背景痛点：为什么“下载”成了第一道槛
第一次玩 ComfyUI 万相视频模型，90% 的人卡在“下载”这一步。总结下来就三句话：
- 网络抽风：Hugging Face、GitHub 直连不稳，大文件下到 99% 断线，心态炸裂。
- 依赖打架：Python 3.10 还是 3.11？xformers 跟 torch 谁前谁后？版本一错，节点全红。
- 路径玄学：模型放
models/wanxiang还是custom_nodes/ComfyUI-WanXiang/models？放错一层，刷新列表永远找不到。
如果你也踩过这些坑，下面的流程可以帮你一次性把“下载”做成可复制、可回滚、可缓存的流水线。
技术选型：ComfyUI 凭什么比 WebUI 更适合万相视频
先给结论：
- ComfyUI：节点式，下载-缓存-调用一条龙，支持断点续传；社区已有 WanXiang 专用节点，开箱即用。
- Stable Diffusion WebUI：插件分散，需手动改
webui-user.bat，大文件容易超时；视频插件更新慢。 - InvokeAI：UI 漂亮，但模型仓库封闭，万相权重需手动转换格式，新手劝退。
一句话：想玩万相，ComfyUI 是目前最省心的“下载器”。
核心实现：一条命令把模型拉回家
下面以 Windows 11 + Python 3.10 + CUDA 12 为例，Linux 同理。
1. 前置检查
# 确认显卡驱动 >= 535 nvidia-smi # 确认 Python 版本 python -V # 3.10.12 最佳，>3.11 部分 xformers 会编译失败2. 创建隔离环境
conda create -n comfy python=3.10 -y conda activate comfy3. 拉取 ComfyUI 主仓库
git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt4. 安装万相节点（含下载器）
cd custom_nodes git clone https://github.com/WanXiang-Team/ComfyUI-WanXiang.git cd ComfyUI-WanXiang pip install -r requirements.txt5. 一键下载模型
ComfyUI-WanXiang 自带download.py，支持多线程 + 断点续传 + SHA256 校验。
# download_wanxiang.py import os from ComfyUI_WanXiang.utils import download_model # 节点包自带 # 配置缓存目录，避免重复下载 cache_dir = os.path.expanduser("~/.cache/wanxiang") os.makedirs(cache_dir, exist_ok=True) # 模型清单 models = { "wanxiang-video-14b-fp16.safetensors": { "url": "https://huggingface.co/WanXiang/Video-14B/resolve/main/wanxiang-video-14b-fp16.safetensors", "sha256": "e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855" } } for name, info in models.items(): local_path = os.path.join(cache_dir, name) download_model( url=info["url"], local_path=local_path, sha256=info["sha256"], max_workers=8 # 8 线程，跑满千兆宽带 )运行：
python download_wanxiang.py下载完把wanxiang-video-14b-fp16.safetensors软链到 ComfyUI 模型目录：
mklink %CD%\models\wanxiang\wanxiang-video-14b-fp16.safetensors %USERPROFILE%\.cache\wanxiang\wanxiang-video-14b-fp16.safetensors6. 启动 ComfyUI 并加载工作流
python main.py --listen 0.0.0.0 --port 8188浏览器打开http://localhost:8188，在节点列表搜“WanXiangLoader”，把模型节点拖到画布，选择刚才下载的权重，点“Queue Prompt”，看到进度条跑起来就成功了。
性能 & 安全：让下载再快一点、再稳一点
- 多线程：上面脚本已给
max_workers=8，百兆宽带能跑满；公司内网可调到 16。 - 缓存复用：把
~/.cache/wanxiang挂到 NAS，团队共用，省 20G 重复流量。 - 断点续传：基于
httpx+tqdm，Ctrl-C 中断后重新运行自动续传。 - 哈希校验：下载完立刻比对 SHA256，不一致自动重下，防止中间人篡改。
- 权限隔离：Linux 下用
systemd-tmpfiles给目录加ComfyUI:ComfyUI 750，避免权重文件被意外改写。
避坑指南：报错对照表
| 现象 | 根因 | 解决 |
|---|---|---|
RuntimeError: CUDA error: no kernel image is available | torch 与显卡算力不匹配 | pip install torch==2.2.2+cu118 torchvision==0.17.2+cu118 --index-url https://download.pytorch.org/whl/cu118 |
节点红框WanXiangLoader not found | 没装自定义节点或放错层级 | 确认custom_nodes/ComfyUI-WanXiang存在，再重启 |
| 下载到 99% 无限重试 | 代理只代理浏览器，终端没走代理 | Windows 在 PowerShell 先$env:http_proxy="http://127.0.0.1:7890" |
| 刷新模型列表为空 | 软链用绝对路径，中文路径被编码 | 把模型直接放models/wanxiang，别用中文文件夹 |
| 显存爆炸 | 14B 默认 fp16，12G 卡撑不住 | 节点里把weight_dtype改int8或开enable_model_cpu_offload |
代码回顾：最小可运行片段
把下面 30 行保存成run_wanxiang.py，改完路径就能直接生成 2 秒 24FPS 视频：
# run_wanxiang.py import torch from nodes import WanXiangSampler, WanXiangLoader device = "cuda" if torch.cuda.is_available() else "cpu" # 1. 加载模型 loader = WanXiangLoader() model = loader.load_model( model_path="models/wanxiang/wanxiang-video-14b-fp16.safetensors", dtype=torch.float16 )[0] # 2. 构造输入（示例用随机噪声） latent = torch.randn(1, 4, 8, 64, 64, device=device) # (B, C, T, H, W) # 3. 采样 sampler = WanXiangSampler() video = sampler.sample( model=model, latent=latent, steps=20, cfg=7.5, seed=42 ) # 4. 保存 from torchvision.io import write_video write_video("output.mp4", video[0], fps=24) print("done! check output.mp4")跑通以后，你就可以把latent换成自己的图文编码，正式生产视频。
下一步还能怎么玩
- 把下载脚本做成 Cron/计划任务，每天凌晨同步官方权重，团队第二天自动用最新版。
- 用
comfy-cli把整条工作流 JSON 化，CI 里跑回归测试，防止节点升级导致结果漂移。 - 试下 LoRA：万相官方已放出 2.5G 运动风格 LoRA，下载后放
models/loras就能在节点里调用，显存只多 800M。
如果你按流程跑通，欢迎把生成的第一支 2 秒小视频发到评论区交换“毒打”经验；遇到新坑也记得@我，一起把这份指南升级成“避坑地图”。祝大家下载顺利，出片丝滑！
