ComfyUI下载不了模型怎么办?三种方案与永久生效配置

作者:梅琳marlin2026.11.17 03:24浏览量:0

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。

一、先别急着改配置:确认到底卡在哪一步

打开 ComfyUI 的控制台(Desktop 版是”终端/日志”窗口),看下载行的 URL 域名:

  • 打印的是 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。
  • 打印的是镜像域名但报 SSL: CERTIFICATE_VERIFY_FAILED → 证书或代理拦截,走第五节。
  • 进度条走到 100% 又回退、或提示 No space left on device → 磁盘/权限问题,走第五节。
  • 日志里根本没有下载动作,只是节点报红 → 模型路径不对,不是下载问题,直接看第四节。

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。

二、方案一:HF 镜像 + 让配置真正生效(首选)

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)。

为什么 PowerShell 设了 HF_ENDPOINT 没用

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。

最稳的做法:sitecustomize.py

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):

  1. D:\comfyui-desktop\ComfyUI\standalone-env\Lib\site-packages\sitecustomize.py

内容只有两行:

  1. import os
  2. os.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。

其他安装方式的等价做法

  • 手动启动 / 整合包(Windows) :在系统环境变量里新建 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。
  • macOS / Linux :写进 ~/.bashrc 或 ~/.zshrc,source 后从同一个 shell 启动。
  • Docker / 云上部署 :在容器启动参数里加 -e HF_ENDPOINT=https://hf-mirror.com,写进 compose 或启动脚本,否则容器重建就丢。

三、方案二:命令行下载器,断点续传更抗断

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。

  1. # 新版 huggingface_hub(推荐)
  2. pip install -U "huggingface_hub[hf_transfer]"
  3. export HF_ENDPOINT=https://hf-mirror.com
  4. export HF_HUB_ENABLE_HF_TRANSFER=1 # 高速分块下载,断点续传
  5. hf download <repo_id> <filename> \
  6. --local-dir ./models/diffusion_models

老版本用 huggingface-cli download <repo_id> <filename> --local-dir ...,参数一致。要点:

  • 指定到具体文件名 ,不要整仓拉取。视频/图像模型仓库里常同时放 fp16、fp8、GGUF 多个量化版本,整仓下载会多出几十 GB 无用文件。
  • 中断后 重跑同一条命令 即可续传,已完成的文件会跳过。
  • 大文件(10GB 以上)建议配 aria2c 多线程兜底:
  1. 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。

四、方案三:ModelScope 或手动下载,放到正确目录

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。

已有模型不想重复下载

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 。

五、其他高频报错速查

  • 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。
  • 速度突然掉到 0 :镜像节点波动,Ctrl+C 后重跑续传命令,或临时切回官方源单文件下载。
  • 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。
  • 权限报错 / 写不进目录 :Linux 下检查目录 owner,容器里注意挂载点是否以 root 写入。
  • 下载完整但加载报 shape 不匹配 :多半下到了 fp8/GGUF 版本而节点按 fp16 加载,换回对应精度文件。
  • 只想快速验证工作流 :先用小模型或低分辨率跑通链路,再下大模型,能省掉大量无效等待。

六、换个思路:不下载模型也能跑起来

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:

  1. 模型发现与选型 :按能力类型和适用场景了解不同模型,判断你的任务是走图像/视频生成还是文本理解。
  2. 价格与性能对比 :横向比较调用成本和能力表现,做成本评估,避免”下完 40GB 才发现不合适”。
  3. 统一 API 接入与调用管理 :用一套接入方式对接多个模型,降低集成复杂度,并集中查看调用情况。

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。

七、推荐执行顺序

  1. 看日志确认卡点域名,别盲目重装。
  2. 用 sitecustomize.py 或容器环境变量把 HF_ENDPOINT 指向镜像,重启验证。
  3. 用 hf download 指定单文件 + 断点续传,把 40GB 拆成几个可续的任务。
  4. 按第四节表格核对目录,复用已有模型走 extra_model_paths.yaml。
  5. 镜像持续抽风就换 ModelScope 或手动下载兜底。
  6. 只是想验证效果 → 直接上云端 API,把时间花在业务而不是下载上。

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。