WAN i2v (Kijai Version) + Sage_Attn + Teacache (Native)+ VFI Interpolation/Upscale

简介

这是一个与 WAN 视频、Sage Attention 和新的 Teacache 支持配合使用的基础工作流。通过对 30 个样本进行基础测试，我的生成速度从 17 分钟降低到约 6 分钟，速度提升巨大。一些用户在安装时遇到问题，因此我在此分享我的工作流以提供帮助。

注意 - 这是 Kijai 版本。使用的模型与 Comfy 支持的模型不同。点击此处查看 Kijai 的详细教程，包含 Hugging Face 链接和示例工作流

下载 Teacache 节点：

进入你的 custom_nodes 文件夹并输入：

git clone https://github.com/welltop-cn/ComfyUI-TeaCache

Sage Attention

我知道设置 Sage Attention 很麻烦，目前我还没有提供详细的安装指南。但我可以提供建议：确保你的 Nvidia SDK、Torch 版本、Python 版本和 Sage Attention 版本相互匹配且兼容。我遇到的大部分问题都源于此。建议先从 Sage Attention 开始，检查兼容性，再逆向调整其他组件。

我曾在 YouTube 上搜索并找到一个不错的教程（演讲者不是我）：如何成功运行 Sage Attention。再次强调，版本匹配至关重要——我安装时不得不降级 Nvidia SDK 版本以确保所有组件兼容。

个人测试

在 GTX 4090 + 64GB RAM 上的测试（30 步）

100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 30/30 [05:56<00:00, 11.89s/it]

使用 SDPA 进行测试的结果：

100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 30/30 [17:27<00:00, 34.91s/it]

6 分钟对比 17.5 分钟，速度提升近 3 倍，效果显著。