ComfyUI 0.31.0 盡收主流地端影像模型，DGX Spark + QNAP NAS 的實戰架構

AI 影片生成在 2026 年夏天出現了一個明確的轉折點，之前要用 AI 來產品質堪用的影片，只能透過雲端 API 取得的次世代影片模型才能跑得好，不然地端的影片模型很多成品都慘不忍睹或品質可以但要耗費太久的時間，如今這些次世代影片模型終於有更好的地端版本，並開始以開放權重的形式落地。

CyberQ 認為，ComfyUI 0.31 正好站在這個轉折點上，一邊是 MiniMax H3、Wan Animate 2 這類可完全在地端執行的開源影片模型，另一邊是 Seedance 2.5、FLUX 3 影片、Seedream 5.0 這類仍以 API 節點形式存在的商業模型。

CyberQ 以 ComfyUI 0.31 的官方更新為實測，並實作目前地端影片生成的主流流派、產圖模型的最新趨勢，並分享我們以 NVIDIA DGX Spark（GB10）搭配 QNAP NAS NFS 集中模型庫的實際部署架構。

一、ComfyUI 0.31 重點更新為次世代影片模型鋪路

從 GitHub 的 v0.30.0 至 v0.31.0 release 紀錄來看，這兩個版本的核心工程幾乎都圍繞著「讓大型影片模型跑得進消費級與工作站級硬體」：

MiniMax-H3 原生支援持續強化：v0.31 加入 H3 的 int8 convrot VAE 支援、音訊取樣器修正（支援更多 sampler）、audio VAE 完整卸載（full offload）修正等，這些都是針對 H3 這類音影一體模型的後續打磨。

Wan-Animate 2 原生支援（CORE-358）：由知名貢獻者 kijai 提交，讓 Wan 系列最新的角色動畫／替換模型直接進入核心，不再依賴 wrapper 節點。

記憶體管理基礎建設：v0.30 引入以 MRU（最近最常使用）策略搭配 pinning 基礎架構將權重載入系統記憶體，以及 int8 convrot embedding lookup 支援，這是 H3 能夠大幅瘦身的關鍵技術之一。CyberQ 實測除了較完整權重已經能塞進 DGX Spark GB10 這樣的機器外，連 NVIDIA RTX 5060 Ti 16GB Vram 的消費級顯示卡也能塞得進量化版的 H3 先進影像模型，來產生影片了。

範本庫更新至 v0.11.3x：內建範本已涵蓋 MiniMax H3（文生影片、圖生影片、參考生影片、首尾幀）、Wan Animate 2、Seedance 2.5 全系列、FLUX 3 影片、Seedream 5.0 專業版圖層分離、Topaz 影像放大等工作流程。

CyberQ 指出，有一個需要注意的細節，在範本庫中，卡片上標示「API」標籤的（如 Seedance 2.5、FLUX 3 影片、Seedream 5.0、Topaz）是透過 Comfy 的合作夥伴節點（Partner Nodes）呼叫雲端服務、是按量計費的噢。

那些沒有加上 API 標籤、純「節點圖」的範本（如 MiniMax H3 的文生影片與首尾幀、Wan Animate 2）才是真正在你自己 GPU 上跑的開放權重工作流程。這條分界線，正是本文要談的「地端 vs 雲端」流派之分。

二、地端影片生成的主流流派

流派一：全模態音影一體 MiniMax H3

這是 2026 年 8 月最大的事件，也是現階段最熱門的影像地端模型。MiniMax 於 8 月 3 日正式開源 H3，是其Hailuo 產品線背後的第三代影片模型，並且 ComfyUI 在同一天完成原生支援（PR #15224）合併，是標準的 Day-0 支援。

H3 的技術定位與過去的開源影片模型有非常顯著的本質差異：

全模態輸入：文字、圖片、影片、音訊可以任意組合作為輸入。例如用一張圖固定角色身分、一段影片指定運鏡、一段音訊指定聲線，在同一個 prompt 中描述它們的用途。

原生立體聲音訊：對白、音效、音樂與畫面在同一次前向傳播中共同生成，不是事後配音。這是目前開源影片模型中，H3 獨有的能力。

規格：H3-Base 為 33B 參數的 omni transformer，開源版本地端輸出上限 768p、24fps、最長約 15 秒。2K 在地端需另行放大，官方的 H3-Regenerate-2K（in-context 高解析重生成）目前僅限 API。

兩個開源 checkpoint：FL2VA（文生影片＋首尾幀控制）與 Ref2VA（參考生成），對應範本庫中的四個 H3 節點圖範本。

真正讓 H3 具備「地端可行性」的是 Comfy 團隊的最佳化工程，他們發現模型約 40% 的調變權重（modulation weights）可以修剪並以功能等價的查找表取代，搭配 int8 convrot 量化與自訂 VRAM 卸載核心，將總記憶體佔用從全精度的 123.6 GB 壓縮至最小變體的 42.5 GB，降幅 66%，官方宣稱搭配動態 VRAM 卸載後，甚至能在 RTX 3060 上執行，CyberQ 實測也驗證過了，可以跑，但會比 RTX 5060 Ti 16GB 更慢，因為要動態去把資料卸載給主記憶體這樣來回用的次數會更多。

Comfy-Org 在 Hugging Face 上提供 bf16、int8_convrot、pruned fp8 等多種重新打包權重，直接對應 ComfyUI 的 models 目錄結構。

CyberQ 特別提醒大家，使用 H3 要留意該公司的授權注意事項，H3 採用特別的 MiniMax H3 Community License，開源權重的商業使用預設排除美國、歐盟、英國與韓國等地區（與著作權訴訟風險有關），台灣使用者儘管相對不受此限，但商用前仍建議完整閱讀授權條款原文。

流派二：角色動畫與替換 Wan Animate 2

Wan 系列（阿里通義）一直是開源影片生態的另一支主力，為中國科技大廠阿里巴巴旗下的產品。從 2025 年 9 月的 Wan2.2-Animate-14B 開始，「拿一段真人動作影片＋一張角色參考圖，輸出動作、表情完整移植的角色影片」這條 pipeline 已經是短影音與 VTuber 社群的常客了，你會看到很多人都拿 Wan 系列來用。

ComfyUI 0.31 將 Wan Animate 2 納入原生支援，Comfy-Org 亦已在 Hugging Face 發布完整的重新打包權重（總計約 108 GB，含 diffusion model、text encoder、CLIP vision、VAE 與 LoRA，採 Apache 2.0 授權）。相較於 API 流派，Apache 2.0 是對商用最友善的授權之一，這也是 Wan 生態在 MSP 與商業製作圈持續受歡迎的原因。

實務上這個流派的工作流程特徵是「前處理吃重」，在經過 YOLO 人物偵測、ViTPose 全身關鍵點、臉部裁切、主體遮罩，之後才進入 Wan 的 diffusion 取樣。搭配 Lightx2v 步數蒸餾 LoRA 與 Relight LoRA，可在畫質、動作穩定度與光影一致性之間取捨。

流派三：Wan 2.2 MoE 通用文生／圖生影片

在 H3 出現之前，Wan 2.2 的 MoE 架構（T2V/I2V 14B、TI2V 5B）是地端文生影片的市場應用標準之一，14B 版本動作品質與 prompt 遵循度較佳，5B 版本則能在中階硬體上執行。其最大資產是社群生態，我們可以看到大量 LoRA、步數蒸餾加速方案（4 步取樣）、kijai 的 WanVideoWrapper 最佳化，這些短期內不會被 H3 取代，特別是在不需要音訊、追求快速迭代的場景，Wan 2.2 MoE 還是很好用的。

流派四：音影同步的另一條路 LTX-2 / LTXAV

Lightricks 的 LTX 系列（LTX-2、LTXAV）走的是「輕量、快速、音影同步」路線，ComfyUI 近幾版持續加入 context window 取樣、IC-LoRA 引導、嵌套 latent 預覽等支援。對於 VRAM 有限、但想要影音同步輸出的使用者，這是 H3 之外的務實選項。

流派五：API 節點是商業模型的補位角色

範本庫中掛著 API 標籤的模型群，代表的是目前開源權重尚未觸及的能力上限或特殊功能：

Seedance 2.5（字節跳動）：文生影片、參考生影片、首尾幀（FLF2V）、影片編輯全系列，4K 輸出。

FLUX 3 影片（Black Forest Labs）：文生影片與圖生影片。

Seedream 5.0 專業版：圖層分離（layer decomposition）這類特殊任務。

Topaz Wonder 3.5 / Bloom 2：專業級影像放大。

MiniMax H3 的 API 範本：包含地端拿不到的 2K regenerate 能力。

對內容產製者而言，合理的策略是地端迭代、API 收尾，這個策略你一定要弄清楚，和我們很多公司用低端 AI 開發軟體省 Token ，但最後交付的檢查和收尾，用雲端 Claude Fable5 API 類似。總之，團隊可先用地端開源模型做大量低成本的創意探索與 768p 驗證，確定分鏡後再用 API 產出最終的高解析商業成品。

三、地端產圖模型：2026 年中的社群版圖

影片之外，靜態產圖的社群生態在 2026 年上半年也重新洗牌。綜合 Civitai 等社群的觀察：

Krea 2 成為新霸主：社群普遍認為 Krea 2 在 2026 年 7 月的時間點已大致超越 Z-Image 與 FLUX.2 Klein，基礎模型涵蓋的風格廣度、prompt 理解力，加上快速累積的 LoRA 生態，使其成為新手與量產場景的首選，Turbo FP8 版本進一步降低硬體門檻。

Z-Image Turbo（阿里通義，6B）：2025 年 11 月底發布後長期是低階硬體的畫質標竿，寫實表現優異且支援中英雙語文字渲染，甚至被 Ollama 選為首批實驗性產圖模型，硬體需求較小，方便部署，搭配 ComfyUI 也是很好用的。

FLUX.2 Klein 4B/9B（Black Forest Labs）：2026 年 1 月發布，4B 版本約 13 GB VRAM、4 步取樣、Apache 2.0 授權，是「商用授權乾淨＋速度極快」的組合，9B 版本畫質可比擬那些體積大好幾倍的模型。不過呢，CyberQ 提醒大家，需注意 FLUX.2 [dev]（32B）的授權加入了強制安全過濾條款，與 FLUX.1 時代不同。

Qwen-Image（20B）：仍是圖內文字渲染（text-in-image）的最佳開源選擇，Qwen Edit 系列在編輯圖片的任務上口碑穩固。

動漫路線：Anima 被社群視為「動漫界的 Z-Image」，其 3.89 GB 的主模型在低階硬體上有驚人品質，並被視為 Illustrious 的接班競爭者，且寫實與藝術風格的涵蓋面超出名稱給人的印象。

SDXL / FLUX.1 的長尾：最深的 LoRA 生態仍在 SDXL 與 FLUX.1 [dev] 上，但社群已開始討論在 Krea 2 生態成熟後，Z-Image Turbo、Klein、SDXL 是否還有保留的必要。CyberQ 實務上已經將圖片處理儘量由 Krea 2 處理，早期的那些模型確實不太會用到了，未來可能會淘汰掉。

CyberQ 認為，4B–9B 級的開源模型已達到 18 個月前的 SOTA 水準，地端產圖正式進入生產可用時代，差異化只剩授權條款、LoRA 生態與特殊能力（文字渲染、編輯）。

四、實戰架構：DGX Spark（GB10）+ QNAP NAS NFS

DGX Spark：42.5 GB 的 H3 剛好是它的主場

H3 最佳化後 42.5 GB 的記憶體佔用，在傳統消費級 GPU 上仍需依賴動態卸載（offload）換取可行性，代價是速度。但對 DGX Spark 這類 GB10 Grace Blackwell 平台，128 GB 統一記憶體、CPU 與 GPU 共享同一記憶體池的邵被來說，42.5 GB 的模型可以完整駐留，連同 text encoder、VAE 與取樣過程的 activation 都有充裕餘裕，不需頻繁在 PCIe 上搬運權重。這正是「統一記憶體架構」在影片生成世代的價值，它把過去 offload 造成的 I/O 瓶頸，變成單純的記憶體定址問題。

同樣的邏輯適用於 Wan Animate 2（108 GB 全套權重雖無法全部駐留，但 fp8 量化後的 diffusion model 加上前處理模型可以）與 33B 級以上的未來模型。搭配 ComfyUI 0.30 起的 MRU pinning 權重載入機制，多模型切換的冷啟動時間也明顯改善， ComfyUI 0.31 後會更好用。

QNAP NAS：NFS 集中模型庫

當你同時有 DGX Spark、Windows 工作站（如本文截圖環境：128 GB RAM、PyTorch 2.9.1+cu130）、甚至 NAS 上的 Container Station 都在跑 ComfyUI 時，模型檔案的管理就成了真正的痛點，H3 一套權重數十 GB、Wan Animate 2 一套 108 GB，沒有人想在三台機器上各存一份。

CyberQ 的做法是以 QNAP NAS（TS-855X）作為集中模型庫：

NFS 匯出 models 目錄：將 diffusion_models、text_encoders、vae、clip_vision、loras 等目錄透過 NFS 分享，各端以 extra_model_paths.yaml 掛載，或直接以 --models-directory 啟動參數指向掛載點（此參數已於近期版本進入核心）。

網路是關鍵：影片模型單檔動輒 20 到 40 GB，10GbE 網路絕對是底線，若 NAS 與工作站支援 25/100GbE，模型載入時間可以壓到接近本機 NVMe 的水準，QNAP 平台上亦可進一步評估 NFS over RDMA，速度會更快。

NAS 端也能跑：對於輕量產圖模型（Z-Image Turbo、Klein 4B、Anima），不論是自行安裝顯卡，或原廠預設搭配 NVIDIA 顯示卡的 NAS ，它本身透過 Container Station 或社群維護的 QNAP ComfyUI QPKG 就能直接跑 ComfyUI 產圖/產影片服務，前者需要寫適當的 YAML 來部署，後者則是一鍵安裝幫你裝好基礎，需要的模型就從 ComfyUI 的介面中選取範本，它會提示你有那些模型還沒安裝，要去下載放到對應資料夾中。然後，我們把 DGX Spark 留給影片生成這類重載任務。

快照與版本管理：模型庫放在 NAS 上的附帶好處，是可以用快照保護已驗證可用的權重組合，當某次更新造成 workflow 不相容時，回滾成本極低。

這套「DGX Spark 算力 + NAS 集中儲存 + 工作站前端」的三層架構，本質上就是把資料中心的 storage/compute 分離思維，縮小到個人工作室與中小團隊的規模。

五、CyberQ 建議

ComfyUI 0.31 所代表的，是地端 AI 影片生成從玩具走向生產工具的分水嶺，MiniMax H3 帶來了開源世界第一個音影一體的全模態模型，產出影片的品質已經可以和先進雲端 AI 大模型接近。同時呢，Wan Animate 2 以 Apache 2.0 授權鞏固了角色動畫流派，而 Comfy 團隊的量化與記憶體工程，讓這些 30B 級模型真正落到消費級與工作站硬體上。產圖端則已進入成熟期，Krea 2、Z-Image、Klein 之間的競爭焦點從能不能用這件事，轉為授權、生態與速度的取捨。

對於已投資 DGX Spark 、高階 NVIDIA 顯示卡，以及高階 NAS 基礎設施的使用者，現在正是把這些硬體價值完全兌現的時刻，42.5 GB 的 H3，就是為 128 GB 統一記憶體而生的第一個殺手級應用。