Simplified t2i Workflow for Flux2D

ワークフローは、VRAM（RAM）の割り当てを制御し、VRAMオーバーフローおよびその結果のスワッピングを防ぐために、DisTorch2MultiGPUv2 ノード上で実行する必要があります。しかし、これらのノードは最新のComfyUI更新により現在動作しません。代替手段として、古いMultiGPUv1ノードを使用しています（DisTorch2と比較して最大で10–15%の推論速度低下）。

GitHub: pollockjj/ComfyUI-MultiGPU

システムに動作するSageAttention環境が整っている場合、利用可能なVRAM（RAM）に応じて、fp8.safetensorsを使用したワークフローは問題なく実行できます。

GGUFの場合：

SageAttentionによる高速化はFP8モデルと比較して著しく低く、GGUFフォーマットは主にCPU最適化推論を目的としているため、SageAttentionのGPUカーネルを十分に活用できないため、効果が全く発揮されないこともあります。

-> --use-sage-attention を無効化

-> --fast（標準的なPyTorch最適化）を使用

-> GGUFノード（バックエンド）の内部最適化に依存

RTX30xx、RTX40xx（およびRTX50xx）でVRAMが24GB未満のシステムについては、私のHF/モデルページにある表「Quick Reference: FLUX.2 + Mistral-3-Small GGUF」を参照してください。

GegenDenTag/comfyUI-Flux2D-t2i-workflow · Hugging Face

ここでは、メモリ管理、run_nvidia_gpu.bat、SageAttentionのインストールガイド、およびいくつかのCMDコンソール出力（以下のパフォーマンスを参照）についての注記も見つかります。

パフォーマンス

テスト環境：RTX3090 24GB VRAM + 32GB RAM

• Flux2 fp8mixed.safetensors Nvidia（35.5GB）、Mistral Text Encoder fp8.safetensors（18GB）

• Flux2 Q8_0（35GB）、Mistral Text Encoder Q8_K（29GB）

• flux2-vae.safetensors（336MB）

• ガイダンス：4 | ステップ：20（実用：ガイダンス 2–2.5、ステップ 30–40）

• 基準：異なる解像度で約80回の実行

最初の実行：必要なレイヤーをVRAM/RAMに初期ロードし、最初の推論。その後の推論は、メモリ管理が既に初期化されているため、大幅に高速化されます。正確な時間やロード状況などは、コンソール出力／スクリーンショットを参照してください。

FP8フォーマット

最初の実行

• 832×1216px：約380–400秒

以降の実行：

• 832×1216px：75–80秒（約3.70–3.90秒/イテレーション）

• 1080×1920px：135–150秒（約6.75–7.50秒/イテレーション）

• 1440×2160px：225–240秒（約11.00–11.50秒/イテレーション）

GGUFフォーマット（予想通り実行時間が長め）

最初の実行

• 832×1216px：約420–440秒

以降の実行：

• 832×1216px：105–120秒（約5.30–5.50秒/イテレーション）

• 1440×2160px：250–260秒（約12.00–12.75秒/イテレーション）

付録：サンプル画像にはメタデータが埋め込まれていません。私はn8n-upscayl_1440px_ultrasharp-4xでワークフローを自動化して実行していますが、アップスケーラーがメタデータを上書きするのを防ぐことはまだできていません。