日期：2026年 07月 18日

標籤： Linux Ubuntu Docker Docker-Compose Container Stable Diffusion ComfyUI WSL 2 Wan 2.1 GGUF LoRA

摘要：生成式AI

第一部分：問題描述

Step 1：Wan 2.1(2.2) 執行效能慢補充

若受限於顯示卡 VRAM 不足於 16G 的情況下，用一般的方式執行 Wan 2.1(2.2) 圖片生成影片效能會很差，因為 VRAM 不足的情況下會導致
不斷把資料「往系統 RAM 甚至硬碟 Swap 搬運 (Offload)」
因此最初一篇文章生成 5 秒的影片，25 分鐘有很多都是在執行釋放記憶體的工作
後續 2 篇分別用 LightX2V LoRA 將速度提升至 4 分鐘左右生成 ; GGUF 將速度提升至 12 分鐘左右生成

Step 2：本篇說明 - 對應規格

若硬體設備遠高於此，基本上 VRAM 不足的問題應不容易發生，可不用檢閱此篇內容

第二部分：優化工作流-導入 LightX2V LoRA + GGUF 量化模型

Step 1：前言

原理的部分可參前篇的文章
0110. 動態與速度兼得：如何用 LightX2V LoRA 替代傳統採樣算法，解放消費級顯卡的 Wan 2.1 影片生成潛力
0111. 動態與速度兼得：打破顯示卡 12GB 顯存限制！實戰 ComfyUI 導入 Wan 2.1 GGUF 量化模型提升速度保持影片品質

LightX2V LoRA 的模型必須要與 GGUF 的版本一致，因此我們這篇文章統一都會用 Wan 2.1 版本的模型說明如何整合，目標版本：

LightX2V LoRA :  Wan21_I2V_14B_lightx2v_cfg_step_distill_lora_rank64.safetensors
GGUF : wan2.1-i2v-14b-480p-Q5_K_M.gguf

※這邊 noise 下載 low 版本目的追求細節豐富、靜態或輕微動作的影片。
※high 適合動態大、運動幅度明顯的影片，總之 LoRA 與 GGUF 一定要一致，避免異常

Step 2：下載對應模型 - GGUF

GGUF 的 Wan 2.1 版本，可以到 Hugging Face 下載，連結
下載檔案名稱 wan2.1-i2v-14b-480p-Q5_K_M.gguf.gguf 後放進以下目錄

ComfyUI/
└── models/
    └── diffusion_models/
        ├── wan2.1-i2v-14b-480p-Q5_K_M.gguf

Step 3：下載對應模型 - LightX2V LoRA

LightX2V LoRA 的 Wan 2.1 版本，可以到 Hugging Face 下載，連結，如下圖

下載檔案名稱 Wan21_I2V_14B_lightx2v_cfg_step_distill_lora_rank64.safetensors 後放進以下目錄

ComfyUI/
└── models/
    └── loras/
        ├── Wan21_I2V_14B_lightx2v_cfg_step_distill_lora_rank64.safetensors

Step 4：導入 GGUF - 增加加載器與 LoRA

最初篇文章的工作流步驟如下：

UNet加載器
    └─ 模型 ──→ 模型 ──→ K采樣器
加載CLIP
    └─ CLIP ──→ CLIP ──→ CLIP Text Encode

我們目標是添加 GGUF + LightX2V LoRA 模型，順序必須是 GGUF 先，然後才是 LoRA

UNET 加載器 (GGUF) + LoRA 模型
    └─ 模型 ──→ Load LoRA ──→ 模型 ──→ K采樣器
加載CLIP
    └─ CLIP ──→ CLIP ──→ CLIP Text Encode

因此先在 ComfyUI 空白處，添加 UNET 加載器 (GGUF)
這時有可能會出現沒有找到的狀況，這時就要對 ComfyUI 做外掛安裝 ComfyUI-GGUF
若是沒有選項可參考此篇 Step11 ~ Step13步驟

Step 5：ComfyUI 工作流 - 替換模型

接著將 UNet 替換掉，並且將剛剛下載的模型 (wan2.1-i2v-14b-480p-Q5_K_M.gguf) 選取

Step 6：ComfyUI 工作流 - 添加 LoRA 加載器

在 ComfyUI 空白處，添加 LoRA 加載器

Step 7：ComfyUI 工作流 - 調整 LoRA 加載器節點

接著如下圖將 Loar 加載器的輸入、輸出，節點調整

Step 8：ComfyUI 工作流 - 必須移除採樣算法SD3

原始模型會需要採樣算法SD3(Stable Diffusion 3)，現在是 LoRA 模型因此不需要
※不移除會造成生成錯誤或品質下降

加載LoRA ──模型──→ K采樣器（直接連接，不經過SD3）

Step 9：ComfyUI 工作流 - K採樣器參數調整

K採樣器仍須調整為 4 步，這不可少，否則影片異常率 95 % 以上

第三部分：驗證成果

Step 1：開始執行 ITV - DEMO結果

圖片更換為 蒙娜麗莎的微笑 示意執行，時間提升地很極致，平均約 101 秒左右(91~113 之間)完成生成 5 秒影片
但影片的品質有時出現不穩定的狀況，這與提示詞的命中率 + LoRA 的 V1 版本有很大的關係
在生成 5 次中，其中 1 個可能跑出很糟糕的狀況 - Youtube 播放(其中一個成功的結果)：

Step 2：LoRA + GGUF 不穩定說明

LoRA + GGUF 參數調教更複雜，且不穩定

單獨 GGUF：調整空間大，CFG 可以正常使用
單獨 LoRA：固定 CFG=1.0 即可
GGUF + LoRA：需要同時考慮兩者的限制
            → 更難找到最佳參數組合

因此穩定性容易下降，GGUF 量化誤差 + LoRA 大步數 → 兩個誤差疊加
速度的優點被放大了，但是調教的精準度的誤差也相對應提高

Step 3：未來解決方案

GGUF 模型本身已經沒問題了，單當前問題在於 LightX2V 使用的是 V1 單階段，可以更進一步使用 V2 雙接端(高噪音 + 低噪音)
影片的不穩定在於噪音的修正效果

V2 提供全加速和半加速兩種模式：
1. 全加速將 LoRA 同時套用在高噪音和低噪音兩個階段，強度 1.0，達到最大速度；
2. 半加速只將 LoRA 套用在低噪音修飾階段，提供更好的 Prompt 控制。

雜訊 →（高噪音階段 4~7步）→ 粗略結構
     →（低噪音階段 4~7步）→ 細節修飾 → 完成

因此 V2 可以大幅解決穩定性問題，但 4~7 + 4~7 步的高噪音 + 低噪音處理，生影片速度會拖慢不少
※但仍比最原始的 Wan 20步快很多，並且有 GGUF 先優化 1/2 的速度

Step 4：補充 LoRA Rank

對應 第二部分的 Step 3：下載對應模型 - LightX2V LoRA 進行 Rank 補充
本篇範例用的是 Rank 64 是官方推薦標準等級，簡言之： Rank 越大 → 能表達的修正越精細 → 對模型控制力越強

Rank 是 LoRA 的核心參數，代表「LoRA 修正層的維度大小」。

LoRA 的做法：
[1000 x rank] × [rank x 1000] = 修正值

rank=32：  [1000x32]  × [32x1000]  = 64,000 個數值
rank=64：  [1000x64]  × [64x1000]  = 128,000 個數值
rank=128： [1000x128] × [128x1000] = 256,000 個數值

各等級的差異說明：