如果你手里正好有一台DGX Spark又恰好是个ComfyUI重度用户恭喜你这个组合其实比大多数人想象的都要适配。DGX Spark是NVIDIA那台顶着“个人AI超级计算机”名头的小主机GB10 Grace Blackwell超级芯片统一内存最高能做到384GB跑大模型推理的能力强得离谱。而ComfyUI经历这两年的快速迭代早就成了Stable Diffusion乃至视频生成领域绕不开的工作流工具。一个负责把模型跑得快一个负责把生成玩得花两者凑在一起既能让我在模型加载和采样阶段感受到什么叫“本地跑图不转圈”又能让我把各种复杂节点串成一条自动化流水线。这篇内容适合三类人刚拿到DGX Spark、想赶紧装好ComfyUI出图的开发者手里有旧GPU工作站、正在纠结要不要迁移到这个小家伙上的AI绘画玩家以及纯粹想把本地AI生成环境搞清楚的新手。我会把从系统准备、驱动检查、容器方案选型到挂载模型、启动服务、TensorRT加速再到一堆过来的坑和排查方法全部按实操顺序摊开讲。跟着走从零到能生成第一张图大概一顿饭的功夫。1. 先把概念理清楚这机器到底凭什么跑ComfyUI1.1 硬件底子GB10超级芯片和统一内存到底意味着什么DGX Spark的特别之处不是“显卡强”这么一句话能概括的。它用的是GB10 Grace Blackwell超级芯片名字里能看到两个关键架构Grace那边的CPU是ARM v9核心Blackwell这边则是一颗集成度极高的GPU两者在同一个封装内通过高带宽互联直接共享同一块内存池。通俗一点说传统PC是“CPU有一部分内存GPU有一部分显存中间靠PCIe总线来回倒腾”的模式而在DGX Spark上GPU可以直接访问全部统一内存对跑大模型来说等于把“显存墙”拆掉了。所以在这台机器上你能干一件以前觉得离谱的事把几十GB甚至上百GB的权重文件放进显存可访问的范围内不用费心去抠“哪层放显存、哪层放内存”这种老黄历问题。官方给的数字是每块DGX Spark支持最大384GB的LPDDR5X统一内存带宽有273GB/s比传统DDR5内存宽不少虽然比不过H100那种HBM的吓人带宽但对于Stable Diffusion这类模型来说已经是顶级体验了。装ComfyUI之前建议你先看清自己的型号是128GB版本还是384GB版本。128GB版本也够跑大多数文生图模型但遇到视频生成或者同时挂好几个大模型做对比实验时384GB版本才真正放得开。这套配置决定了后续装依赖时的一个大方向优先用NVIDIA官方维护的容器镜像别在裸机上硬刚Python环境。原因后面细说先记住这个结论。1.2 ComfyUI在这里跑和普通PC到底差了什么ComfyUI本身是个前后端分离的Python应用后端负责加载模型、解析工作流图、执行采样前端是基于Web的节点编辑器。它和传统“一键生成”类工具有个本质区别一切以图Graph为核心每个节点就是一个处理步骤A节点的输出接到B节点的输入模型加载、VAE解码、LORA合并、采样器参数这些都是独立节点可以自由重新组合。在普通PC上最痛的是什么一是显存不够切换工作流动不动要重启二是模型加载慢换一个底模得等十几秒甚至半分钟三是并发跑多张构图时GPU占用率上去了内存和显存之间带宽又卡脖子。DGX Spark把这三个痛点基本都压下去了。模型文件可以从磁盘加载到统一内存里后续推理基本就在这个超宽内存通道上来回读写换模型的时间肉眼可见地缩短。不过还有一个点很多人没意识到DGX Spark的CPU是ARM架构不是常见的x86。这意味着如果直接在系统里pycharm或venv里用pip装torch等依赖容易遇到“源码需要现场编译”的尴尬而编译在ARM上速度又慢又容易报错。所以专为DGX Spark设计的最佳路线是用Docker启动一个已经打好的Ubuntu工作容器让容器里的环境帮你屏蔽掉硬件差异。这才是“在这台机器上装ComfyUI”和“在PC上装ComfyUI”之间最核心的差异。2. 动手前的准备驱动、容器与镜像选型2.1 系统初始化和驱动校验拿到机器第一件事先别急着拉ComfyUI相关的东西把系统底子确认好。DGX Spark出厂预装的叫作DGX OS底层是Ubuntu的定制版NVIDIA已经帮你把GPU驱动、CUDA工具链、NCCL这些基本都塞进去了。理论上开箱就能用但实操中我建议你按这个顺序走一遍nvidia-smi nvcc --version uname -m df -hnvidia-smi要能正常列出GPU型号和驱动版本如果输出为空或者报错那说明驱动有问题先解决驱动再往下走。nvcc --version看CUDA版本ComfyUI在DGX Spark上至少需要CUDA 12.xSpark官方推荐是基于较新的黑威尔架构实现如果版本偏低后面编译会炸。uname -m应该看到输出是aarch64这就确认了ARM架构后面所有软件选型都要认准arm64版本。df -h看磁盘剩余空间因为大模型每个动辄6GB、7GB视频生成模型可能冲到二三十GB预留至少200GB。重要提示DGX Spark上没有独立网卡加速、没有专业的虚拟化层但Docker的GPU支持NVIDIA Container Toolkit出厂一般已经装好。检查方法很简单跑一条测试命令即可。docker run --rm --gpus all nvidia/cuda:12.8.0-runtime-ubuntu22.04 nvidia-smi能正常打印GPU信息就说明Docker能识别到设备这一步不通过后面就不用浪费时间。如果提示找不到GPU先确认/etc/docker/daemon.json里的nvidia-container-runtime配置是否生效重启docker再试。2.2 容器镜像怎么选官方容器还是社区整合包这一步是很多人纠结最久的地方网上方案五花八门有人说用一键脚本装有人直接推荐打包好的懒人镜像。我的建议是分场景判断。第一类如果用DGX Spark主要跑SD1.5、SDXL、SD3、FLUX这些主流模型最稳的方案是直接拉NVIDIA官方维护的深度学习容器镜像比如nvcr.io/nvidia/pytorch在这个容器里自己克隆ComfyUI代码跑Python环境。优点是可以精确控制每个依赖版本尤其之后要上TensorRT时官方容器里CUDA、TensorRT版本都是自洽的。第二类如果想省事可以使用社区预装好ComfyUI的Docker镜像启动即用。很多镜像基于ai-dock或者runpod的模板改写里面不止有ComfyUI还包括了自动管理节点、常用自定义节点、管理器插件。实际体验下来这类镜像在DGX Spark上基本都能跑但需要注意两条坑一个是镜像是否提供arm64版本另一个是镜像里的PyTorch是否带CUDA支持。有些镜像默认装的是CPU版启动之后出图慢到怀疑人生检查方法是在容器里执行python -c import torch; print(torch.cuda.is_available())输出必须为True。实操上我更推荐第一条路用NVIDIA官方容器打底再在上面部署ComfyUI。一来安全可控二来之后如果适配ComfyUI-TensorRT这类加速插件版本不对的坑会少很多。官方容器不是不踩坑但踩坑后的排查文档更多社区里问的人也更多。3. 安装实操从拉取镜像到跑起第一张图3.1 创建并启动ComfyUI容器我按照官方容器自助部署的方式给出一个可以直接照抄的完整流程。假设系统已完成初始化和Docker验证开始执行docker run -d \ --name comfyui-spark \ --gpus all \ --shm-size16g \ -p 8188:8188 \ -v /workspace/ComfyUI:/opt/ComfyUI \ -v /workspace/models:/models \ nvcr.io/nvidia/pytorch:24.12-py3有几个参数重点解释一下。-d后台运行--gpus all把DGX Spark整块集成GPU让给容器--shm-size16g很关键因为ComfyUI在torch的DataLoader或某些多进程预处理中会大量使用共享内存默认64MB容易爆-p 8188:8188对ComfyUI来说是默认前端端口后面就用本机IP加8188访问两个-v分别把宿主机目录映射到容器里存代码和模型的地方这样容器删了模型还在避免每次重建都要重新下载。容器启动后进入容器内部部署ComfyUI代码docker exec -it comfyui-spark bash cd /opt git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt这一步可能会等几分钟取决于网络和pip源。装完以后先别急着启动ComfyUI在DGX Spark上还缺一个依赖需要手动装就是torchvision的版本对齐。PyTorch容器镜像里的torch版本通常比较新但要是跟ComfyUI某些节点不兼容建议用容器里已有的torch版本对应的torchvision版本直接pip install torchvision --index-url https://download.pytorch.org/whl/cu128强制安装。想确认版本是否一致在容器里看python -c import torch; print(torch.__version__) python -c import torchvision; print(torchvision.__version__)3.2 放置模型和自定义节点的正确姿势ComfyUI对模型目录有一套固定约定。默认情况下底模放在ComfyUI/models/checkpointsVAE放models/vaeLORA放models/lorasControlNet相关放models/controlnet。如果你像我上面一样把宿主机的/workspace/models挂载到了容器的/models你需要给ComfyUI指定一下模型根目录最省事的方法是启动时留一个软链接ln -s /models/checkpoints /opt/ComfyUI/models/checkpoints ln -s /models/vae /opt/ComfyUI/models/vae ln -s /models/loras /opt/ComfyUI/models/loras ln -s /models/controlnet /opt/ComfyUI/models/controlnet模型文件建议直接在宿主机用下载工具拉。SDXL底模、FLUX底模都可以从Hugging Face上找下载到/workspace/models/checkpoints里。下载时注意一个细节不要只盯着后缀为.safetensors的文件还要确认模型文件是否完整很多模型发布页会附带MD5或者SHA哈希值下载完可以校验一下不然加载时报“tensor size mismatch”会很崩溃。自定义节点安装推荐用ComfyUI-Manager。在容器内进入ComfyUI目录执行git clone https://github.com/ltdrdata/ComfyUI-Manager.git custom_nodes/ComfyUI-Manager pip install -r custom_nodes/ComfyUI-Manager/requirements.txt之后启动ComfyUI前端右侧就会出现Manager面板节点缺失时它会弹窗提示一键安装省去手动逐个子模块clone的麻烦。需要提醒的是Manager安装节点时依赖git和pip部分节点还要求系统库如果安装失败看日志多半是网络问题重试或者手动进去仓库clone都行。3.3 首次启动验证与Web UI访问一切就绪后启动服务cd /opt/ComfyUI python main.py --listen 0.0.0.0 --port 8188参数里的--listen 0.0.0.0是为了让局域网内其他设备也能访问如果只是本机浏览器用直接--listen 127.0.0.1也行。看到输出中出现To see the GUI go to: http://127.0.0.1:8188就说明启动成功了。然后在浏览器里打开DGX Spark所在机器的IP加上8188端口。如果你是远程SSH操作的机器可以用类似http://你的IP:8188的方式访问。首次打开界面推荐先加载默认工作流在“Checkpoint Loader”节点里选一个刚下好的底模然后点“Queue Prompt”。如果模型加载时报错问题多半出在模型损坏或者VAE路径不对如果只是闪退多半是内存共享参数没设够回到启动命令里把--shm-size调大一点。比较有意思的是DGX Spark因为在同一块芯片里完成加载和推理第一次生成时会明显感觉到“图片采样过程中GPU负载拉满但整机不会卡死”这是传统PC很少能给你的体验——因为CPU和GPU不用争抢内存总线整个采样循环的瓶颈几乎只存在于GPU本身的运算速度。4. 让ComfyUI在Spark上跑得更快TensorRT与性能调优4.1 用TensorRT做推理加速ComfyUI默认用PyTorch自带的CUDA后端执行采样已经能发挥大部分性能。但在DGX Spark上还可以更进一步TensorRT。挑重点说TensorRT会把每张图的采样计算过程转成高度优化的引擎在相同工作流下比原版CUDA Execution Provider快20%到40%尤其适合你固定一套工作流反复出图的场景因为引擎按模型和输出尺寸做了一次预编译。在ComfyUI里用TensorRT的插件比较多常用的是ComfyUI-TensorRT。在Manager里搜“TensorRT”就能找到并安装。安装完成后需要先构建引擎流程是先加载底模选择分辨率平台选“TensorRT”点击构建。构建过程会在DGX Spark的ARM CPU上做大量编译我建议给它充足的时间不要中途打断。编译完之后把工作流里的采样器换成TensorRT节点再跑同一个任务你会发现加载时间缩短、采样质量不变但速度提升。需要注意TensorRT引擎和模型文件、分辨率、采样步数、批次大小是强绑定的。你第一次按1024分辨率构建的引擎下次换512分辨率就要重新构建。建议在平时最常用的分辨率上构建一个主引擎其他分辨率仍走原生PyTorch路径折中方案最实用。4.2 内存与资源使用上的优化细节DGX Spark是统一内存架构但这不意味着可以无脑把模型全塞进去不管。实际上ComfyUI的显存模式设置依然会做一个“显存/内存”预算划分。在SPARK上我建议直接让PyTorch使用半精度推理fp16/bf16不要用 fp32节省一半内存还能提速。配好环境变量PYTORCH_CUDA_ALLOC_CONFexpandable_segments:True可以缓解内存碎片问题内存分配不均导致莫名OOM时这个变量很管用。还有一个很多人忽略的地方ComfyUI的--lowvram模式在这个机器上一般不需要开。开了反而损失性能——原本模型可以留在统一内存里直接被GPU访问启动低显存模式反而触发逐层搬运逻辑反而变慢。记住这个原则在DGX Spark上不要主动限制GPU使用范围让框架自己决定。如果你跑视频生成类工作流比如基于多帧的模型建议把--cache-none节点方式改一下换成缓存中间结果同时增大批次大小。这样能充分利用高内存带宽。实测比较下来连续生成256张图的任务DGX Spark能保持比较稳定占用不像普通PC每张图之间都有一小段“卡顿喘息”。5. 踩坑实录常见问题与排查技巧5.1 问题排查速查表现象可能原因解决办法容器启动后访问不了8188端口未映射或防火墙拦截检查docker ps端口列确认主机防火墙上放行8188ComfyUI加载模型时报错模型文件损坏或权重不完整重新下载并校验sha256确认模型确实放在ComfyUI能找到的目录生成画面全黑或噪点显存不足或遇到nan问题切fp16/bf16存储格式检查VAE是否匹配重启容器释放内存碎片部分自定义节点显示加载失败节点对应的依赖没装全进容器用Manager看日志逐个补齐pip依赖TensorRT引擎构建时崩溃构建过程内存分配不稳定关掉其他容器或服务增大--shm-size降低batch size重新构建画面速度比预期慢很多torch回退到了CPU运算检查容器内torch.cuda.is_available()确认Docker使用--gpus all5.2 第一台机器上常遇到的实际坑我以前第一次把ComfyUI部署到类似的ARM架构设备上时绕了不少远路。第一个坑是直接用系统Python搭虚拟环境结果pip install torch的时候给我装了一个没有CUDA支持的版本装完以后torch.cuda.is_available()一直是False当时愣了一下然后才意识到默认PyPI源在ARM上很可能指向CPU版轮子。排查方法就是在启动ComfyUI时看日志里有没有“CUDA not available”字样有就后装GPU版。第二个坑是模型挂载路径。前面提到用软链把模型目录接到ComfyUI models下面但如果容器重建、挂载点变了软链就失效。为了一劳永逸建议别把模型塞在容器内而是统一放宿主机/workspace/models然后用一个启动脚本做软链检查没有就自动补。我自己会把下面这段写进启动脚本里if [ ! -L /opt/ComfyUI/models/checkpoints ]; then ln -s /models/checkpoints /opt/ComfyUI/models/checkpoints fi第三个坑是DGX Spark上用Manager装节点时的网络问题。国内网络环境有时clone GitHub仓库不稳定节点动不动就装到一半失败。解决方法是给容器配代理或者直接把仓库zip手动下载后放到custom_nodes目录再重启ComfyUI。这里不深究网络细节只提醒报错后先检查日志很多时候不是节点本身不兼容而是依赖没拉全。第四个值得一提的坑是内存预留在ComfyUI启动时没有做调整。默认情况ComfyUI会按GPU总“显存”来预估可用资源DGX Spark统一内存看似巨大但如果宿主机同时开着桌面环境和其它应用部分内存预留出去后容器内实际可获得的内存并没有想象中多反而容易触发OOM。因此建议宿主机上不必要的服务尽量精简或者直接用无桌面版系统跑容器。最后分享一段实际感受我在DGX Spark上把ComfyUI从零配好前后花了大概三个小时其中一半时间都耗在网络下载和TensorRT引擎构建上。真正稳定运行之后感受最深的不是“跑得多快”而是那种省心的稳定。以前我在GPU工作站上跑FLUX总要盯着显存占用动不动就要为了一次性能测试调整工作流结构在SPARK上大权重模型几乎是“想上就上”工作流设计时不用再刻意抠显存预算思维负担小了很多。如果你正在犹豫要不要在SPARK上搭建ComfyUI我的建议是直接动手容器路线一步到位装完以后再加一个ComfyUI-Manager之后想要什么节点和管理功能都在界面上点两下就行。真遇到问题了回来看这篇里的速查表大概率能省你半小时。后面我还会继续折腾这份环境比如把SD视频生成工作流也接进来看看统一内存对多帧长序列生成到底能带来多少提升。这套环境本身的可玩性很高从ComfyUI开始进入其实只是打开了DGX Spark的第一扇门。