Zit WorkflowZ-Image Turbo FP8 Hires Workflow (Optimizado para Baja VRAM)
Back to Library
Z-Image Turbo FP8 Hires Workflow (Optimizado para Baja VRAM)
Z-Image Turbo FP8 Hires Workflow (Optimizado para Baja VRAM) preview 1
Z-Image Turbo FP8 Hires Workflow (Optimizado para Baja VRAM) preview 2
Z-Image Turbo FP8 Hires Workflow (Optimizado para Baja VRAM) preview 3
Core

Z-Image Turbo FP8 Hires Workflow (Optimizado para Baja VRAM)

Este es un flujo de trabajo de ComfyUI de alta eficiencia diseñado específicamente para usuarios con baja VRAM. Al utilizar Modelos Cuantizados FP8 y la tecnología Latent Upscale, genera imágenes de alta resolución (1024x1792) rápidamente mientras mantiene un uso mínimo de recursos. 📂 Modelos Requeridos & Descargas Para garantizar que el flujo de trabajo funcione correctamente, descargue los siguientes modelos y colóquelos en sus carpetas respectivas de ComfyUI: 1. Modelo UNet (Colocar en models/unet/) Nombre del Archivo: z-image-turbo-fp8-e4m3fn.safetensors Descargar: HuggingFace - Z-Image-Turbo-FP8 2. CLIP / Codificador de Texto (Colocar en models/clip/) Nombre del Archivo: qwen3-4b-fp8-scaled.safetensors Descargar: HuggingFace - Qwen3-4B-FP8 ⚙️ Configuración Clave & Ajustes Este flujo de trabajo opera en un sistema de 2 Pasos. Por favor, siga las siguientes configuraciones para obtener los mejores resultados: 🔹 Fase 1: Generación Base Tamaño Latente: Genera a una resolución inicial más baja (p. ej., 512x896) para ahorrar recursos computacionales. 🔹 Fase 2: Latent Upscale Método de Escalado: Utiliza LatentUpscaleBy. Factor de Escala: Por defecto es 2 (resultando en una salida final de 1024x1792). 🔹 Fase 3: Hires Fix (Refiner) Este paso es crucial para la claridad y detalle de la imagen: Muestreador: res_multistep (Muy Recomendado). Denoise: Rango recomendado 0.5 - 0.6. < 0.5: Los cambios son mínimos; la imagen puede permanecer ligeramente borrosa. > 0.6: Añade más detalle, pero establecer este valor demasiado alto puede alterar la estructura de la imagen o causar alucinaciones. 📊 Benchmark de Rendimiento Datos basados en pruebas reales: GPUResolución de SalidaTiempoNVIDIA RTX 5070 Ti1024 x 17928 ~ 9 seg 📝 Consejos de Uso Gestión de Memoria: Si tiene una VRAM extremadamente limitada, asegúrese de que no haya otros modelos grandes cargados en segundo plano. Prompting: Dado que utiliza el codificador de texto Qwen, tiene una fuerte comprensión del lenguaje natural. Prompts detallados y basados en frases funcionan muy bien. Solución de Problemas: Si nota que los detalles de la imagen se rompen o parecen "quemados", intente disminuir ligeramente el valor de denoise en el segundo KSampler.

Features & Nodes

✨ Características Clave Uso Extremo de Baja VRAM: Pipeline completo FP8 (Modelo & Codificador de Texto) para reducir drásticamente la huella de memoria. Rapido como un Relámpago: Optimizado para modelos Turbo y pasos de muestreo eficientes. Pipeline de Hires Fix: Utiliza Latent Upscale + 2º Paso KSampler para asegurar detalles nítidos sin un alto costo de VRAM. Arquitectura AuraFlow: Optimizado utilizando el nodo ModelSamplingAuraFlow.