我之前在一台AMD Ryzen AI Max 395的准系统主机上折腾了一周把Ubuntu Server 24.04 ComfyUI跑通中间踩了不少坑也把一些关键参数摸清楚了。这台机器比较特殊它不像普通台式机那样有独立显卡而是把所有算力都塞进了这颗APU里CPU、GPU、NPU三合一统一内存寻址。很多人一听核显跑AI就觉得没戏实际测下来只要驱动和软件栈选对它跑SDXL、Flux这类生图模型的体验完全能追上中端独显而且大显存优势非常明显。这篇东西适合谁看手里有Ryzen AI Max 395机器包括NUC、迷你主机、笔记本的朋友或者单纯想在无独立显卡的AMD平台上跑ComfyUI的折腾党。我会把从系统安装、ROCm驱动、PyTorch ROCm版本选择、ComfyUI部署到模型下载、性能调优的完整链路讲清楚尤其是那些官网文档不写、问答社区里翻半天才找得到的坑我都会列出来。1. 硬件方案与选型思路1.1 AMD Ryzen AI Max 395 这颗芯片到底强在哪AMD Ryzen AI Max 395是Strix Halo系列的旗舰型号它的核心亮点不是CPU部分Zen 5架构16核32线程而是那颗规模庞大的RDNA 3.5核显——40个计算单元CU2560个流处理器。这是什么概念接近移动端RTX 4060的流处理器规模但关键区别在于它没有独立显存而是和CPU共享内存。这意味着两件事。第一你可以给GPU划分很大的显存比如在BIOS里给核显分配64GB甚至96GB跑SDXL、Flux这种吃显存的模型时完全不用像6GB、8GB独显那样担心爆显存。第二数据不需要经过PCIe总线拷贝CPU和GPU之间通过统一内存架构直接访问省掉了来回传输的开销。实际跑图时这个特性对长提示词、大分辨率出图特别友好。这颗芯片还内置了XDNA 2架构的NPU理论算力50 TOPS。不过目前ComfyUI的主流工作流还没有完全吃透NPUPyTorch也没法直接调用NPU跑生图所以NPU这块暂时当它不存在主力还是靠GPU部分。但Windows上有些推理软件已经能用NPU加速了等后面生态跟上这颗芯片的潜力还能再挖。1.2 为什么选 Ubuntu Server 24.04 而不是桌面版或其他发行版标题里点名Ubuntu Server 24.04这个选择是有讲究的。AMD的ROCm软件栈对Ubuntu的支持最好官方直接把Ubuntu 22.04和24.04列为支持系统驱动仓库、预编译包都是现成的。用其他发行版不是不行但你可能得自己编译ROCm内核模块那酸爽试过一次就不想试第二次了。那为什么不用桌面版呢两个原因。一是服务器版没有GNOME桌面这类负载内存占用更低把资源都留给推理任务二是我这台机器是长期跑任务用的远程SSH管理比接显示器方便得多。ComfyUI本身是B/S架构网页操作为主完全不需要服务器端有桌面环境所以Ubuntu Server 24.04反而是最合适的选择。选24.04还有个重要原因内核版本是6.8对RDNA 3.5核显的支持比20.04、22.04的旧内核好太多新显卡直接用旧内核很容易出现固件加载失败、GPU识别不到的问题。1.3 为什么是 ComfyUI 而不是 WebUIA1111或 SD.Next如果只是想在AMD平台上能出图Stable Diffusion WebUI也能用但长期用下来我强烈推荐ComfyUI原因有三。第一ComfyUI的节点式架构对显存管理更精细。你可以通过拉节点的方式精确控制高分辨率修复Hires Fix的放大倍率、VAE解码时机甚至在低显存场景下手动安排模型卸载顺序。WebUI更偏一键填参底层细节控制相对弱。第二ComfyUI对AMD/NVIDIA之外的平台适配更灵活。PyTorch官方出的ROCm版本PyTorch能用ComfyUI直接支持ROCm后端而WebUI的某些插件在ROCm环境下经常出兼容性问题。第三ComfyUI出图效率更高。官方一直在做推理引擎优化同样的模型、同样的参数ComfyUI通常比WebUI快20%左右而且启动时模型加载也更轻量。当然ComfyUI的节点界面学习曲线比WebUI陡新手看着满屏的连接线可能发怵。但这篇文章走的就是完整部署路线我会把关键节点结构讲清楚照着搭就能跑。2. 系统安装与 ROCm 驱动部署2.1 基础系统安装与 BIOS 设置Ubuntu Server 24.04的安装流程本身不复杂但有几个地方必须提前处理不然后面全是坑。第一件要做的是进BIOS把核显显存UMA Frame Buffer Size调大。不同主板BIOS叫法不一样有的叫UMA Frame Buffer Size有的叫IGPU VRAM Size默认通常是512MB或1GB建议直接拉满。Max 395支持最高96GB划分如果你内存是128GB可以分96GB给GPU留32GB给系统。如果内存是64GB建议分48GB给GPU。这个参数决定了后续PyTorch能看到多大显存非常关键。第二件是开Above 4G Decoding和Resizable BAR如果有选项的话。这两个功能主要是让PCIe设备能访问更大的地址空间对核显同样有影响。第三件是关闭IOMMU如果有的话。ROCm在某些平台上和IOMMU有冲突表现为运行时驱动崩溃。不过如果你BIOS里没有这个选项那就不管它后面讲问题排查时会再说。系统装好后先执行一次完整的系统更新把内核和固件升到最新版本sudo apt update sudo apt upgrade -y sudo reboot2.2 安装 ROCm 的正确姿势AMD现在的ROCm安装方式比前几年简单多了官方提供了一个amdgpu-install脚本做的是全自动依赖安装。但要注意别直接装最新版而是装6.3或更高版本因为RDNA 3.5架构的完整支持在ROCm 6.3才趋于稳定。先添加AMD官方的软件源wget https://repo.radeon.com/amdgpu-install/6.3/ubuntu/noble/amdgpu-install_6.3.60300-1_all.deb sudo apt install ./amdgpu-install_6.3.60300-1_all.deb然后安装ROCmsudo amdgpu-install --usecaserocm这里说明一下--usecaserocm只装ROCm运行时和开发套件不带OpenCL和HIP编译环境。如果你后面还想用一些依赖OpenCL的软件比如某些视频处理工具可以加--usecaserocm,opencl。但我个人建议能少装就少装软件包越少依赖冲突的概率越小。装完驱动后重启用rocm-smi命令验证GPU是否识别rocm-smi如果能列出类似gfx1151的设备信息说明驱动层面已经OK了。如果提示找不到设备先检查BIOS的显存设置再检查内核里amdgpu模块有没有加载lsmod | grep amdgpu2.3 与显卡驱动相关的几个坑坑1装完ROCm后系统直重启进不去桌面。如果你装的是带桌面的Ubuntuamdgpu-install会把默认图形栈替换成AMD的专有栈某些N卡残留驱动会导致冲突。解决方案是纯Server版装ROCm一点事没有。坑2rocm-smi能显示GPU但PyTorch识别不了。这种情况通常不是驱动问题而是PyTorch的ROCm版本太老或者缺hip-runtime包。装完ROCm后再补装一下运行时库sudo apt install rocm-hip-libraries hip-runtime-amd坑3虚拟化环境比如PVE、ESXi里直通GPU给虚拟机ROCm装不上。如果是在虚拟化平台里跑记得给虚拟机开启Hyper-V的GPU-P虚拟化或者直通整个PCIe设备仅透传核显需要主板和Hypervisor都支持SR-IOV这块后续单独开篇讲本文按物理机部署为准。3. Python 环境与 PyTorch ROCm 版本安装3.1 版本匹配是重中之重ComfyUI本质上是一个Python应用核心计算全靠PyTorch。所以Python版本、PyTorch版本、ROCm版本这三者必须匹配否则后面肯定报错。我实测的稳定组合是组件版本Ubuntu Server24.04 LTSPython3.11系统自带3.12建议用venvROCm6.3PyTorch2.4.1rocm6.2ComfyUI最新main分支这里有个细节我用的ROCm是6.3但PyTorch官方预编译包目前最高到rocm6.2这没冲突因为PyTorch的ROCm后端只要找到系统里的HIP/ROCm库能用就行一般兼容。3.2 安装 Python 虚拟环境强烈建议用venv或conda隔离环境别直接用系统Python否则后面装包容易污染系统环境出问题还不好排查。Ubuntu Server 24.04自带Python 3.12但ComfyUI部分依赖对3.12支持还不算特别好建议装一个Python 3.11sudo apt install python3.11 python3.11-venv python3.11-dev然后创建虚拟环境mkdir -p ~/comfyui-env cd ~/comfyui-env python3.11 -m venv venv source venv/bin/activate3.3 安装 ROCm 版 PyTorchPyTorch官方提供了ROCm版本的预编译包安装方式很简单pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm6.2安装完验证一下GPU能不能被识别python -c import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))这里有个容易误解的点PyTorch里判断GPU用的是torch.cuda.is_available()这个函数在ROCm后端里同样返回True但实际上是HIP设备不是NVIDIA CUDA设备。看到输出True就说明PyTorch已经正确调用了ROCm后端。如果输出False大概率是HIP没装好或者LD_LIBRARY_PATH没指向ROCm的lib目录export LD_LIBRARY_PATH/opt/rocm/lib:$LD_LIBRARY_PATH建议把这行加到~/.bashrc里不然每次开终端都要手动设置。装完PyTorch马上测试一下矩阵运算是否真的在GPU上跑import torch x torch.randn(1024, 1024, devicecuda) y torch.matmul(x, x) print(y.sum().item())能出结果就说明计算图正常在GPU上执行了。这一步测试非常关键很多环境看着装好了一跑真实模型全是NaN或者段错误问题就出在这个环节。4. ComfyUI 部署与模型配置4.1 下载与安装 ComfyUIComfyUI的部署就是从GitHub拉代码然后装依赖cd ~ git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt装依赖时建议用--timeout参数顺便指定国内镜像源如果需要pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple装完后不要急着启动先看看目录结构。ComfyUI的模型目录分得很细ComfyUI/ ├── models/ │ ├── checkpoints/ # 主模型SD1.5、SDXL、Flux等 │ ├── loras/ # Lora模型 │ ├── vae/ # VAE模型 │ ├── controlnet/ # ControlNet模型 │ ├── upscale_models/ # 放大模型 │ └── embeddings/ # Textual Inversion嵌入 ├── custom_nodes/ # 自定义插件 ├── input/ # 输入图片 └── output/ # 输出图片4.2 模型文件的来源与管理生图模型是整个环节里最核心的部分。先说结论推荐基于SDXL系列的模型在Max 395上有较好的性能平衡Flux系列画质更高但显存吃紧时速度会下降。常见下载渠道Hugging Face模型文件全、下载稳定推荐用huggingface-cli下载支持断点续传CivitAI社区模型丰富各类画风模型都在这里发布但国内访问有时不稳定下载模型时注意看文件格式格式说明.safetensors推荐没有Python代码注入风险.ckpt老式格式已经逐渐被safetensors取代.bin极少见可能是未转换的权重下好后把主模型放到models/checkpoints目录。注意文件名别带空格和中文ComfyUI有时对非ASCII路径处理不好。这里分享一个实用技巧CivitAI上有很多模型页面写着SDXL或SD 1.5选模型前先看它兼容哪个基础模型别混用。SDXL模型放进ComfyUI后工作流里Loader节点会自动识别文件不需要额外配置。4.3 启动参数与 Web 访问默认情况下ComfyUI只监听127.0.0.1:8188这在服务器上显然不够我们需要让它在局域网可访问python main.py --listen 0.0.0.0 --port 8188 --disable-auto-launch参数说明--listen 0.0.0.0监听所有网卡允许远程Web访问--port 8188默认端口可以改成其他值--disable-auto-launch服务器没浏览器禁止启动时自动打开浏览器如果你有多个GPU并且想指定某一张用--cuda-device 0来指定。启动后浏览器访问http://服务器IP:8188就能看到ComfyUI的节点编辑界面。4.4 首次跑图最小可用工作流我第一次在无头服务器上打开ComfyUI时默认面板全是英文一片空白卡了一阵才反应过来ComfyUI不像WebUI那样自带模板所有工作流都得自己搭节点。好在有个偷懒的办法在ComfyUI界面的Workflow菜单里默认会自带一个最基础的Load Checkpoint KSampler Empty Latent Image VAE Decode Save Image模板。如果界面是空白可以通过侧边栏的Templates加载一个基础文生图模板。最小工作流的节点连接关系如下Load Checkpoint加载主模型checkpoint文件CLIP Text EncodePrompt输入正向提示词CLIP Text EncodeNegative输入负向提示词Empty Latent Image设置出图尺寸KSampler核心采样器设置种子、步数、CFG和采样器类型VAE Decode把潜空间图像解码成像素图像Save Image保存图像到output目录从Load Checkpoint节点拖出来的输出有三个MODEL、CLIP、VAE。把MODEL连接到KSampler的model输入CLIP分别连接到两个Text Encode节点的clip输入VAE连接到VAE Decode节点的vae输入。KSampler的latent_image输入来自Empty Latent Image的输出输出端的LATENT接到VAE Decode的samples输入VAE Decode输出的IMAGE接到Save Image的images输入。连接完点一下“Queue Prompt”等着出图就行。4.5 自动化运行的补充脚本如果想让ComfyUI以后开机自启或常驻后台可以用systemd服务来管理。在/etc/systemd/system/comfyui.service里写入[Unit] DescriptionComfyUI Service Afternetwork.target [Service] User你的用户名 WorkingDirectory/home/你的用户名/ComfyUI ExecStart/home/你的用户名/comfyui-env/venv/bin/python main.py --listen 0.0.0.0 --port 8188 Restartalways RestartSec10 [Install] WantedBymulti-user.target然后依次执行sudo systemctl daemon-reload sudo systemctl enable --now comfyui这样ComfyUI会作为一个服务常驻断线重连、崩溃自启都自动处理了SSH断开也不影响。5. 性能调优与资源管理5.1 虚拟内存与交换分区设置生图模型动辄好几个GB如果同时加载多个模型物理内存不够就会杀进程。建议划分至少32GB的swap分区SSD或NVMe上。Ubuntu Server 24.04如果安装时没手动分swap可以用swap文件方式补上sudo fallocate -l 32G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile echo /swapfile none swap sw 0 0 | sudo tee -a /etc/fstab这里有一个重点swap不能替代显存但能防止内存溢出导致ComfyUI崩溃。PyTorch在统一内存架构下GPU内存不够时会尝试借助系统内存兜底swap文件则能把这个兜底空间进一步扩大到磁盘上。5.2 GPU 与 CPU 的均衡调度Max 395这颗APU的GPU和CPU共享TDP热功耗。如果你把BIOS里TDP限制在120W默认GPU跑满时CPU能分到的功耗很少ComfyUI运行时CPU也要参与数据处理这就容易形成瓶颈。建议在BIOS里把TDP解锁到最高档有些准系统可以到120W。另外一个调优项是ROCm的环境变量——HSA_OVERRIDE_GFX_VERSION。理论上Max 395的GFX ID在ROCm 6.3里不需要覆盖但如果你用了特殊的内核参数或虚拟化层导致识别异常可以试一下强制覆盖export HSA_OVERRIDE_GFX_VERSION11.0.0这一条在官方论坛里被很多人用来解决RDNA 3.5在旧ROCm版本下跑不了的问题。如果你ROCm 6.3正常就千万别设设了反而可能出问题。5.3 多模型加载与会话保持ComfyUI每次切换模型时都会重新加载SDXL模型约6.9GBFlux fp8版本约11GB加载耗时大概几十秒。如果你想加快切换速度可以启用ComfyUI的模型缓存功能在main.py启动参数里加--cache-classic或者直接安装ComfyUI-Manager插件里面有一个Model Management功能可以控制模型驻留内存的数量。5.4 蒸馏模型与社区工作流写完基本部署教程后我强烈建议所有人把ComfyUI-Manager装上它就是ComfyUI的插件市场cd ~/ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git pip install -r ComfyUI-Manager/requirements.txt重启后Web界面右侧会出现一个Manager按钮可以直接在网页里搜索安装插件、更新节点、管理模型。社区里已经有很多现成的高质量工作流比如秋叶文档站整理的那些文生图、图生图、ControlNet工作流以及各类热门模型的官方示例。使用模板比从零搭节点对新手友好多了。6. 常见问题与排查技巧实录6.1 ComfyUI 报 failed to execute 错误网上搜ComfyUI Top热词排名很高的failed to execute这个错很经典。它其实是节点执行失败的通用提示真正的错误原因一般在网页开发者工具F12的Console里或者ComfyUI的日志输出中。我遇到的failed to execute通常有这几种原因显存不足模型加载不进去日志里能看到CUDA out of memory。解决方法是减小Empty Latent Image的分辨率或者用--lowvram模式启动模型文件损坏下载不完全加载时报EOFError或Unexpected end of file重新下载对应模型即可节点配置错误比如KSampler的seed输入接到了负值、cfg设成了负数ComfyUI不会主动检查这些逻辑问题6.2 显存无法被 PyTorch 识别在Max 395上如果PyTorch不识别GPU按照这个顺序排查确认BIOS的UMA Frame Buffer Size设置是否生效进系统后执行rocm-smi看显存大小确认/opt/rocm/lib在LD_LIBRARY_PATH中确认PyTorch版本是rocm6.2或更高老版本不支持gfx1151卸载所有旧版驱动后重装一次6.3 内存不足导致的 systemd 服务被杀死如果ComfyUI服务反复重启用journalctl -u comfyui查看日志常见错误是Killed。这说明OOM Killer把进程杀了。解决方案加大swap、减少模型驻留数量、降低Batch Size。也可以给systemd服务加内存限制MemoryMax90G这个限制根据你物理内存大小调整给系统保留足够空间即可。6.4 无头环境中 VAE 输出为黑图有时候节点执行正常但输出的图片是纯黑色或模糊色块。最常见的原因是VAE精度问题SDXL的VAE是fp16的某些情况下解码结果会有色偏。这类问题通常是启动参数里没有指定--force-fp32导致的。如果你追求精确输出可以在启动命令加一行python main.py --listen 0.0.0.0 --force-fp32代价是推理速度下降10%~15%但色彩不再有随机性。个人建议先用fp16跑如果出图正常就别动。6.5 AMD 驱动更新后需要清理残留如果你中途升级过一次amdgpu-install旧版包体容易和新版驱动互相干扰导致内核模块加载失败。最好的做法是彻底卸载后重装sudo amdgpu-install --uninstall sudo apt autoremove sudo reboot然后重新执行一遍驱动安装步骤。这比在旧驱动上打补丁省心得多。7. 实测性能数据与个人总结我的测试平台是Ryzen AI Max 39564GB内存BIOS分了48GB给GPUUbuntu Server 24.04ROCm 6.3PyTorch 2.4.1rocm6.2ComfyUI最新版。实测跑SDXL 1.0基础模型512x512分辨率20步采样用时大约在7到9秒之间1024x1024分辨率20步采样大约30到40秒。Flux schnell fp8版本512x512分辨率4步采样大约20秒左右。因为统一内存架构模型加载速度比同规格独显快不少6.9GB的SDXL模型大概只需要几秒钟就能加载完。这个性能表现对比同价位的独立显卡比如RTX 4060SDXL出图速度上略慢一点但胜在显存上限高、整套主机功耗低综合体验属于能战级别。最终这台的长期用法我是放在家里当一个小型AI绘图服务器手机、平板随时通过Web界面调用。后面我想继续折腾的方向有两个一是试试把NPU接进来做前置加速二是研究一下多用户排队出图的工作流优化。等有新进展我再写一篇补充文章。最后送各位一句实在话AMD这套平台跑AI生图驱动和软件栈的正确选择比硬件本身更重要。严格照着本文这套软件组合来安装基本能稳定运行千万别为了追新去装Beta版驱动和每日构建版PyTorch一天三个报错警告会让心态直接爆炸。