企业官网建设流程全解析

SCAIL-2 扩散模型入手指南：五个关键环节完成选型、部署与出图调优

【免费下载链接】SCAIL-2项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/SCAIL-2

SCAIL-2 是一款专为 ComfyUI 环境重打包的 WAN 2.1 14B 扩散模型，仓库同时提供 fp16、fp8 缩放、mxfp8 三种精度主文件与一枚 DPO 微调 LoRA，帮助不同硬件配置的用户都能顺畅出图。本文面向第一次接触扩散模型部署的新手，以及想在 14B 级模型上压榨显存效率的进阶玩家。全文不按"从安装到精通"的老套路展开，而是从最实际的痛点出发，带你在五个环节内跑通"选型 → 部署 → 出图 → 调优"的完整链路。

一、显存告急不是显卡的错：先搞懂三个版本存在的意义

很多人在部署 14B 级模型时遇到的第一个拦路虎，不是命令不会敲，而是显存被瞬间吃满、ComfyUI 直接报错退出。换个角度看：问题未必出在显卡上，而在于你选错了模型版本。

1.1 14B 参数规模意味着什么

14B 指模型拥有约 140 亿个可学习参数，属于大尺寸扩散模型。参数越多，生成细节越丰富，但推理时占用的显存也成倍增长。如果只有一张 8GB 显存的显卡却强行加载完整精度模型，结局几乎注定是 OOM（显存溢出）。

SCAIL-2 仓库正是为此准备了三种精度的主文件，让"模型规格"和"硬件现实"可以灵活对齐。

1.2 按硬件对号入座的场景推荐清单

不必纠结复杂的理论，直接对照你的实际配置选择即可：

• 显存 24GB 及以上：选择wan2.1_14B_SCAIL_2_fp16.safetensors。这是完整精度版本，画质天花板最高，适合追求极致出图质量且不心疼显存的玩家。
• 显存 12GB 到 16GB 区间：选择wan2.1_14B_SCAIL_2_fp8_scaled.safetensors。8bit 缩放量化在画质损失很小的情况下大幅降低显存占用，是大多数人的甜点选项。
• 显存 8GB 及以下：选择wan2.1_14B_SCAIL_2_mxfp8.safetensors。MX 格式的微缩放量化进一步压缩体积，保证低显存环境也能稳定跑完整模型。

此外，仓库还附赠一枚 LoRA 文件wan2.1_SCAIL_2_DPO_lora_bf16.safetensors，与任何精度版本都能搭配，用于进一步细化风格与细节。

1.3 一个 30 秒的选型决策树

如果列表看得眼花，记住这条判断链即可：

显存 ≥ 24GB → 用 fp16，追求上限 显存 12–16GB → 用 fp8_scaled，求平衡 显存 ≤ 8GB → 用 mxfp8，保稳定 出图后觉得质感不够 → 挂载 DPO LoRA 再试一轮

选型是整条链路的地基，版本选对了，后面每一步都会顺畅许多。

二、动手前先读目录：三个文件各司其职

拿到仓库后别急着复制，花一分钟看懂目录布局，能避免后面放错位置、加载器找不到文件的尴尬。

2.1 仓库结构长什么样

项目根目录下只有两个核心文件夹，职责边界非常清晰：

SCAIL-2/ ├── diffusion_models/ # 存放三种精度主模型 │ ├── wan2.1_14B_SCAIL_2_fp16.safetensors │ ├── wan2.1_14B_SCAIL_2_fp8_scaled.safetensors │ └── wan2.1_14B_SCAIL_2_mxfp8.safetensors └── loras/ # 存放 LoRA 微调文件 └── wan2.1_SCAIL_2_DPO_lora_bf16.safetensors

2.2 文件名后缀里藏着什么信息

看懂命名等于看懂一半配置逻辑：

• fp16：半精度浮点，保留最完整的权重信息。
• fp8_scaled：8bit 量化并做了缩放校准，是"压缩"与"画质"的折中。
• mxfp8：采用 MX 微缩放格式的 8bit 表示，进一步压低显存峰值。
• 统一使用.safetensors扩展名，这种格式天生规避了序列化漏洞风险，加载更安全，这也是 ComfyUI 生态的默认选择。

三、把模型放进 ComfyUI：两个目录、两条命令

部署的本质只有一个动作：让模型文件出现在 ComfyUI 加载器会扫描的目录里。

3.1 目标位置要记牢

ComfyUI 的模型目录约定非常固定，请把主模型放进models/diffusion_models/，把 LoRA 放进models/loras/。加载器正是按目录扫描文件清单的，放错目录的结果就是"明明文件在，节点里却找不到"。

3.2 复制命令与执行说明

先克隆仓库（这是获取模型最稳妥的方式）：

git clone https://gitcode.com/hf_mirrors/Comfy-Org/SCAIL-2

再按需复制，下面的示例以 fp16 版本为例：

# 复制主模型到 diffusion_models 目录 cp SCAIL-2/diffusion_models/wan2.1_14B_SCAIL_2_fp16.safetensors \ /你的/ComfyUI/路径/models/diffusion_models/ # 复制 LoRA 到 loras 目录 cp SCAIL-2/loras/wan2.1_SCAIL_2_DPO_lora_bf16.safetensors \ /你的/ComfyUI/路径/models/loras/

若换用 fp8 或 mxfp8 版本，只需把命令里的文件名换成对应版本即可，目录位置不变。

3.3 为什么要放这两个位置

ComfyUI 的模型加载节点在初始化时会遍历固定目录并建立索引。文件放对地方后，重启一次 ComfyUI（或点击刷新按钮），新模型就会出现在下拉列表里，整个过程不需要任何额外配置。

四、首次出图：节点、起步参数与 LoRA 的配合

部署完成只是开始，真正考验体验的是第一次出图。这一环节的目标是：以最低试错成本，拿到一张能看的图。

4.1 加载环节的节点选择

在画布中添加模型加载节点，从下拉列表里选中你复制进去的 SCAIL-2 文件。注意主模型与 LoRA 是两条独立的加载通道：主模型用模型加载节点，LoRA 需要用 LoRA 加载节点单独挂载，二者串联在节点链路上。

4.2 起步参数配置清单

首次跑图建议按下表以外的保守思路来：分辨率从低往高试，参数从稳往细调。

• 分辨率：先跑 512×512 或 768×768，确认链路通畅再上 1024。
• 采样步数：20 到 30 步之间起步，步数越多细节越足但耗时越长。
• CFG 引导强度：7.0 到 8.0 是多数提示词下的安全区间，画风漂移时再微调。
• 采样器：从 DPM++ 2M Karras 这类通用型开始，避免一上来就踩特殊采样器的坑。

4.3 LoRA 什么时候挂、强度给多少

建议先用裸模型跑通流程，确认基线画质后，再在 LoRA 加载节点中选中wan2.1_SCAIL_2_DPO_lora_bf16.safetensors。强度参数从 0.5 起步，逐步加到 1.0，边加边对比效果——强度过高容易出现风格过冲，过低则等于没挂。

五、出图不顺时，按这个顺序排查

遇到问题时不要乱调参数，按下面的顺序逐个排除，往往两三步就能定位。

5.1 第一问：模型在下拉列表里根本不存在？

优先怀疑两点：文件是否完整复制到位，目录是否为models/diffusion_models/。确认无误后重启 ComfyUI 再刷新一次模型列表。

5.2 第二问：报 OOM 或显存不足？

这通常是选型问题。回到第一章的决策链，换用更低精度的版本（fp8_scaled 或 mxfp8），同时把分辨率降到 512 起步。也可以尝试用--lowvram参数启动 ComfyUI，让显存与内存协同分担压力。

5.3 第三问：能出图但速度很慢？

先看是否在用 fp16 版本跑小显存显卡；若是，切换到量化版本通常立竿见影。其次减少采样步数、换用更快的采样器，都能直接缩短单张耗时。

5.4 第四问：图出来了但质量不满意？

此时才轮到调参：微调 CFG 引导强度、改写提示词结构、或挂上 DPO LoRA 增强细节。把"质量差"和"流程不通"分开处理，能省下大量盲目试错的精力。

六、把流程固化成你的创作基线

模型部署是一次性的，但创作是长期的。最后一环，是把你验证过的配置沉淀成可复用的资产。

建议做三件事：

1. 保存一份模板工作流：把分辨率、步数、CFG、采样器、LoRA 强度全部固定下来，日后新建任务直接套用。
2. 记录配置与效果的对照：每次调整参数后记录结果，积累属于你自己的"参数-效果"映射表。
3. 按需扩充模型库：后续如需混用其他底座或配套 LoRA，继续沿用diffusion_models/与loras/的目录约定即可，流程完全复用。

下一步做什么：现在就从你的显卡配置出发，选定一个精度版本，完成一次完整的部署与首次出图；接着挂上 DPO LoRA 对比一组样图，把最满意的配置存成模板。整个过程预计不到一小时，而这套流程将成为你后续所有创作的基础设施。动手吧，第一张图就在等你。

【免费下载链接】SCAIL-2项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/SCAIL-2