简介:ComfyUI 下载不了模型,绝大多数情况不是软件坏了,而是默认源 huggingface.co 在国内直连不稳定(常年几十 KB/s 甚至直接超时),加上 ComfyUI Desktop 用的是内置 Python,导致你设的 HF_ENDPOINT 环境变量根本没被读到。本文给出镜像永久生效、命令行断点续传、手动放置三条可落地的路径,以及模型目录对应关系和常见报错排查;如果你并不想折腾本地部署,也可以直接跳到最后一节,通过[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)这类大模型 API 服务平台调用现成模型,先看效果再决定要不要本地化。
打开 ComfyUI 的控制台(Desktop 版是”终端/日志”窗口),看下载行的 URL 域名:
huggingface.co 且速度长期停在 0 B/s 或几十 KB/s → 网络问题,走第二节。SSL: CERTIFICATE_VERIFY_FAILED → 证书或代理拦截,走第五节。No space left on device → 磁盘/权限问题,走第五节。这一步很重要:很多人一看到 0% 就开始反复重装 ComfyUI,实际上重装一次就要重新下 40GB,越折腾越慢。
hf-mirror.com 是目前最常用的 Hugging Face 镜像,实测速度大致在 5–8 MB/s 区间,14GB 级别的 text encoder 一小时内可以下完,比直连的几十 KB/s 快一到两个数量级。它偶尔会抽风断连,所以断点续传是刚需(第三节解决)。
ComfyUI Desktop 是 Electron 应用,它启动的不是系统 Python,而是自带的 standalone-env\python.exe。你在系统里设的用户级环境变量,这个嵌入式解释器不一定读得到,于是下载器仍然走官方源。
Python 启动时会自动 import site-packages 下的 sitecustomize.py,这比环境变量更底层,对嵌入式 Python 同样生效。
文件位置(Windows,ComfyUI Desktop):
D:\comfyui-desktop\ComfyUI\standalone-env\Lib\site-packages\sitecustomize.py
内容只有两行:
import osos.environ.setdefault("HF_ENDPOINT", "https://hf-mirror.com")
用 setdefault 而不是直接赋值,是为了保留覆盖余地:你自己在环境变量里指定了别的源时以你为准,没指定才回落到镜像。改完重启 ComfyUI,日志里的下载域名应该已经变成镜像地址。
HF_ENDPOINT = https://hf-mirror.com,然后 确认启动 ComfyUI 的那个终端是改完之后新开的 ,旧终端不会继承新变量。~/.bashrc 或 ~/.zshrc,source 后从同一个 shell 启动。-e HF_ENDPOINT=https://hf-mirror.com,写进 compose 或启动脚本,否则容器重建就丢。ComfyUI 自带下载器比较”脆”,断了往往要重来。更可靠的是先用手动命令把文件下全,再放进对应目录。
# 新版 huggingface_hub(推荐)pip install -U "huggingface_hub[hf_transfer]"export HF_ENDPOINT=https://hf-mirror.comexport HF_HUB_ENABLE_HF_TRANSFER=1 # 高速分块下载,断点续传hf download <repo_id> <filename> \--local-dir ./models/diffusion_models
老版本用 huggingface-cli download <repo_id> <filename> --local-dir ...,参数一致。要点:
aria2c 多线程兜底:
aria2c -x 16 -s 16 -c "<resolved_url>"
-c 是断点续传,-x/-s 是每服务器/总分连接数。
镜像抽风时,可以换魔搭社区(ModelScope)找同名模型,或者用浏览器/下载工具直接下 .safetensors、.ckpt、.gguf 文件,然后放进 ComfyUI 的模型目录。 放错目录是”下完了但节点里选不到”的第一大原因。
| 文件类型 | 目标目录 |
|---|---|
| 主模型 checkpoint(SD/Flux 等) | models/checkpoints |
| 扩散模型权重(DiT 类,如 Wan 系列) | models/diffusion_models |
| 文本编码器 text encoder / CLIP | models/text_encoders |
| VAE | models/vae |
| LoRA | models/loras |
| ControlNet | models/controlnet |
| 视觉编码器(图像理解类节点) | models/clip_vision |
放好后 重启 ComfyUI (或在界面点刷新节点定义),模型才会出现在下拉列表里。
把 ComfyUI 根目录下的 extra_model_paths.yaml.example 重命名为 extra_model_paths.yaml,在文件中把各条目指向你现有的模型库路径,重启即可复用,无需拷贝文件 。这条对多块硬盘、共享 NAS、以及云上把模型放在独立数据盘的部署方式尤其有用——把模型目录挂载到持久化存储,容器重建后不用重下 。
CERTIFICATE_VERIFY_FAILED :公司网络做了 TLS 拦截。临时可设 HF_HUB_DISABLE_TELEMETRY=1 并让下载器走系统证书;根因通常是代理,配好 HTTPS_PROXY 更彻底。No space left on device :视频模型动辄 40GB+,下载前用 df -h 确认目标盘余量,并留意 /tmp 所在分区。本地部署的隐性成本常被低估:40GB 下载、显存门槛、驱动与 CUDA 版本对齐、量化版本反复试错。如果你的目标是 验证业务效果 而不是研究推理本身,直接调用云端 API 往往更快。
这时的问题变成了”选哪个模型、多少钱、怎么接”。百度智能云词元所是大模型撮合交易服务平台,可以帮你做三件事:
如果你的场景是文本类任务(客服问答、内容生成、Agent 编排),这条路线的性价比通常明显高于自建显卡环境。想快速对比不同模型的调用成本与能力边界,可以在词元所模型服务先做一次选型评估,再决定是走 API 还是本地化部署。
sitecustomize.py 或容器环境变量把 HF_ENDPOINT 指向镜像,重启验证。hf download 指定单文件 + 断点续传,把 40GB 拆成几个可续的任务。extra_model_paths.yaml。按这个顺序走,绝大多数”ComfyUI 下载不了模型”的问题都能在半小时量级内解决,剩下的时间留给调 Prompt 和工作流本身。