用户可通过该项目在 ComfyUI 中便捷使用 WanVideo 及相关模型进行视频生成等操作。它提供自定义节点，支持多种额外模型，能快速测试新功能，优化 LoRA 权重处理以提升内存使用效率。【此简介由AI生成】

This repository is empty

Auto Translate

WanVideo 及相关模型的 ComfyUI 封装节点

可能影响旧工作流内存使用的更新通知

在最近的一次更新中，我更改了未合并 LoRA 权重的处理方式：

以前，主要是由于我的疏忽，这些权重在使用时总是从 RAM 加载，这当然效率低下，也使得为 LoRA 应用使用 torch.compile 变得困难，从而在使用未合并 LoRA 时强制图形中断。

现在，LoRA 权重被分配为相应模块的缓冲区，因此它们是块的一部分，并遵循块交换机制，统一了卸载过程，并允许 LoRA 权重受益于异步卸载的预取功能。缺点是，如果您没有使用块交换，您会看到内存使用量增加，因为 LoRA 是模型的一部分，并且全部位于 VRAM 上。

如果您使用块交换，LoRA 会与块的其余部分一起交换，但块大小现在更大了，这意味着您可能需要多交换几个块来补偿。

示例情况：您使用 1GB 的未合并 LoRA，并在 14B 模型上交换 20 个块，我们可以将 LoRA 大小除以块数，单个块增加 25MB，20 个块增加 500MB，因此您的 VRAM 使用量将比以前多 500MB，为了补偿，您需要多交换 2 个块。

与 torch.compile 相关的其他 VRAM 问题

在任何修改模型代码的更新之后，当使用 torch.compile 时，经常会遇到 VRAM 问题，这可能是由于使用了没有最新编译修复的旧版 pytorch/triton，和/或来自旧的 triton 缓存，主要在 Windows 系统中。这表现为以下问题：新输入大小的第一次运行可能会显著增加内存使用，只需再次运行即可清除，并且一旦缓存，就不会再次出现。同样，我只在 Windows 中见过这种情况。

要清除 Triton 缓存，您可以删除以下（默认）文件夹的内容：

C:\Users\<username>\.triton C:\Users\<username>\AppData\Local\Temp\torchinductor_<username>

注意：由于大量机器人或误认为这是某种视频生成服务的用户，我暂时阻止了新账户发布问题。

开发中（持续进行）

既然 WanVideo 原生就能用，为什么还要用自定义节点？

简而言之：除非原生版本暂不支持某个模型/功能，否则你不需要用。

详细来说：由于 ComfyUI 核心代码的复杂性，加上我缺乏编码经验，在很多情况下，将新模型和功能实现到独立的包装器中要容易得多、快得多，所以这是一种相对快速测试功能的方式。我把这当作自己的个人沙盒（当然对所有人开放），可以随意尝试，而不必担心兼容性等问题，但因此，这段代码始终处于开发中，容易出现问题。此外，并非所有新模型都值得费劲在核心 Comfy 中实现，不过我也制作了一些补丁节点，允许在原生工作流中使用它们，例如本包装器中提供的 ATI 节点。这也是最终目标，我的想法不是与原生工作流中的所有功能竞争，甚至也不是提供替代方案。话虽如此（这显然不是推销），我还是很感谢大家使用这些节点来探索 WanVideo 的新版本和可能性。