一句话答案：2026 年安装 Stable Diffusion，最稳妥的方式不是下载不明“一键整合包”，而是先按操作系统和 GPU 选择 ComfyUI Desktop、Windows Portable、手动安装或云端，再从官方模型卡安装与工作流匹配的模型。成功标准也不是“页面能打开”，而是环境隔离、模型可追溯、仅本机监听、官方基础工作流可连续生成、版本可记录并能回滚。
先确认：你要安装的是模型，还是运行模型的 ComfyUI？
“安装 Stable Diffusion”至少包含四层：显卡驱动和 PyTorch 提供计算后端，ComfyUI 负责加载与编排，模型仓库提供 checkpoint/组件，workflow 定义实际生成流程。缺一层都可能出现“能打开界面但不能出图”。如果还没有确定 SD3.5、SDXL 或旧 SD1.5 生态，先阅读站内的 Stable Diffusion 模型与工作流入门，不要先下载数十 GB 文件再反推用途。
| 层 | 典型内容 | 安装后怎么验收 | 常见误判 |
|---|---|---|---|
| 硬件后端 | NVIDIA CUDA、AMD ROCm、Intel XPU、Apple Metal/MPS、CPU | PyTorch 能识别预期设备，驱动/后端版本被记录 | 有独显就一定使用 GPU |
| 运行器 | ComfyUI Desktop、Portable、手动安装 | 启动日志无核心 import 错误，仅本机地址可访问 | 界面打开等于完整安装 |
| 模型组件 | checkpoint、VAE、文本编码器、LoRA、ControlNet | 来源、revision、哈希、许可证和目标目录明确 | 所有模型都丢进 checkpoints |
| 工作流 | 内置模板、官方示例或版本化 workflow JSON | 依赖节点齐全，固定参数能生成并保存输出 | 复制 JSON 就能跨机器完全复现 |
四条安装路线怎么选？
ComfyUI 当前系统要求将官方路线分成 Desktop、Windows Portable 与手动安装；官方 GitHub 仓库还提供 comfy-cli 与云端入口。系统要求页自己也提示文档可能落后，因此每次安装都要同时核对该页、GitHub README/Release 和当前 PyTorch 安装选择器。
| 你的环境 | 优先路线 | 为什么 | 何时改走其他路线 |
|---|---|---|---|
| Windows 10+，希望图形化管理多个实例 | ComfyUI Desktop | 启动器管理独立安装、共享模型和更新 | 需要最新 commit、完全便携，或实际 GPU 后端不受支持时 |
| Windows，需要便携目录或明确 GPU 构建 | Windows Portable | 自带独立 Python；当前下载页分别列出 NVIDIA、AMD、Intel 包 | 需要精确依赖、特殊后端、旧显卡或企业封装时 |
| Windows AMD/Intel | 先核对 GPU 代际，再选匹配的 Portable 包或手动安装 | AMD Windows 仍受 RDNA 代际和实验支持范围限制；Intel 依赖 XPU 支持 | 设备不在当前矩阵或稳定性不达标时改云端 |
| macOS Apple Silicon | Desktop（若当前支持）或手动安装 | 使用 Apple Metal/MPS 路线 | 插件/模型不兼容或内存/速度不满足任务时 |
| Linux / 服务器 / AMD ROCm / 特殊加速器 | 手动安装 | 可精确控制 Python、PyTorch、驱动和服务参数 | 没有维护能力或业务只需偶发生成时改云端 |
| 无合适 GPU / 只想先验证 | 可信云端 | 先用真实任务判断价值，避免盲目购置硬件 | 数据不能上传、长期批量成本更高或需自定义节点时 |
不要根据“几 GB 显存就能跑”单点决定。模型、精度、文本编码器、分辨率、批量、附加控制、offload 和并发都会改变显存/RAM/磁盘/延迟。需要做本地与云端决策时，可结合本地、云端与混合部署验收和硬件采购证据清单。
安装前必须完成的十项检查
- 确认系统和设备：记录 OS 版本、GPU 型号/显存、RAM、可用磁盘、驱动和期望后端。
- 确认任务和模型：模型仓库、架构、revision、组件、权重大小和许可证已确定。
- 保留磁盘余量：程序、Python/PyTorch、一个模型、缓存和输出分别占空间；不要只按安装包大小估算。
- 选择独立目录：避免系统保护目录、同步盘和过深/含特殊权限的路径；不覆盖旧环境。
- 备份旧环境：保存 workflow JSON、模型/节点清单、版本、extra model paths 与可回滚副本。
- 只用官方入口：从 ComfyUI 官方文档、GitHub 或模型官方仓库进入，不用搜索广告和网盘整合包。
- 记录下载身份：URL、版本/revision、下载日期、文件大小与 SHA-256；安装器和权重分别记录。
- 准备网络：GitHub、PyPI、PyTorch 与模型仓库可能分别下载；不要因某一步超时就改用不明镜像。
- 定义成功标准：本机监听、设备识别、基础模板、连续生成、输出保存、版本记录和回滚都通过。
- 定义停止线：要求关闭安全软件、运行来源不明脚本、全盘管理员权限或上传敏感密钥时立即停止。
路线一：Windows 使用 ComfyUI Desktop
Windows Desktop 官方指南当前将它描述为可从一个启动器管理多个 ComfyUI 实例，要求 Windows 10 或更高版本、x64/ARM64，推荐独立 GPU 但并非启动器安装的硬性条件；与此同时，系统要求页仍把 Desktop 标为 Beta，并在路线摘要中更偏向 NVIDIA。两页口径并不完全同步，因此“安装器能运行”不能代替 GPU 后端验收；界面、下载项和硬件支持应以安装当日页面与实际日志为准。
- 从官方指南进入下载地址，保存安装器版本、来源和哈希。
- 新建空目录作为安装位置，确认系统盘与目标盘都有余量；模型、用户文件和部分应用数据不一定在同一目录。
- 创建第一个实例后检查维护页和启动日志，确认它识别到预期 GPU/后端；若静默退回 CPU 或设备不受支持，不要为了继续而套用 NVIDIA 命令。
- 保持独立环境，不把依赖装进系统 Python。Desktop 内置终端时，先运行
python -c "import sys; print(sys.executable)"确认解释器属于该环境。 - 首次打开先不安装自定义节点，加载内置基础模板；完成模型安装与首图后再扩展。
- 在“帮助/关于”或日志中记录 ComfyUI、前端、Python、PyTorch、设备和启动参数；保存一份空白基础 workflow。
Desktop 自动化程度更高，但不是“不可出错”。下载中断、镜像失败、磁盘权限、驱动、杀毒误报和设备不支持都可能使初始化失败。先保存完整维护页/日志中的第一处错误，不要连续点击重装覆盖证据。
路线二：Windows Portable 解压运行
Windows Portable 官方指南说明 Portable 自带独立 Python，并提供不同 GPU/兼容构建。下载项会随 Python、CUDA 与显卡代际更新，必须按当前页面选择，不能照搬旧教程里的压缩包名。
- 从官方 Portable 页面或 GitHub Releases下载目标构建，并计算压缩包 SHA-256。
- 解压到新的短路径目录；若 Windows 阻止来自网络的文件，先核对来源与签名/哈希，再按官方说明解除阻止。
- 使用与下载包一致的启动脚本，例如 NVIDIA、AMD 或 Intel 对应脚本；CPU 模式只用于兼容/排错，不能据此承诺生产速度。
- 日志出现本机访问地址后，用同一台机器访问；默认先保持
127.0.0.1，不要直接增加公网监听。 - 模型按官方模板/模型卡放入对应目录。大型新模型可能拆成 transformer、text_encoders、vae 等多个组件，不一定只有一个 checkpoint。
- 更新前复制整个环境或至少保存版本、workflow、节点和配置。使用官方更新脚本时区分 stable 与最新开发分支。
路线三：Windows、Linux、macOS 手动安装
ComfyUI 手动安装页给出虚拟环境、克隆仓库、安装硬件后端、安装 requirements 和启动的基本结构。但官方“系统要求”与“手动安装”页面可能在 CUDA/ROCm 示例上不同步。正确做法是保留结构、动态核对命令：GPU 对应的 PyTorch 命令以PyTorch Start Locally、ComfyUI 当前系统要求和仓库 README 的交集为准。
熟悉命令行且希望工具管理 workspace 的用户也可以核对官方 comfy-cli 仓库；它不是绕过硬件兼容和依赖审计的捷径。无论使用 CLI 还是手动克隆，都要固定工作目录、虚拟环境、工具版本和生成后的依赖锁。
可复用的安装骨架
- 创建隔离环境：使用 venv 或 Conda，新环境中确认
python与pip指向同一路径。 - 克隆官方仓库：从 Comfy-Org/ComfyUI 的 HTTPS 地址进入；记录 commit/tag，不从教程复制陌生 fork。
- 安装硬件对应 PyTorch：在官方选择器选择 OS、包管理器和计算平台；安装后先验证
torch能识别预期设备。 - 安装 ComfyUI 依赖：在已激活环境和仓库根目录执行
python -m pip install -r requirements.txt，保存完整输出和依赖清单。 - 启动核心程序：在仓库根目录用
python main.py启动；第一轮不添加自定义参数、节点或模型路径。 - 验证本机服务：确认日志显示本机地址，浏览器能打开，核心节点加载成功，日志没有设备回退或 import failure。
| 后端 | 安装依据 | 必须验证 | 不要做 |
|---|---|---|---|
| NVIDIA CUDA | 当前 PyTorch 选择器 + ComfyUI 系统要求 | torch.cuda.is_available()、设备名、实际推理日志 |
显卡驱动/旧卡不匹配仍强装最新 wheel |
| AMD ROCm Linux | 当前 ROCm/PyTorch 支持矩阵 | GPU 架构、ROCm、torch 构建和最小 workflow | 把某一代显卡成功案例泛化到所有 AMD |
| AMD Windows | ComfyUI 当前实验支持范围 | 具体 RDNA 代际、对应构建、回归与回滚 | 把 experimental 写成生产稳定 |
| Intel XPU | 当前 torch.xpu 与 ComfyUI 说明 | 设备识别、支持算子、峰值内存和失败 | 只看界面打开，不看是否实际用 XPU |
| Apple Silicon | 当前 macOS/PyTorch Metal 路线 | 统一内存、模型兼容、耗时与正确性 | 把统一内存容量等同独立显存性能 |
| CPU | 官方 CPU 参数/构建 | 只作为排错或小模型基线 | 用“能运行”承诺可交付速度 |
模型应该放在哪里？先看模板和模型卡
旧 SD/SDXL checkpoint 常放在 ComfyUI/models/checkpoints，VAE 放在 models/vae，LoRA 放在 models/loras；但新模型可能由多个仓库组件组成。不要看到 .safetensors 就全部放进 checkpoints。先从官方首图指南加载匹配模板，再按模板缺失项和模型卡逐个安装。
例如 Stable Diffusion 3.5 Large 模型卡披露模型架构、访问条件、组件和许可证；实施时仍需确认具体 workflow 使用单文件 checkpoint 还是 Diffusers 目录。模型文件应记录仓库、revision、文件名、大小、SHA-256、许可证和放置目录。可用信息源与模型文件核验方法检查下载链。
| 文件/资源 | 核对项 | 加载失败先查 |
|---|---|---|
| Checkpoint | 基础架构、是否合并 VAE/文本编码器、许可 | 模板/loader 类型和 shape/key 错误 |
| VAE | 模型家族、精度、是否需要外置 | 偏色、黑图、解码尺寸和数值错误 |
| 文本编码器 | CLIP/T5 等具体组件、目录与精度 | tokenizer、缺文件、RAM/显存和 offload |
| LoRA/ControlNet | 基础模型兼容、作者、license、触发/预处理 | 强度、架构、节点版本与缺失依赖 |
| Workflow JSON | 来源、创建版本、自定义节点、模型名称 | missing nodes、过期节点和模型映射 |
安装成功的八步验收
- 来源：安装包/仓库、模型、组件均有来源 URL、版本/revision 和 SHA-256。
- 环境：Python/pip 位于 Desktop/Portable/手动环境，不污染系统解释器。
- 设备：启动和生成日志确认使用预期 GPU/后端，没有静默退回 CPU。
- 核心：不装自定义节点时核心节点全部导入，无红色 import failure。
- 模型：官方基础模板准确识别模型及组件，不靠忽略 missing keys 强行继续。
- 网络：默认仅本机访问；端口、监听地址和防火墙状态被记录。
- 基线：固定模型、workflow、prompt、seed、尺寸和参数连续生成三次，输出能打开且日志可保存。
- 回滚：保存 ComfyUI commit/release、前端、Python/PyTorch、节点、workflow 和模型清单；复制环境或快照可恢复。
生成速度不是这一步的唯一目标。记录首次加载、后续生成、峰值显存/RAM、磁盘读写、输出尺寸和失败。如果需要降低显存，先阅读量化与资源验收并参考 Diffusers 内存优化文档；不同模型架构对 offload/量化收益不同。
不要把 ComfyUI 直接暴露到公网
Portable 文档展示了 --listen 用于局域网访问，但这不等于公网安全部署。ComfyUI 是客户端—服务器应用，自定义节点在服务端执行 Python，Manager 还能安装依赖。默认保持 loopback；如确需远程访问，应使用 VPN/零信任入口或受控反向代理、强认证、TLS、防火墙/来源限制、非管理员账户、独立目录与最小权限，并禁止把服务直接映射到互联网。
官方自定义节点安装指南明确提醒未知插件可能造成系统风险；Registry 安全标准禁止 eval/exec、运行时 pip 安装和代码混淆等做法。Registry 说明解释了版本、验证标记和 workflow 中节点版本的作用，但 Registry/Manager 标记仍只是风险信号，不是完整安全担保。生产环境先用核心节点，扩展逐个固定版本、审查依赖并在隔离副本中 canary。权限与审批方法可参考站内软件工具权限治理指南。
更新前先做快照，不能在唯一环境上直接 git pull
ComfyUI 更新文档区分 Desktop、Portable、手动安装和 stable/开发路线。更新可能同时改变核心、前端、Python/PyTorch 依赖和自定义节点兼容性。正确流程是复制环境或创建 canary，导出版本与 workflow，先跑冻结基线，再决定扩量。
| 阶段 | 动作 | 证据 | 失败处理 |
|---|---|---|---|
| 更新前 | 保存 commit/release、pip/conda 清单、节点版本、配置、workflow | 快照目录、哈希、基线输出与日志 | 信息不全则不更新 |
| Canary | 在副本更新核心与依赖，不复用唯一生产目录 | 更新 diff、启动日志、设备识别 | 恢复副本，不污染生产 |
| 回归 | 同模型/输入/参数运行基础与业务 workflow | 正确性、失败、耗时、显存和输出差异 | 定位核心/前端/节点/依赖单变量 |
| 扩量 | 小批用户/任务迁移，保留旧环境 | 错误率、返工、资源与回滚演练 | 达停止线立即切回旧版本 |
常见安装报错怎么查？
| 症状 | 先找哪条证据 | 处理顺序 | 不要做 |
|---|---|---|---|
| 下载/初始化卡住 | 具体 URL、HTTP/证书/代理错误、剩余磁盘 | 确认官方源和网络，再按官方镜像说明处理 | 搜索随便下载“修复版” |
| Torch not compiled with CUDA | Python 路径、torch 版本、构建后缀、驱动和设备 | 在正确环境卸载错误 torch，按当前选择器重装 | 同时在系统 Python 和嵌入 Python 装包 |
| 找不到 GPU/退回 CPU | 启动日志、torch 设备查询、后端支持矩阵 | 确认硬件代际、驱动和对应 PyTorch 构建 | 用“网页能开”证明 GPU 生效 |
| ModuleNotFound/import failed | 第一处 traceback、解释器、requirements 和节点来源 | 先在无自定义节点核心环境复现，再逐个恢复 | 一次升级所有节点掩盖根因 |
| 模型列表为空 | 实际目录、extra paths、文件权限和扫描日志 | 按模型卡/模板放置，刷新或重启 | 把所有 safetensors 混在一个目录 |
| shape/key/CLIP/VAE 错误 | 模型架构、loader、组件和 workflow 来源 | 回到模型官方基础模板，撤掉 LoRA/ControlNet | 忽略大量缺失权重继续交付 |
| 显存不足 | 模型、分辨率、批量、组件和峰值资源 | 减批量/尺寸，撤附加组件，再测试 offload/量化 | 把启动成功当成持续稳定 |
| 加载 workflow 缺节点 | 节点 ID、来源、版本和 workflow 创建环境 | 判断是否真的需要；只从可信 Registry/仓库安装 | 点击 Install All 后不审查代码/依赖 |
| 更新后界面/节点坏 | 核心、前端、节点、Python/PyTorch diff | 用 canary 单变量回滚，参考官方节点排错 | 删除旧环境和唯一 workflow |
安装后如何清理或卸载？
不要只删除桌面快捷方式。Desktop、Portable 和手动安装的程序、Python 环境、模型、缓存、输入、输出、用户配置和自定义节点可能分散。先导出需要保留的 workflow、模型来源/哈希和生成记录，再按对应官方卸载说明移除应用；核对系统盘应用数据、目标目录、模型共享路径、Hugging Face/PyTorch 缓存和防火墙规则。删除前列出绝对路径并确认没有其他 UI 共享模型目录。
Stable Diffusion 安装常见问题
真的能在 5 分钟内安装完吗？
不能作为通用承诺。下载速度、安装包、PyTorch、模型文件、磁盘解压、驱动和首次加载都会影响时间。更合理的目标是按官方路线完整跑通八步验收，而不是追求一个无法复现的分钟数。
Windows 新手应该选 Desktop 还是 Portable？
希望用启动器管理多个独立实例、共享模型和更新时先评估 Desktop；需要完整目录便携、明确的 NVIDIA/AMD/Intel 构建或更接近最新 commit 时选 Portable。无论哪条路线，都必须用实际生成日志确认后端，没有任何一个安装器名称能替代设备兼容检查。
AMD 或 Intel 显卡能安装吗？
部分设备可以，但支持与 OS、GPU 代际和当前 PyTorch 构建有关，Windows 某些 AMD 路线仍可能是实验性。按当前系统要求逐项核对并运行自己的基线；不支持时云端通常比强行套 NVIDIA 教程更省时间。
安装包为什么不自带所有模型？
模型体积、访问条件、许可证和组件结构不同，程序与权重应分开管理。只安装一个与任务匹配、来源清楚的官方/可信模型，通过基线后再扩展。
可以直接使用网上的整合包吗？
不建议把不明整合包作为生产环境。它可能包含未知可执行文件、旧驱动/依赖、自定义节点、模型和不清晰许可证。即使能出图，也很难证明供应链、复现和回滚。
为什么同一个 workflow 在另一台机器失败？
workflow 只保存图结构和部分设置，不一定包含相同模型哈希、节点版本、Python/PyTorch、输入文件、路径和硬件后端。比较完整环境清单，而不是只比较 JSON。
结论：可靠安装 Stable Diffusion 的顺序是：选择适合设备与维护能力的 ComfyUI 路线，建立隔离环境，从官方入口安装硬件对应 PyTorch 与核心依赖，按模型卡/模板放置可追溯组件，只在本机监听，用冻结基础工作流验证设备、输出和资源，最后保存快照并演练回滚。完成这些证据门，才算“安装成功”；网页打开、一次出图或别人说“不报错”都不够。
