新模型一个接一个地出，最让人兴奋的，从来不只是“它来了”，而是那种冲动：想马上试，想马上跑，想马上把它接进自己的工作流里。

但很多开发者都很熟悉那种“刚兴奋起来，又被现实泼冷水”的感觉。模型是新的，效果是香的，可一到真正上手这一步，问题就来了：没有 昂贵的高端显卡，CUDA 环境不顺，云端推理一开就要花钱，想接入现有 ComfyUI 工作流还得重新折腾一遍。最后的结果往往是——模型看了，帖子点了，参数也记住了，但就是迟迟没有真正跑起来。

对于已经在用 ComfyUI 的开发者来说，这个问题其实可以再说得更直接一点：只有一台基于 Intel 处理器的个人电脑、Arc GPU，或者 Intel AI PC，能不能也把 ERNIE-Image在 ComfyUI 里本地跑起来，而且尽量简单、尽量少折腾、尽量不烧钱？

这次要介绍的ComfyUI-OpenVINO-Ernie-Image这个开源仓库，重点不在于“ERNIE-Image 能不能进 ComfyUI”，而在于：当手边没有 CUDA环境时，能不能依然用熟悉的 ComfyUI 方式，把 ERNIE-Image在本地跑起来。

这个项目要做的，就是把OpenVINO backend 用进 ComfyUI，为现有 ComfyUI 用户补上一条面向 Intel 平台 的本地运行路径。这样一来，即使没有 CUDA、没有高端独显，开发者也依然可以基于 Intel 平台，以更简单、更低成本的方式完成本地部署和推理。

接下来，文章将重点展开：这条路径为什么更适合现有ComfyUI 用户，以及如何几步快速上手。

为什么这条路径对现有 ComfyUI 用户更友好？

原因其实很简单：

它没有要求用户离开自己已经熟悉的 ComfyUI。

开发者不需要重新学一套工具，就可以借助 OpenVINO™ 在 Intel 平台上把 ERNIE-Image本地跑起来。

再加上项目已经把模型、参数、启动和验证路径整理清楚，整体体验就变成了：更简单、更顺手，也更容易马上试起来。

它不是重新造一套，而是尽量顺着开发者已经熟悉的路，把 OpenVINO 接了进去。

几步即可上手

如果只看最短路径，其实整个过程非常直接。

对现有 ComfyUI 用户来说，它并不是一条“先学会，再开始”的路线，而更像是一条“照着做，很快就能跑起来”的路线。

第一步，把仓库放进 custom_nodes

这一步和大多数 ComfyUI 自定义节点的安装方式一样，没有什么额外理解成本。

先把仓库clone 到 ComfyUI 的 custom_nodes 目录下，然后在 ComfyUI 当前使用的同一个 Python 环境中安装依赖。README 给出的就是这条标准路径：

cd C:\path\to\ComfyUI\custom_nodesgit clone https://github.com/zhuo-yoyowz/ComfyUI-OpenVINO-Ernie-Image.gitcd C:\path\to\ComfyUIpip install -r .\custom_nodes\ComfyUI-OpenVINO-Ernie-Image\requirements.txt

这一步为什么重要？

因为它意味着，对已经熟悉 ComfyUI 的用户来说，第一步完全没有陌生感。不是先去跑一套完全不同的安装逻辑，也不是先去翻半天额外文档，而是沿着熟悉的 custom_nodes 用法开始。

第二步，准备本地模型目录

仓库当前推荐使用已经转换好的ERNIE-Image-Turbo-ov-int4 模型目录，并在 README 中直接给出了本地示例路径，同时也提供了 ModelScope 下载方式和 CLI 下载方式。README 里的建议路径很直接，例如：

C:\models\ERNIE-Image-Turbo-ov-int4

这一步同样很关键。

因为很多项目真正难的，并不是“推理代码写不出来”，而是用户第一次拿到时，不知道模型应该放哪、不知道目录应该长什么样、不知道该填哪个路径。现在这条路径已经把这些事提前说清楚了，用户只需要把模型准备好，后面在节点里填写 model_dir 就可以开始。

而且这里选ERNIE-Image Turbo也不是随意的。ComfyUI 官方文档和 ERNIE-Image 官方仓库都写明，ERNIE-Image-Turbo 是更快的变体，通常只需要8 steps，而标准版 ERNIE-Image 则通常需要 50 steps；官方同时将 Turbo 描述为通过 DMD 和 RL 优化得到的更快版本。对希望先在本地快速验证工作流的开发者来说，Turbo 作为第一步显然更合适。

第三步，用项目自带方式启动 ComfyUI

接下来，不需要自己再去猜应该怎么启动，README 已经把推荐命令给出来了。仓库提供了面向 Intel AI PC 的启动脚本，直接运行即可：

cd C:\path\to\ComfyUI\custom_nodes\ComfyUI-OpenVINO-Ernie-Imagepython .\scripts\start_comfyui_openvino.py --port 8188

然后在浏览器打开：http://127.0.0.1:8188 

第四步，添加节点，直接开始生成

进入 ComfyUI 之后，添加这个节点即可：

OpenVINO -> ERNIE-Image -> OpenVINO ERNIE-Image Text to Image

然后把 image 输出连接到 SaveImage.images，填入 model_dir 和 prompt，就可以开始生成。

对现有 ComfyUI 用户来说，真正要做的动作非常少：

• 加一个自定义节点

• 指向本地模型目录

• 选设备

• 写 prompt

• 开始生成

第五步，参数也可以直接照着试

很多项目明明已经能跑，但第一次上手还是容易卡在参数上：

• 分辨率先设多少？

• steps 该填几？

• guidance scale 怎么配？

• seed 要不要固定？

• Prompt Enhancer 要不要开？

而这条路径把这些也尽量做成了“可以直接抄作业”的形式。仓库README 里已经给出了推荐设置：device=GPU、load_pe=true、use_pe=true、width=512、height=512、steps=8、guidance_scale=1.0、seed=42。

先有一组能跑通的默认答案。

等第一张图出来以后，后面再慢慢试更多参数，也会自然很多。

第六步，先检查环境，再打开 UI，会更省时间

这也是这条路径特别适合“想尽快跑通”的开发者的一点。

README 提供了环境检查脚本：

python .\scripts\check_env.py --model-dir C:\models\ERNIE-Image-Turbo-ov-int4

根据仓库说明，这个脚本会检查：

• Python 包是否齐全

• OpenVINO 可见设备

• GPU 是否可见

• 模型目录结构是否符合预期

• 可选的 Prompt Enhancer 文件是否存在 

这一步非常适合放在“正式开始之前”。先把环境问题挡在前面，后面进入 ComfyUI 的过程就会顺很多。

第七步，不想先手点界面，也可以先做 API 验证

除了环境检查，仓库还提供了 verify_comfyui_api.py 作为 **oke test，用来在不点击界面的情况下验证本地模型和链路是否工作正常。

我在一台基于Intel 酷睿Ultra 3系列的笔记本电脑上运行的情况如下：https://mp.weixin.qq.com/s/gG19tO3epjUwkD1XCpQuXQ

最后想说的

对于现有 ComfyUI 用户来说，这个项目真正补上的，不是“ERNIE-Image 有没有进生态”，而是另一件更实际的事：

当没有昂贵独显时，依然可以借助 OpenVINO™，在 Intel 平台上把 ERNIE-Image的本地工作流简单地跑起来。

它想解决的，不是一个“看起来很大”的问题，
而是几个开发者真正会在意的关键词：

简单、易上手、完全本地、少折腾。

模型已经在 ComfyUI 生态里，OpenVINO™ 则进一步把它带到了更多 Intel 平台本地部署的场景里；而这个开源项目所做的，就是把这条路径尽量整理成现有 ComfyUI 用户可以直接试起来的样子。项目当前已经公开了节点、推荐参数、环境检查、启动器和验证脚本，整体上手路线已经足够清晰。

项目仓库已经公开：

https://github.com/zhuo-yoyowz/ComfyUI-OpenVINO-Ernie-Image 

安装、启动、验证步骤也已经为大家整理好了。接下来最直接的方式，就是照着 README 跑起来，亲自试一遍。快快动手尝试吧！

第十期飞桨黑客松

文心合作伙伴赛道 × Intel等你来战！

想把 OpenVINO™ + PaddleOCR-VL 的能力玩出更多花样？机会来了——第十期飞桨黑客松文心合作伙伴赛道正在火热进行中，其中 Intel 设置了多道兼具挑战性与实用价值的赛题。无论你是对 PaddleOCR-VL 在 Intel 平台上的本地化部署感兴趣，还是想探索端侧大模型的高效运行方式，都能在这里找到施展拳脚的空间。

报名方式：https://github.com/PaddlePaddle/Paddle/issues/78485