调整批量生成策略并启用显存清理机制是避免 ComfyUI 批量生成崩溃的最直接方法，适用于显存接近上限的场景，但可能牺牲部分生成速度。

快速处理思路

在不修改核心代码的前提下，优先通过启动参数限制显存策略，并在工作流中强制释放未使用的张量。

1. 修改启动脚本，在 python 命令后增加 `--lowvram` 或 `--medvram` 参数。

2. 在工作流批量生成节点后连接显存清理节点（如 ComfyUI-Manager 或 Efficiency Nodes 提供的清理工具）。

3. 将单次批量大小（Batch Size）调小，增加批量次数（Batch Count）来分摊显存压力。

为什么会这样

显存占用持续升高通常源于 PyTorch 缓存机制或自定义节点持有张量引用未释放。

ComfyUI 基于 PyTorch 构建，默认会缓存部分计算图以加速生成。在批量任务中，如果自定义节点在内部变量中保留了中间结果引用，Python 垃圾回收机制无法立即释放显存。此外，多个模型同时加载会叠加显存占用，一旦超过物理显存上限，进程会被操作系统强制终止，表现为崩溃。

分步处理

按照以下顺序调整配置，每一步完成后观察显存变化，避免同时修改多个变量导致无法定位问题。

步骤 1：更新核心程序与节点

确保 ComfyUI 主程序及所有自定义节点为最新版本，开发者常在更新中修复内存持有问题。使用 Git 拉取最新代码或通过 ComfyUI-Manager 执行更新操作。

步骤 2：调整启动参数

编辑启动脚本（如 run_nvidia.bat 或 shell 脚本），在 python 执行命令后添加参数。显存小于 8GB 建议使用 `--lowvram`，显存 8GB 至 12GB 可尝试 `--medvram`。修改后重启服务生效。

步骤 3：优化工作流批量设置

检查 KSampler 或批量处理节点的设置。将 Batch Size 设置为 1，通过增加 Batch Count 来实现总生成数量。这种方式虽然增加了一些调度开销，但能确保每张图生成后显存有机会回退。

步骤 4：插入清理节点

在工作流末尾或批量循环内部插入显存清理节点。如果使用的是 Efficiency Nodes，可启用 "Free Memory" 选项。确保清理节点连接在生成任务完成后的执行路径上。

怎么验证是否生效

通过系统监控工具观察显存占用曲线，确认任务结束后显存是否回落到基准线。

1. 打开任务管理器或运行 nvidia-smi 命令监控显存使用量。

2. 执行一次小批量测试生成（如 5 张）。

3. 观察生成结束后显存占用是否回到初始空闲状态，若持续高出 1GB 以上则说明仍有引用未释放。

4. 检查控制台日志，确认没有出现在显存不足时触发的 CUDA out of memory 报错。

常见坑

部分自定义节点为了加速会常驻显存，需根据实际硬件情况取舍。

1. 某些模型加载器节点默认开启缓存，多次切换模型会导致显存累积，建议在不需要切换时固定模型加载路径。

2. 使用 ControlNet 等多控制单元时，每个单元都会占用额外显存，批量生成时应减少同时启用的控制单元数量。

3. 不要将 swap 交换空间视为解决方案，显存不足时使用系统内存会导致生成速度急剧下降且不稳定。

常见问题

批量大小设置多少合适？

没有固定数值，需根据显存容量测试，建议从 1 开始逐步增加直到显存占用达到 80%。

清理节点会影响生成速度吗？

会轻微增加单张生成耗时，因为需要执行释放操作，但能提升批量任务的整体稳定性。

更新节点后崩溃更频繁怎么办？

可能是新版本引入了不兼容的显存管理逻辑，建议回退到上一个稳定版本或禁用可疑节点。

参考来源

1. ComfyUI 官方仓库，页面标题：ComfyUI，URL：https://github.com/comfyanonymous/ComfyUI

2. PyTorch 官方文档，页面标题：CUDA Memory Management，URL：https://pytorch.org/docs/stable/notes/cuda.html