【GPU VPS 04】VPS 租用 GPU 跑 Stable Diffusion AI 绘画：门槛、成本与实操全解（2026）

本篇是 GPU VPS 系列的第 4 篇，聚焦「实操与成本」——从云端开机、部署 ComfyUI、按小时行情到合规边界，手把手把出图工作流搭起来。如果你更关心「H100 / A100 / L4 价格横评」「普通 VPS 怎么用上 GPU」或「跑 SD 要什么显卡」，请回看第 1、2、3 篇。

延伸阅读

更多相关攻略推荐：Ollama AI系列(2)：VPS上的AI推理与API应用、Ollama AI系列(2)：VPS上的AI推理与API应用、【CPU选型 01】搭载 AMD Ryzen 9950X 的 VPS、ARM / Ampere 席卷 VPS：性价比真香还是兼容陷阱？、Ollama AI系列(2)：VPS上的AI推理与API应用。

一、为什么本地显卡不够，要去云端

很多刚接触 AI 绘画的人以为瓶颈是显卡算力，其实真正卡脖子的是显存（VRAM）。Stable Diffusion 这类扩散模型在出图时，要把整个模型权重、文本编码器、VAE 解码器连同激活值一起塞进显存。以目前最主流的 SDXL 为例，仅加载基础模型就需要约 6.5GB 显存，加上文本编码器 1.5GB 和 VAE，在 1024×1024 分辨率下实战占用约 8GB；一旦叠加 ControlNet 控制网络或超分放大，峰值很容易冲到 10–12GB。而新一代的 FLUX.1 Dev 在 FP16 全精度下更是要吃掉 22–24GB 显存。

反观普通用户的设备：大量笔记本独显只有 4–6GB（如 RTX 3060 笔记本版 6GB），Mac 的"统一内存"还要和系统等应用分着用。即便是桌面上常见的 8GB 显卡，跑 SDXL 也几乎没有任何余量，一加 ControlNet 就直接报 CUDA 显存不足。换句话说，想顺跑现代扩散模型，本地往往差的就是那几 GB 显存，而不是少了几百个 CUDA 核心。

这时候云端 GPU 的价值就显出来了：你不需要花几千块买卡、操心电源和散热、承担折旧，而是按需调用一台带 24GB 甚至 80GB 显存的机器，按小时计费，用完即停。对绝大多数偶发性、爆发性需求（比如周末集中出一批图、跑一段视频、试一个新模型）来说，上云是性价比最高的起点。

二、显存需求全景：4G / 8G / 12G / 24G 分别对应什么

显存决定"能跑什么"，分辨率决定"吃多少米"。下面按 2026 年的实战情况给一张对照表（均为推理出图、非训练）：

• 4GB：只能跑 SD 1.5（约 2022 年的老模型），512×512 分辨率，且容错很低，稍加 ControlNet 就会溢出。属于"能跑但很紧"的底线。
• 6GB：SD 1.5 可以舒服跑，SDXL 要靠模型卸载等技巧才勉强启动，不推荐作为主力。
• 8GB：SDXL 在 1024×1024 的入门门槛，能出图但零余量，一旦加 ControlNet 或高清放大就会 OOM。这是"现代出图的最低诚实起点"。
• 12GB：SDXL 的甜点区。可以舒服地跑 SDXL，也能用量化版跑 FLUX；多 ControlNet 或高分辨率仍有压力。典型代表是 RTX 3060 12GB（二手 170–280 美元）。
• 16GB：FLUX 全精度、多 ControlNet 堆叠、SDXL LoRA 训练的舒适区，基本告别显存焦虑。
• 24GB+：消费级天花板（RTX 4090 24GB、RTX 3090 24GB）。FLUX 全精度、轻量训练、长视频生成都游刃有余，几乎没有限制。

一句话总结：2026 年想认真玩 AI 绘画，8GB 是勉强门槛，12GB 是甜点，16GB 才真正舒服，24GB 是专业玩家的乐园。FLUX 这类 12B 参数大模型把门槛整体抬高了一档。

三、SDXL、ComfyUI 与 Automatic1111 各是什么定位

这三个名字常被混为一谈，其实处在不同层面：

SDXL 是模型，不是软件。它由 Stability AI 于 2023 年 7 月发布，参数量约 3.5B，原生分辨率 1024×1024，拥有目前最庞大的 LoRA 与 ControlNet 生态。即便到了 2026 年，它仍是综合最稳的"全能选手"，新手找教程、找模型最方便。它的同代继任者 SD 3.5（2024 年发布，Large 版 8.1B 参数）和 FLUX.1（12B 参数）画质更强，但显存与生态门槛更高。

Automatic1111（简称 A1111）是"标签页式"图形界面。填提示词、调采样器、设步数，点生成即可，新手十分钟内出第一张图。但它自 2024 年起已进入维护模式（最后一个功能更新是 2025 年 2 月的 v1.10.1），原生不支持 FLUX 与 SD 3.5。它的活跃继任者是 Forge（社区分支 Forge Neo 已加入 FLUX.2、视频模型与 RTX 50 系支持），界面和 A1111 几乎一致。

ComfyUI 是"节点图式"工作流。每个操作（加载模型、编码提示词、采样、解码）都是一张可连线的节点，透明、可复现、可保存成 JSON 分享。它在 2026 年 4 月仍活跃更新（v0.20.1），实测比 A1111 快 30–50%、省约 14% 显存，对 FLUX 等新模型支持最快、最完整，还擅长批量与多步管线。代价是学习曲线陡，第一次出图可能要花几小时理解节点。

选型建议：纯新手先用 Forge / A1111 上手；一旦要跑 FLUX、做复杂管线、追求速度与可控性，就迁移到 ComfyUI。很多资深玩家两者都装——A1111 快速试错，ComfyUI 做正式产出。

四、租用 vs 自建 GPU 机器：怎么选

自建（买卡）：一次性投入，长期持有。2026 年的行情是 RTX 3060 12GB 二手约 170–280 美元，RTX 4090 24GB 全新约 1600–2000 美元，此外还要算电源、机箱、电费、散热与折旧。它的优势是"随时可用、数据不出本机、边际成本为零"，适合每天高频出图、做训练、或对隐私极敏感的人。缺点是显存上限被卡死、硬件会过时、现在高端卡还经常缺货。

租用（云 GPU）：按小时付费，零硬件。以 RunPod 社区云为例，RTX 4090 约 0.34 美元/小时，连续跑一整天约 8 美元；一个在 A100 上跑 4 小时的复杂视频任务约 7 美元——这只是买一张 24GB 显卡零头的零头。租赁适合爆发性、实验性、临时要大显存的场景，且能随时换更高配的卡。

混合方案最受欢迎：本地用 12GB 显卡做提示词迭代、工作流设计；真正的高质量渲染、视频、批量任务再丢到云端 24–40GB 的机器上。这样在"快速试错"和"按需算力"之间取得平衡，成本最低。

五、按小时成本行情：H100 / A100 / L4 / 4090 价格区间

下面是从各平台公开价目（2026 年 5 月采集）整理的大致区间，币种为美元/小时，价格随时波动，下单前请复核：

• RTX 4090（24GB）：RunPod 社区云约 0.34，安全云约 0.69；Vast.ai 市场价约 0.27–0.47。几乎是消费级里性价比最高的"全能机"。
• NVIDIA L4（24GB）：RunPod 约 0.44；同代的 L40S（48GB）约 0.79–0.86。L4 能效比高、显存够 SDXL/轻量 FLUX，适合长时间推理。
• A100（80GB / 40GB）：RunPod 约 1.19–1.49；Lambda Labs 的 40GB 约 1.99、80GB 约 2.49；Vast.ai 市场中位数约 1.00（区间 0.67–1.89）。大显存、适合视频与多模型堆叠。
• H100（80GB）：RunPod 约 1.99–3.29；Lambda Labs 约 2.86–4.29；Vast.ai 市场中位数约 2.13（区间 1.33–6.71）。当前训练与高性能推理的主流。
• 更高端：H200 约 3.59–4.39，B200 约 5.89–6.08，属于大规模训练档。

平台模式也不同：RunPod 分社区云（便宜、偶尔不稳）与安全云（贵一截但可靠）；Vast.ai 是 P2P 开放市场，价格最低但波动大、实例默认可中断；Lambda Labs 是正规数据中心，价稳机稳但不卖消费级卡。存储另算（RunPod 持久卷约 0.05–0.10 美元/GB/月），出网流量多数免费。国内用户还可关注 AutoDL 等本土平台，RTX 4090 低至约 0.28 美元/小时（按汇率折算）。

六、出图参数与加速：xFormers、低显存模式与量化

无论本地还是云端，同样的卡通过调参能"挤"出更多空间与速度。常用手段：

• 注意力优化（xFormers / SDP）：开启后约省 20–30% 显存、快 10–20%，几乎零画质损失。A1111 加 --xformers 或 --opt-sdp-attention；ComfyUI 在 Manager 里启用即可。
• 低显存模式：--lowvram 约省 4GB、--medvram 约省 2GB，代价是出图慢 30–50%。显存吃紧时先用它保命。
• 强制半精度：--force-fp16 再省 2–3GB，速度影响极小，是默认值首选。
• 分块 VAE（Tiled VAE）：分辨率超过 1024 时务必开。把大图切成小块解码，2048×2048 的 VAE 峰值能从约 8GB 降到约 1GB，只是稍慢。
• 模型量化：SDXL 用 fp8 权重约 3.3GB（fp16 为 6.5GB）；更激进的 GGUF 格式中，Q8 约 4GB（画质 99%+）、Q5 约 3GB（97%+）、Q4 约 2.5GB（95%+）。显存紧张时 Q5/Q8 是甜点。
• 顺序加载模型：用 ComfyUI 的"Free Memory / Unload"节点，让 ControlNet、放大器等用完即卸，避免多模型同时占显存，峰值可降 3–8GB。
• 队列替代批量：别用 batch_size > 1（显存成倍涨），改用队列逐张生成，显存占用只需零头。
• 采样器与步数：dpmpp_2m 或 euler a 兼顾质量与速度；步数 20–30 与 30–40 观感差异很小，却能省约三分之一时间。

组合使用这些技巧后，一张 12GB 的卡也能跑原本需要 24GB+ 的工作流。监控可用 nvidia-smi 实时看显存与利用率，定位是算力瓶颈还是显存瓶颈。

七、云端实操：从开机到出第一张图

以租用一台带 ComfyUI 的 GPU 云为例，典型流程如下：

• 1. 选平台注册：RunPod / Vast.ai / Lambda / AutoDL 任选，绑定支付方式。
• 2. 部署实例（Pod）：直接选官方预装模板（ComfyUI 或 A1111 一键镜像），挑显卡型号，并挂一块持久卷存模型（约 0.05–0.10 美元/GB/月）。
• 3. 接入：通过 Jupyter、SSH 或自带 Web UI 访问；ComfyUI 默认端口 8188，A1111 默认 7860。注意别把管理界面裸奔到公网，务必加令牌或防火墙。
• 4. 下模型：从 Hugging Face 或 CivitAI 拉取权重到持久卷，下次启动无需重下。
• 5. 出图：导入社区工作流 JSON，填提示词、选采样器与步数，点生成。
• 6. 省钱习惯：空闲就停实例（Stop），只保留卷；只在真要跑大任务时升配到 A100/H100。这样把成本压到最低。

实测例子：一台 4090 社区云实例，约 1–2 分钟部署好，SDXL 出一张 1024 图只要几秒；跑一段几小时的视频任务，账单通常是个位数美元。

八、合规与内容边界

AI 绘画的"能不能跑"和"让不让你跑"是两回事，必须分清：

• 云端平台普遍有内容过滤：主流云 GPU 与托管服务会对提示词实时语义过滤、对生成结果做 NSFW 分类检测、预装净化版权重。你的图可能被拒、被黑屏或收到违规警告，而且平台会记录你的提示词。换句话说，云端不是"想生成什么就生成什么"。
• 本地自部署是你自己负责：在自己硬件上跑 Stable Diffusion，过滤开关在你手里，但全部内容管理责任也归你。
• 几条硬红线（在哪里都违法）：涉及未成年人的性化内容（CSAM）全球非法；未经同意的深度伪造色情（美国《Take It Down Act》已于 2026 年 5 月生效，新增联邦刑责）；用于诈骗与冒名顶替的影像。任何正规平台都会扫描并报警，没有例外。
• 版权与肖像：在美国版权局现行口径下，纯提示词生成的图像通常不可版权（你可以用、可以卖，但难追责他人复制）；具体模型许可（如 CreativeML Open RAIL-M、Apache 2.0）多允许商用，务必查 CivitAI / Hugging Face 上的模型许可。名人肖像、商标还涉及公开权与商标权，因地区而异。
• 运营建议：不要把 ComfyUI / A1111 无认证暴露到公网；做产品时把审核层挡在 GPU 队列之前；留意本地法律（英国年龄验证、欧盟 DSA 等）可能比平台政策更严。

隐私层面，云端会留痕、本地不留痕——这也是有些人坚持本地跑的原因之一，但前提是你要对自身产出合法合规负责。

#StableDiffusion #GPU云 #AI绘画 #ComfyUI #SDXL