

另外，ComfyUI 是节点式工作流，比 A1111 那种表单式 WebUI 灵活得多，可以做 ControlNet、高清放大、图生图串联起来的流水线。它也是目前 FLUX 生态最成熟的前端。把整套环境放到 VPS 上，好处还有三个：一是免备案，不用折腾国内服务器的域名接入；二是回国延迟能接受（选日本、新加坡、美西机房，ping 一般在 80 到 180ms）；三是数据都在你自己机器上，模型权重不用来回传。

选卡：24GB 显存是甜点配置（实测）

显存是决定你能跑哪个模型的硬门槛，其他参数只影响速度。给个 2026 年还成立的经验表：

  • SD 1.5：4 到 6GB 就够，老黄历了，现在基本只用来跑旧 LoRA。
  • SDXL：8 到 12GB 能舒服地出 1024px，低于 8GB 会频繁 OOM。
  • FLUX.1 schnell：用 fp8 或 GGUF 量化后约 12GB，出图只要 1 到 4 步，很快。
  • FLUX.1 dev：全精度 fp16 约 24GB，量化版约 12GB；要追求最高画质就老老实实上 24GB。

所以结论很明确：24GB 是甜点配置。RTX 4090（24GB GDDR6X）性价比最高，A4000、A5000 也是 24GB 的稳妥之选；想要更大批量或 48GB 余量就上 RTX A6000 / L40S。像 Vultr 在多个机房提供 GPU 实例、支持按小时计费；Contabo 的 RTX 4090 按需价大约在 0.89 美元每小时，A6000 48GB 大约 1.29 美元每小时，比买卡便宜，适合中小团队和个人设计师。别一上来就追 A100、H100，那是训练大模型用的，出图纯属浪费钱。

系统准备：Ubuntu/Debian + 驱动与 CUDA

系统选 Ubuntu 22.04 或 Debian 12 都行，本文以 Ubuntu 22.04 为例。拿到机器第一件事，先确认 GPU 被识别：

lspci | grep -i nvidia
nvidia-smi

如果 nvidia-smi 报错或者什么都没输出，说明驱动没装。用 Ubuntu 自带工具一键装官方驱动（推荐 550 以上版本，Ada 架构的 FP8 张量核才完整支持）：

sudo apt update
sudo apt install -y ubuntu-drivers-common
sudo ubuntu-drivers autoinstall
sudo reboot

重启后再跑 nvidia-smi，能看到显卡型号和驱动版本就对了。这里有个关键认知：你不需要单独装 CUDA Toolkit。后面装 PyTorch 时用官方预编译的 cu124 / cu128 轮子就行，CUDA 能力由 PyTorch 轮子提供，跟系统里有没有 CUDA Toolkit 没关系。Docker 方案连这个都省了，镜像里自带。

部署方式一：Docker 部署（最省心）

对绝大多数人，我推荐直接用 Docker，环境隔离、换机器也好迁移。先装 Docker 和 NVIDIA 容器工具包：

curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh
sudo usermod -aG docker $USER

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -fsSL https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt update
sudo apt install -y nvidia-container-toolkit
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

验证 GPU 能在容器里被看到：

docker run --rm --gpus all nvidia/cuda:12.4.1-base-ubuntu22.04 nvidia-smi

能输出显卡信息，说明容器能调 GPU 了。接下来启动 ComfyUI，注意把模型和输出目录挂出来（这点下面专门讲）：

mkdir -p ~/comfyui/models/checkpoints ~/comfyui/output ~/comfyui/custom_nodes
docker run -d --gpus all --name comfyui -p 8188:8188   -v ~/comfyui/models:/root/ComfyUI/models   -v ~/comfyui/output:/root/ComfyUI/output   -v ~/comfyui/custom_nodes:/root/ComfyUI/custom_nodes   --restart unless-stopped   yanwk/comfyui-boot:cu128-slim

这个镜像内置了 ComfyUI 本体和 ComfyUI-Manager，CUDA 12.8，对新手友好。想换官方镜像也行，比如 ghcr.io/comfyanonymous/comfyui 或 ai-dock/comfyui，但要注意不同镜像的容器内模型路径不一样，挂载时别挂错。看日志确认启动成功：

docker logs -f comfyui

部署方式二：手动 venv 安装（更可控）

如果你要深度定制、装特殊依赖，或者镜像源访问不稳，手动装也很快。注意用 Python 3.11，轮子最全：

sudo apt install -y git python3.11 python3.11-venv
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
python3.11 -m venv venv
source venv/bin/activate
pip install --upgrade pip
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
pip install -r requirements.txt

跑起来的时候，千万别直接 bind 到 0.0.0.0 就完事，除非你已经做好了反向代理和鉴权。安全起见先只监听本地回环，访问走 SSH 隧道：

python main.py --listen 127.0.0.1 --port 8188 --highvram

--highvram 参数在 4090 这种大显存卡上强烈建议加上，它让 ComfyUI 把 UNet、VAE、文本编码器常驻显存，省掉每步在 CPU 和 GPU 之间搬数据的开销。实测不开的话 FLUX.1 dev 单步延迟从 0.55 秒涨到 0.9 秒，差别很大。

持久化存储：别让模型白下载（避坑核心）

这是新手最容易踩的坑，我单独拎出来说。ComfyUI 的模型动辄 2GB 到 30GB 一个，FLUX 全套下来几十 GB。如果你把模型放在容器内部默认目录、或者放在系统盘临时分区，一旦关机、重置、容器被删，模型全没了，下次又要重新下几小时。正确做法：把 models、output、custom_nodes 三个目录挂到宿主机的持久化磁盘（块存储 / 数据卷）。

上面 Docker 命令里的 -v 就是在干这个。如果你用的是按量计费的 GPU VPS，记得确认挂载的磁盘是和实例解耦的独立卷——很多厂商的「系统盘」在关机后模型还在，但整机销毁就跟着没了。稳妥起见，把模型卷单独挂一块数据盘，实例删了卷还在。手动安装同理，把 ComfyUI 放在一块独立的数据盘上，比如 /data/comfyui，而不是 /root 下。

还有一个坑：模型目录结构要对。ComfyUI 不是把所有权重放一个文件夹，安装自定义节点也要放对地方：

~/comfyui/models/checkpoints   # SD 1.5 / SDXL / FLUX 的单文件 checkpoint
~/comfyui/models/unet          # FLUX 拆分的 UNet
~/comfyui/models/clip          # FLUX 的文本编码器
~/comfyui/models/vae           # VAE
~/comfyui/custom_nodes         # 自定义节点（插件）

远程访问：SSH 隧道 vs 反向代理（安全篇）

ComfyUI 默认没鉴权，把 8188 裸奔到公网非常危险——别人扫到就能用你的 GPU 白嫖出图，甚至通过工作流执行做些不该做的事。两条正路：

方案一：SSH 隧道（最推荐，个人用）。在本地电脑上敲：

ssh -L 8188:localhost:8188 user@你的服务器IP

保持这个 SSH 连接开着，浏览器打开 http://localhost:8188 就行，所有流量都走加密隧道，外面根本扫不到 8188。缺点是你关机或断网，访问就断了。

方案二：Nginx 反向代理 + HTTPS（团队 / 长期用）。先放行 80/443，再用 Nginx 把域名反代到本地 8188，并配 Let's Encrypt 证书。重点：ComfyUI 用了 WebSocket，反代必须带上 Upgrade 头，否则界面能开但队列不刷新：

server {
  listen 80;
  server_name your.domain.com;
  location / {
    proxy_pass http://127.0.0.1:8188;
    proxy_set_header Host $host;
    proxy_set_header X-Real-IP $remote_addr;
    proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
    proxy_set_header X-Forwarded-Proto $scheme;
    proxy_http_version 1.1;
    proxy_set_header Upgrade $http_upgrade;
    proxy_set_header Connection "upgrade";
  }
}

配完用 certbot 申请证书：sudo apt install -y certbot python3-certbot-nginx && sudo certbot --nginx -d your.domain.com。防火墙记得只对自己的办公 IP 放开 8188，不要让 0.0.0.0/0 直接访问。

下载模型：SDXL 与 FLUX.1 放哪个目录

模型不在 ComfyUI 里，得自己下。国内直连 Hugging Face 经常抽风，可以走 HF 的官方 resolve 直链，或者用镜像源、aria2c 多线程加速。SDXL 是单文件，丢进 checkpoints：

cd ~/comfyui/models/checkpoints
wget -O sd_xl_base_1.0.safetensors "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors"

想先跑起来，FLUX.1 schnell 的 fp8 版最省事（约 12GB，Apache-2.0 可商用）：

wget -O flux1-schnell-fp8.safetensors "https://huggingface.co/Comfy-Org/flux1-schnell/resolve/main/flux1-schnell-fp8.safetensors"

追求最高画质用 FLUX.1 dev，它是拆分的：主模型放 models/unet，文本编码器放 models/clip，VAE 放 models/vae，三个都得下齐。注意 FLUX.1 dev 是非商用许可，别拿去做付费商单。

插件方面，第一件事装 ComfyUI-Manager，后面所有自定义节点都能在界面里一键装：

cd ~/comfyui/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
docker restart comfyui

跑通第一张图 + FLUX 工作流参数

浏览器进 ComfyUI，默认就有一个工作流：Load Checkpoint → CLIP Text Encode（正向提示词）→ KSampler → VAE Decode → Save Image。把模型选成你刚下的 SDXL 或 FLUX，点 Queue Prompt 就能出图。几个实战参数：

  • SDXL：KSampler 步数 28，CFG 7，采样器 dpmpp_2m，尺寸 1024x1024，单张在 4090 上约 2 秒。
  • FLUX.1 dev：步数 20 到 50，CFG 3.5 到 5，采样器 euler 或 dpmpp_2m，尺寸 1024x1024。
  • FLUX.1 schnell：只要 1 到 4 步，CFG 设为 1 效果最好，出图飞快。

显存不够又想跑大模型，启动参数加 --lowvram 或 --normalvram，用 CPU 和 GPU 之间换页来换显存，速度慢点但不崩。想再快可以装 xformers（cu130 标签不支持，注意镜像说明）。

按量计费与省钱技巧

GPU VPS 最大的优势是按量计费，但账单会悄悄涨，几个省法：

  • 跑完就关机：按小时计费的实例，不用的时候一定 stop，别挂着。很多厂商关机后只收磁盘钱，GPU 不收费。
  • 用竞价 / 可中断实例：Vast.ai、RunPod 这类市场有 spot 实例，比按需便宜 40% 到 70%，适合带检查点的批量出图，被回收也不心疼。
  • 存储也计费：持久化卷是按容量月付的，别囤几百 GB 用不上的模型，只留常用的五六个。
  • 别为 CPU 和内存花冤枉钱：出图 95% 吃 GPU，给你 32 核 128GB 内存纯属浪费，4 到 8 核、32GB 内存足够。
  • 注意流量出口费：部分厂商（包括 Vultr）对出网流量（egress）收费，你一把出几千张图往回拉，流量费可能比 GPU 还贵，选带免费带宽或打包流量的方案。