企业官网建设流程全解析

这次我们来看一个针对 ComfyUI 的视频生成工作流更新，核心是 Bernini 模型的多参考图视频生成能力，并且集成了 INT8 量化与最新的 4 步加速 LORA。对于想在本地尝试视频生成，又担心显存和速度问题的朋友，这个组合方案值得关注。它不是一个全新的底层模型，而是通过工作流整合与模型优化，让视频生成的门槛和效率有了明显改善。

最值得关注的几个点：第一，它支持多张参考图输入，这意味着你可以用多张图片来引导视频的生成，获得更可控、更一致的结果。第二，模型经过了 INT8 量化处理，这通常意味着更低的显存占用，让一些显存不那么宽裕的显卡（比如 8G 甚至 6G）也有了运行的可能。第三，集成了最新的 4 步加速 LORA，理论上能大幅缩短单次推理的时间。第四，提供了完整的 ComfyUI 工作流和模型文件，通过网盘可以直接获取，部署相对直接。

本文将带你快速了解这套方案的核心能力、部署步骤和实际测试效果。我们会重点关注它的启动方式、显存占用情况、多参考图功能的使用方法，以及如何验证加速 LORA 的效果。如果你已经安装了 ComfyUI，并且对文生视频或图生视频感兴趣，这篇文章可以帮你快速上手并评估其适用性。

1. 核心能力速览

下表整理了这套 Bernini 多参考图视频生成工作流的核心信息，帮助你快速判断是否适合你的需求。

重要说明：INT8 量化在降低显存和加速推理的同时，可能会对生成质量产生细微影响。4步加速LORA则旨在减少采样步数，从而提升速度。这两项都是效率优化，效果需要在具体生成中验证。

2. 适用场景与使用边界

这套工具链主要适合以下几类用户：

1. ComfyUI 中级使用者：已经熟悉 ComfyUI 基本操作，希望探索更高级视频生成工作流的用户。
2. 显存有限的创作者：拥有 6GB-8GB 显存显卡，希望本地运行视频生成，对原版模型显存要求望而却步的用户。
3. 效率优先的体验者：对生成速度敏感，愿意尝试量化模型和加速LORA来换取更快迭代速度的用户。
4. 多图视频概念验证者：需要利用多张静态图片（如角色多角度、场景切换草图）来引导生成一段连贯视频内容的创作者。

需要谨慎注意的使用边界：

• 质量与效率的权衡：INT8 量化和 4 步采样是典型的“以质量换速度/显存”方案。对于追求最高画质、细节无损的场景，可能需要使用原版 FP16 模型和更多采样步数。
• 非“零基础”工具：你需要先部署好 ComfyUI 基础环境。这不是一个独立的一键安装包。
• 版权与合规：Bernini 作为生成模型，其训练数据版权需使用者自行留意。生成的视频内容，尤其是用于公开传播或商业用途时，必须确保不侵犯他人肖像权、著作权，内容符合法律法规。
• 硬件依赖：尽管经过优化，它仍然需要 NVIDIA GPU 和足够的显存。CPU 模式理论上可能可行，但速度会极慢，不具实用性。

3. 环境准备与前置条件

在导入这个工作流之前，请确保你的基础环境已经就绪。

1. 操作系统：Windows 10/11 或 Linux 发行版。本文以 Windows 为例。
2. Python 环境：建议使用 Python 3.10 或 3.11。这是大多数 Stable Diffusion 相关工具链的推荐版本。
3. ComfyUI 本体：你必须已经成功安装并可以正常启动 ComfyUI。推荐使用秋叶大佬的整合包或从官方 GitHub 仓库克隆。
   • 秋叶整合包：对于 Windows 用户最友好，解压即用，内置了常用插件和管理器。
   • 官方源码：适合喜欢手动管理的用户，通过git clone和pip install部署。
4. GPU 与驱动：
   • 显卡：NVIDIA GPU（GTX 10系列及以上，推荐 RTX 20系列及以上以获得更好支持）。
   • 显存：这是关键。虽然经过 INT8 量化，但视频生成本身消耗显存较大。建议准备至少 8GB 空闲显存进行测试。6GB 显存可能可以运行较低分辨率（如 512x288）的配置，但极易爆显存。
   • 驱动与CUDA：安装最新版 NVIDIA 显卡驱动。ComfyUI 通常会依赖 PyTorch 的 CUDA 版本，确保你的 PyTorch 是 GPU 版本。
5. 磁盘空间：除了 ComfyUI 本身，需要额外下载 Bernini 量化模型文件和 4步加速 LORA 文件，总计可能在 10GB 以上，请预留足够空间。
6. 模型存放路径：了解你的 ComfyUI 的模型目录结构。通常模型放在ComfyUI/models/下的对应子文件夹（如checkpoints放主模型，loras放 LORA）。

检查清单：

• [ ] ComfyUI 可以正常打开 Web 界面。
• [ ] 在 ComfyUI 中能成功运行一个简单的文生图工作流。
• [ ]nvidia-smi命令可以正确显示 GPU 信息。
• [ ] 预留了足够的硬盘空间下载新模型。

4. 安装部署与启动方式

这里的“安装”主要指获取并放置工作流和模型文件。

步骤一：获取资源文件根据提供的“双网盘”链接，下载包含以下内容的资源包：

1. 工作流文件：通常是一个.json文件，例如bernini_multi_ref_video_workflow.json。
2. Bernini INT8 量化模型：一个.safetensors或.ckpt文件，需要放入ComfyUI/models/checkpoints/目录。
3. 4步加速 LORA 文件：一个.safetensors文件，需要放入ComfyUI/models/loras/目录。
4. 可能的依赖节点：如果工作流使用了非 ComfyUI 官方的自定义节点（Custom Nodes），你可能需要通过 ComfyUI Manager 单独安装它们。通常资源包会附带说明。

步骤二：放置模型文件将下载的模型文件复制到对应的目录：

# 假设你的 ComfyUI 安装在 D:\ComfyUI_windows\ # 将 Bernini 量化模型复制到主模型目录 D:\ComfyUI_windows\ComfyUI\models\checkpoints\ # 粘贴 bernini-int8.safetensors 到这里 # 将 4步加速 LORA 文件复制到 LORA 目录 D:\ComfyUI_windows\ComfyUI\models\loras\ # 粘贴 4step_accelerate_lora.safetensors 到这里

步骤三：导入并启动工作流

1. 启动你的 ComfyUI。如果是秋叶整合包，双击run_nvidia_gpu.bat。
2. 在浏览器中打开 ComfyUI 的地址（通常是http://127.0.0.1:8188）。
3. 在 ComfyUI 界面右侧，点击Load按钮。
4. 选择你下载的.json工作流文件并打开。
5. 工作流会自动加载到画布上。此时你需要检查几个关键节点是否加载正确：
   • Checkpoint Loader：确认它加载的模型名称是你刚放入的 Bernini INT8 模型。如果显示红色或“未找到”，请检查模型路径和文件名。
   • LORA Loader：确认它指向的 LORA 文件是刚放入的 4步加速 LORA。
   • 图像输入节点：找到接收多张参考图的节点（可能是Load Image或Load Image Batch节点）。

步骤四：配置与运行

1. 设置参考图：将你准备好的多张图片（建议尺寸一致，如 768x432）拖拽到对应的Load Image节点上，或通过节点上传。多图输入是为了给模型提供更丰富的视觉线索。
2. 调整参数：检查并调整以下常见参数：
   • 采样器（Sampler）与步数（Steps）：由于使用了4步加速LORA，steps参数可以设置得较小（例如4-8步），但具体效果需测试。也可以尝试关闭LORA，使用更多步数（如20步）对比质量。
   • 分辨率（Width/Height）：首次测试建议使用较低分辨率，如 512x288 或 640x360，以降低显存压力并快速验证流程。
   • 视频帧数（Frames）：设置你希望生成的视频总帧数。
   • 随机种子（Seed）：可以固定一个种子以便复现结果。
3. 生成测试：点击Queue Prompt按钮开始生成。此时请立即打开终端/命令行窗口，观察显存占用情况。

5. 功能测试与效果验证

成功加载工作流后，我们需要系统性地测试其核心功能。

5.1 基础生成能力测试（单图/多图输入）

测试目的：验证工作流能否正常启动并生成视频，比较单张参考图与多张参考图的效果差异。

操作步骤：

1. 单图测试：在第一个Load Image节点上传一张风景或人物图片。其他图像输入节点留空或上传同一张图。
2. 设置较低参数：分辨率 512x288，帧数 24，步数 8（如果启用加速LORA）。
3. 点击Queue Prompt生成。
4. 观察：终端日志是否正常？显存峰值是多少？生成的视频是否连贯？
5. 多图测试：准备3-4张同一主题但视角/动作略有变化的图片（例如，一个人从左走到右的连续动作分解图）。分别上传到不同的Load Image节点。
6. 保持其他参数不变，再次生成。
7. 对比：观察多图生成的视频，其动作过渡是否比单图更自然、更符合参考图的序列意图？

预期结果与判断：

• 成功：能正常输出一个视频文件（通常是.mp4或.webm），无报错。多图生成的视频应能体现出参考图之间的“过渡感”。
• 失败排查：
  • 如果报错“找不到模型”，检查模型文件路径和Checkpoint Loader节点设置。
  • 如果报 CUDA out of memory，降低分辨率、帧数或批处理大小。
  • 如果生成的视频闪烁严重或画面撕裂，尝试增加采样步数、更换采样器（如 Euler a）或调整 CFG Scale。

5.2 INT8 量化效果与显存占用验证

测试目的：直观感受 INT8 量化带来的显存节省。

操作步骤：

1. 保持工作流参数不变。
2. 在生成视频前，记录 GPU 空闲显存。在命令行使用nvidia-smi查看。
3. 开始生成，并迅速切换到命令行，观察nvidia-smi中显存占用的峰值。
4. （可选）对比测试：如果你能找到原版 FP16 的 Bernini 模型，用同样的工作流和参数（去掉INT8模型，换用原版）运行一次，记录峰值显存。

判断标准：

• INT8 版本的峰值显存占用应显著低于 FP16 版本（理想情况下节省 30%-50%）。
• 即使没有原版对比，你也可以评估当前占用是否在你的显卡承受范围内。例如，8G 显存卡，生成 512x288 视频时占用 6-7G 属于可接受范围。

5.3 4步加速LORA速度测试

测试目的：验证加速LORA是否真的能减少采样步数而不严重损失质量。

操作步骤：

1. 启用 LORA：确保LORA Loader节点正确加载了 4步加速 LORA，并在CLIP Text Encode等节点后正确连接。
2. 设置steps = 4。生成一段短视频，记录终端显示的推理耗时。
3. 禁用 LORA：断开LORA Loader节点与后续节点的连接，或将其强度（strength）设为 0。
4. 设置steps = 20（一个常用基准）。使用同样的种子和提示词生成视频，记录耗时。
5. 对比两次生成的视频质量和耗时。

预期结果：

• 启用4步LORA后，step 4 的生成速度应远快于 step 20。
• 质量上，4步生成的结果可能在细节、清晰度上略逊于20步，但整体构图和运动应该可辨。这是一种速度与质量的权衡。

5.4 批量任务测试

测试目的：测试工作流处理多组任务的能力。

操作步骤：

1. ComfyUI 本身支持通过 API 进行批量任务。更简单的方法是使用“效率工具”。
2. 在 ComfyUI 界面，安装ComfyUI-Custom-Scripts或Efficiency Nodes等插件，它们通常提供“从目录加载图像并批量处理”的节点。
3. 在工作流中，将单次的Load Image节点替换为Load Image Batch from Directory类节点。
4. 将该节点指向一个包含多组参考图子文件夹的目录。
5. 设置好输出目录，然后运行。观察是否能依次处理所有输入组并输出多个视频文件。

判断标准：能否自动化地连续生成多个视频，而不需要手动上传每一组图片。

6. 接口 API 与批量任务

对于希望集成到自动化脚本或工具中的用户，ComfyUI 的 API 是核心。

启动 API 服务： ComfyUI 默认在启动时就开启了 API 服务（通常位于http://127.0.0.1:8188）。无需额外配置。

通过 API 调用工作流：

1. 获取工作流 API 格式：在 ComfyUI Web 界面加载好你的 Bernini 工作流后，点击Save (API Format)按钮，会下载一个.json文件。这个文件包含了所有节点和连接的详细信息，是 API 调用的模板。
2. 编写调用脚本：以下是一个 Python 示例，用于通过 API 触发工作流执行。

import requests import json import time import sys import io def queue_prompt(prompt): # 将工作流数据发送到 ComfyUI 的 prompt 接口 p = {"prompt": prompt} data = json.dumps(p).encode('utf-8') req = requests.post("http://127.0.0.1:8188/prompt", data=data) return req.json() def get_image(filename, subfolder, folder_type): # 从 ComfyUI 获取生成的文件 data = {"filename": filename, "subfolder": subfolder, "type": folder_type} url_values = requests.utils.urlencode(data) response = requests.get(f"http://127.0.0.1:8188/view?{url_values}") return response.content # 1. 加载你之前保存的 API 格式工作流文件 with open('bernini_multi_ref_video_workflow_api.json', 'r', encoding='utf-8') as f: prompt_data = json.load(f) # 2. 动态修改工作流中的参数（例如种子、参考图路径等） # 假设节点ID可以通过查看API JSON文件获得，这里需要你根据实际文件调整 # prompt_data["6"]["inputs"]["seed"] = 123456 # prompt_data["10"]["inputs"]["image"] = "your_image_path.jpg" # 修改图片节点 # 3. 提交任务 try: resp = queue_prompt(prompt_data) prompt_id = resp['prompt_id'] print(f"Prompt queued with ID: {prompt_id}") except Exception as e: print(f"Failed to queue prompt: {e}") sys.exit(1) # 4. (可选) 监听任务完成并获取结果 # 更简单的方式是让 ComfyUI 将结果保存到输出目录，然后直接去目录读取。

批量任务设计：

1. 目录扫描：编写一个脚本，扫描一个输入目录，每个子文件夹包含一组多张参考图和一个可选的文本描述文件。
2. 模板替换：对于每组任务，读取 API 工作流模板，用当前组的图片路径和参数替换模板中的对应值。
3. 队列管理：使用queue_prompt依次提交任务。ComfyUI 会自行处理队列。注意控制并发数量，避免显存溢出。
4. 结果收集：监控 ComfyUI 的输出目录（默认是ComfyUI/output/），根据时间戳或任务ID将生成的视频文件移动到指定位置。

7. 资源占用与性能观察

这是评估该工作流能否在你机器上稳定运行的关键。

观察显存占用：

• 工具：Windows 任务管理器（性能标签页）或nvidia-smi命令。
• 时机：在点击Queue Prompt后立即观察。视频生成的初始加载阶段（加载模型、编码图像）和每一帧的生成阶段都可能是显存峰值。
• 正常现象：显存占用会快速上升到一个高点并维持，生成结束后缓慢释放或部分释放。
• 危险信号：显存占用持续增长直至接近 100%，然后 ComfyUI 崩溃或报CUDA out of memory错误。

影响性能的关键参数：

1. 分辨率（Width x Height）：对显存和速度影响最大。分辨率翻倍，显存消耗可能增加3-4倍。始终从低分辨率开始测试。
2. 视频帧数（Frames）与帧率（FPS）：总帧数越多，生成时间越长。帧率影响最终视频的播放速度，但不直接影响单帧生成耗时。
3. 采样步数（Steps）：步数越多，单帧生成越慢，但细节可能更好。4步加速LORA就是为了减少这个参数。
4. 批处理大小（Batch Size）：如果工作流支持一次性生成多帧（批处理），这会大幅增加显存压力，但可能提升整体效率。需根据显存谨慎调整。

降低资源占用的技巧：

• 启用--lowvram模式：如果使用命令行启动 ComfyUI，可以添加--lowvram参数。这会使用更激进的内存交换策略，用时间换空间。
• 使用--cpu部分加载：可以将 VAE 等部分组件强制放在 CPU 上运行（在Extra options中设置），但这会显著降低速度。
• 优化工作流：检查是否有节点在重复加载大模型，尝试复用已加载的模型。

8. 常见问题与排查方法

9. 最佳实践与使用建议

为了获得更好、更稳定的体验，遵循以下建议：

1. 从小开始，逐步放大：首次测试务必使用低分辨率（如512x288）、少帧数（如16帧）。成功后再逐步提高参数，找到你显卡的“甜蜜点”。
2. 建立测试基准：固定一组参考图和参数（种子、步数、CFG），作为你的“标准测试集”。每次更新模型、工作流或驱动后，都用这组参数测试，对比效果变化。
3. 管理好你的资源：
   • 模型目录：清晰分类存放checkpoints,loras,vae等。
   • 输入/输出目录：为不同项目建立独立的输入图片文件夹和输出视频文件夹，方便管理。
   • 工作流备份：保存不同版本的工作流.json文件，并备注其特点和参数。
4. 理解“加速”的代价：INT8 量化和 4步 LORA 都是效率工具。在正式创作对质量要求高的内容时，可以考虑切换回 FP16 模型和更多采样步数以获取最佳质量。
5. 合规使用生成内容：始终明确你使用的参考图和你计划使用的生成视频的版权状态。用于个人学习和实验是安全的，但任何公开分享或商业用途都必须谨慎，避免侵权。
6. 利用社区：ComfyUI 的社区非常活跃。如果你调整工作流时遇到复杂问题，可以将你的工作流.json和错误信息截图分享到相关论坛或社群，更容易获得帮助。

这套 Bernini 多参考图视频生成工作流，结合 INT8 量化和加速 LORA，为本地视频生成提供了一个“降本增效”的实用方案。它的最大价值在于，让显存有限的用户也能体验多图引导视频生成的能力，并通过工作流实现了相对可控的输出。最先应该验证的就是在你的机器上，用最低参数能否成功跑通流程，并观察显存占用是否在安全范围内。最容易踩的坑往往是直接使用高分辨率参数导致显存溢出。成功部署后，你可以进一步探索如何调整参考图的数量、顺序和内容，来更精确地控制视频的叙事和运镜，将其真正用于你的创作流程中。