PC für ComfyUI 2026: GPU, VRAM und Workflow-Anleitung
ComfyUI hat sich 2026 als die Referenzschnittstelle für KI-Bildgenerierung etabliert. Nodale Architektur, effizientes Speichermanagement, native Unterstützung für Flux, SD 3.5, Qwen Image, KI-Video (Hunyuan, LTX-Video), Audio (StableAudio) – es ist das Tool, das alle Profis nutzen. Aber ComfyUI ist auch ressourcenhungrig und eigenwillig: Multi-Modell-Workflows, hunderte von Custom Nodes, gestapelte ControlNets, TensorRT… Welchen PC braucht man wirklich, um das Beste herauszuholen? Dieser Leitfaden gibt Ihnen die präzise Antwort, Modell für Modell, mit realen Benchmarks.
Warum ComfyUI 2026 zum Standard geworden ist?
2024 dominierte Automatic1111 (A1111). 2026 hat ComfyUI dessen Platz eingenommen, aus vier Gründen:
- Nodale Architektur. Sie bauen Ihre Pipeline visuell auf: Nodes für Modellladen, Konditionierung, Sampler, VAE-Decodierung usw. Sie sehen genau, was bei jedem Schritt passiert – und können alles ändern.
- Effizientes Speichermanagement. ComfyUI lädt und entlädt Komponenten bei Bedarf. Eine 12-GB-GPU kann Workflows ausführen, die in A1111 oder Forge abstürzen würden.
- Unterstützung neuer Modelle innerhalb von Tagen. Flux, SD 3.5, Qwen Image, Hunyuan Video – alle wurden wenige Tage nach ihrer Veröffentlichung nativ unterstützt. A1111 benötigt oft Monate.
- Riesiges Ökosystem an Custom Nodes. Der ComfyUI Manager bietet im Mai 2026 Zugang zu über 2.000 Community-Erweiterungen – ControlNet Aux, IPAdapter, AnimateDiff, ComfyRoll, Impact Pack, WAS Suite und viele andere.
Die wahren Hardware-Anforderungen von ComfyUI im Jahr 2026
ComfyUI hat den Ruf, "VRAM-schonend" zu sein. Das stimmt für einfache Generierungen. Falsch, sobald man stapelt: ein ControlNet hinzufügen (+2 GB), ein IPAdapter (+2 GB), einen Refiner (+5 GB), einen LoRA (+200 MB pro Stück), einen Upscaler (+3 GB)… schnell kommt man auf 20 GB, selbst bei einem einfachen SDXL-Modell.
Hier sind die wahren Anforderungen nach Workflow-Typ im Mai 2026:
Einfache SDXL-Generierung
Basischer Text→Bild-Workflow mit SDXL-Checkpoint, Sampler, VAE-Decodierung. Ohne Extras.
VRAM: 8 GB reichen ausSDXL + Refiner + 1 ControlNet
Klassische Profi-Pipeline: SDXL-Basis → Refiner → ControlNet Pose oder Depth. Standard-Setup für Illustration.
VRAM: 12-16 GBFlux Dev FP8 + ControlNet
Der Standard-Workflow 2026. Quantisiertes Flux Dev FP8 (~13 GB) + ControlNet (Union oder Canny).
VRAM: 16 GB (knapp) / 20 GB (komfortabel)SDXL + IPAdapter + ControlNet + LoRA Stack
Profi-Workflow für Illustration: Stilübertragung (IPAdapter), Pose (ControlNet), 2-3 gestapelte LoRAs, Upscale.
VRAM: 16-24 GBAnimateDiff / KI-Video (LTX-Video, Hunyuan)
Generierung kurzer Videosequenzen. Hunyuan Video und LTX-Video sind sehr VRAM-hungrig pro Bild × Anzahl der Frames.
VRAM: mindestens 24 GB, 32 GB komfortabelParalleles Multi-Modell (SDXL + Flux + Qwen)
Fortgeschrittene Vergleichsworkflows oder Produktionspipelines, die mehrere verschiedene Modelle ohne Entladen verketten.
VRAM: 32 GB oder Dual-GPUFlux LoRA Training (via ComfyUI Nodes)
LoRA Flux Training direkt von ComfyUI über Custom Nodes (Kohya, AI Toolkit). Sehr anspruchsvoll.
VRAM: mindestens 24 GB, 32 GB komfortabelProduktionsstudio Batch + API Server
ComfyUI im Servermodus (REST API), Batches von 10-50 Flux-Bildern, parallele Warteschlangen.
VRAM: 32 GB oder Multi-GPUEmpfohlener Mindest-VRAM für ComfyUI im Jahr 2026
| ComfyUI-Nutzung | Mindest-VRAM | Komfort-VRAM | GPU-Typ |
|---|---|---|---|
| Entdeckung / einfaches SDXL | 8 GB | 12 GB | RTX 5060 12 GB |
| Standard-Profi-Workflow ⭐ | 16 GB | 16 GB | RTX 5060 Ti / 5070 Ti 16 GB |
| Flux FP16 / IPAdapter Stack | 16 GB (knapp) | 24 GB | RTX 4090 24 GB |
| KI-Video + LoRA Training | 24 GB | 32 GB | RTX 5090 32 GB |
| Produktionsstudio Multi-GPU | 2× 32 GB | 2× 96 GB ECC | Rack 2× RTX 5090 oder 2× RTX 6000 Pro |
Jenseits von VRAM: Was für ComfyUI zählt
System-RAM — mindestens 32 GB, 64 GB empfohlen
ComfyUI tauscht Modelle zwischen VRAM und System-RAM aus, wenn der VRAM nicht ausreicht. Mit 32 GB DDR5 halten Sie 2-3 geladene Checkpoints im RAM für sofortige Wechsel. Mit 64 GB laden Sie Ihre gesamte Bibliothek (SDXL-Basis + Refiner + Flux + 5 LoRAs + 3 ControlNets) in den Speicher – kein Neuladen von der Festplatte zwischen den Generierungen.
NVMe SSD Gen 4 oder Gen 5 — entscheidend
Jeder Checkpoint-Wechsel = Festplattenlesevorgang. Ein Flux Dev wiegt 24 GB, ein SDXL 7 GB, ein ControlNet 2-5 GB. Auf einer Gen 4 SSD (5.000 MB/s) dauert das initiale Laden eines Workflows mit Flux + IPAdapter + ControlNet ~8 Sekunden. Auf Gen 5 (12.000+ MB/s) sind es 3 Sekunden. Auf SATA SSDs über 30 Sekunden. Planen Sie mindestens 2 TB NVMe Gen 4 ein, um keine externe Bibliothek verwalten zu müssen.
CPU — weniger kritisch als Sie denken
Die ComfyUI-Inferenz ist zu ~95% GPU-basiert. Die CPU dient der Vorverarbeitung (Modellladen, JSON-Workflow-Parsing, PIL-Nachverarbeitung). Ein aktueller Ryzen 5 reicht aus. Für komplexe Workflows mit Dutzenden von Nodes oder Echtzeit-Pipelines bietet ein Ryzen 7 oder 9 marginalen Komfort.
GPU-Bandbreite — die versteckte Optimierung
Für ComfyUI ist die Speicherbandbreite der GPU fast so wichtig wie der VRAM. Eine RTX 5090 (1.792 GB/s) ist auf Flux 2,7× schneller als eine RTX 5060 Ti 16 GB (672 GB/s), selbst wenn das Modell auf beiden Karten passt. Deshalb bleibt die RTX 4060 Ti 16 GB (288 GB/s) trotz ihres korrekten VRAMs eine Falle.
ComfyUI-Optimierungen 2026 — 30-60% Geschwindigkeitsgewinn
Einige Start-Flags und Erweiterungen verwandeln Ihr ComfyUI-Setup:
# Optimierter ComfyUI-Start Blackwell (RTX 50xx): python main.py \ --use-pytorch-cross-attention \ --fast \ --highvram \ --enable-cors-header # Nützliche Umgebungsvariablen: export PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True export CUDA_LAUNCH_BLOCKING=0 export TORCHINDUCTOR_CACHE_DIR=/path/ssd/cache
-
TensorRT-Kompilierung via
ComfyUI-TensorRT: +30-60% Geschwindigkeit bei repetitiven Workflows. Erste Generierung langsam (Kompilierung), folgende ultraschnell. - FP8 / GGUF-Quantisierung: Flux in FP8 = -50% VRAM, nahezu gleiche Qualität. GGUF Q4/Q6 = noch weniger VRAM für 12-GB-Konfigurationen.
- Flash Attention 2: spart 15-25% VRAM auf unterstützten Architekturen (Blackwell, Ada Lovelace).
- Tiled VAE in VAE Decode: ermöglicht 4K auch auf 16 GB.
- ComfyUI-Crystools: Echtzeit-GPU-/VRAM-Überwachung in der Oberfläche – unerlässlich zur Optimierung Ihrer Workflows.
- RAM-Disk für Modelle: Wenn Sie 128 GB RAM haben, ermöglicht die Zuordnung einer RAM-Disk für Checkpoints sofortige Wechsel.
Unverzichtbare Custom Nodes für ComfyUI im Jahr 2026
| Custom Node | Nutzen | VRAM-Auswirkung |
|---|---|---|
| ComfyUI Manager | Installation/Update von Custom Nodes mit 1 Klick | Keine |
| ComfyUI-Impact-Pack | Gesichts-/Hand-Detailer, Segmentierung, regionales Prompt | +1-3 GB |
| ComfyUI_IPAdapter_plus | Stilübertragung von einem Quellbild | +1-2 GB |
| ComfyUI-AnimateDiff-Evolved | Animation von Sequenzen aus Standbildern | +4-8 GB |
| comfyui_controlnet_aux | ControlNet Pre-Prozessoren (Tiefe, Pose, Canny, Lineart) | +0,5-2 GB |
| ComfyUI-WAS-Suite | 200+ Hilfs-Nodes (Text, Masken, Mathematik) | Vernachlässigbar |
| ComfyUI-TensorRT | TensorRT-Kompilierung = +30-60% Geschwindigkeit | +2-4 GB während der Kompilierung |
| ComfyUI-Crystools | Echtzeit-GPU-/CPU-/RAM-Überwachung | Vernachlässigbar |
| ComfyUI-HunyuanVideoWrapper | Hunyuan-Video-Generierung | +12-20 GB |
| ComfyUI-LTXVideo | LTX-Video-Generierung (schneller als Hunyuan) | +8-14 GB |
Schnelle Installation von optimiertem ComfyUI auf Ihrem PC
# 1. ComfyUI klonen git clone https://github.com/comfyanonymous/ComfyUI cd ComfyUI # 2. Python 3.12 venv erstellen python -m venv venv source venv/bin/activate # Linux/Mac # .\venv\Scripts\activate # Windows # 3. PyTorch mit CUDA 12.8 (RTX 50xx Blackwell) pip install torch torchvision torchaudio \ --index-url https://download.pytorch.org/whl/cu128 # 4. ComfyUI Abhängigkeiten pip install -r requirements.txt # 5. ComfyUI Manager installieren (essentiell) cd custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager cd .. # 6. Basismodell herunterladen (Flux Dev FP8) # https://huggingface.co/Comfy-Org/flux1-dev # Die .safetensors-Datei in ComfyUI/models/diffusion_models/ ablegen # 7. Optimiertes ComfyUI starten python main.py --use-pytorch-cross-attention --fast --highvram
Unsere optimierten ComfyUI PCs — vorkonfiguriert und bereit zum Generieren
Radiance Systems entwickelt Workstations, die speziell mit ComfyUI getestet wurden. Auf Anfrage liefern wir Ihren PC mit installiertem, konfiguriertem ComfyUI (PyTorch CUDA, Manager, essentielle Custom Nodes) und heruntergeladenen Modellen Ihrer Wahl — Flux Dev, SDXL, ControlNets, IPAdapter. Sie starten, Sie generieren Ihr erstes Bild in weniger als 2 Minuten.
Radiance PC CoreAI 16 — RTX 5060 Ti 16 GB
✅ SDXL + Refiner Workflows · Flux Dev FP8 · ControlNet · IPAdapter · Leichter LoRA Stack
Idealer Einstiegspunkt für ernsthaftes ComfyUI im Jahr 2026. 16 GB GDDR7 – das Minimum für Standard-Profi-Workflows. AM5 DDR5-Plattform für schnelle Modellwechsel. Aufrüstbar: GPU-Upgrade später ohne Plattformwechsel möglich.
ComfyUI + Manager + Flux Dev FP8 auf Anfrage vorinstalliert
Diese Workstation konfigurieren →
Radiance PC CoreAI 32 — RTX 5070 Ti 16 GB
✅ Vollständiger Profi-Workflow · Multi-ControlNet · IPAdapter Stack · TensorRT · AnimateDiff
Die vielseitige Workstation für Illustratoren und Kreative, die Nodes stapeln. 1,9-mal höhere Bandbreite für flüssige Generierungen in komplexen Workflows. 32 GB DDR5 ermöglichen das gleichzeitige Speichern von Flux + SDXL + 5 LoRAs + 3 ControlNets im Speicher.
TensorRT vorkonfiguriert · Essentielle Custom Nodes installiert
Diese Workstation konfigurieren →
⭐ Radiance PC CoreAI 64 — RTX 5090 32 GB
✅ Alle ComfyUI Workflows · KI-Video (LTX, Hunyuan) · Flux LoRA Training · Multi-Modell gleichzeitig
Die beste Consumer-Workstation für ComfyUI im Jahr 2026. 32 GB GDDR7 ermöglichen das gleichzeitige Laden aller Komponenten – kein Entladen zwischen Nodes. Rekordverdächtige Bandbreite (1.792 GB/s) für 3-5x schnellere Workflows als eine RTX 5070 Ti. KI-Video, Flux LoRA Training, Flux Dev FP16 Batches – alles ist zugänglich.
Komplette ComfyUI Bibliothek auf Anfrage vorinstalliert
Diese Workstation konfigurieren →
Radiance CoreAI Rack — 2× RTX 5090 (64 GB VRAM)
✅ ComfyUI Server Multi-Tenant · Parallele Pipelines · Batch-Produktion · Langes KI-Video
Für Studios und Kreativagenturen, die volumetrische Produktionen durchführen. 2× unabhängige RTX 5090 über den ComfyUI Server-Modus: Eine GPU ist der aktuellen Generierung gewidmet, die andere dem Vor-Rendering des nächsten Batches oder dem Training von LoRAs. Ideal für Teams von 3-10 Kreativen.
ComfyUI Server API · Multi-Tenant · Rack 4U
Dieses Rack konfigurieren →
CoreAI 128 Rack — 2× RTX 6000 PRO Blackwell (192 GB ECC)
✅ Langes KI-Video · Fine-Tuning von Basismodellen · Batches Flux 2 9B · 24/7 Produktion
Die ultimative Workstation für professionelle Studios, die lange KI-Videos (Hunyuan 30+ Sekunden), vollständiges Fine-Tuning von Modellen oder 24/7-Produktionen durchführen. 192 GB ECC VRAM ermöglichen das gleichzeitige Laden mehrerer vollständiger Modelle und das Generieren massiver Batches ohne Speicherbeschränkungen.
Profi-Studios · Langes KI-Video · Kontinuierliche Produktion
Dieses Rack konfigurieren →
Radiance PC Pro AI Ultra Threadripper
✅ KI-Forschung · Entwicklung von Custom Nodes · HPC Pipelines · Schweres Fine-Tuning
Für VFX-Studios, Forscher und KI-Agenturen, die ihre eigenen Custom Nodes oder fortgeschrittenen Pipelines entwickeln. Erweiterbare Threadripper PRO sTR5-Plattform mit bis zu 96 Kernen und 2 TB ECC RAM. Die zukunftssichere Maschine für 5+ Jahre, um nie eingeschränkt zu sein.
Maßgeschneidert · Individuelles Angebot · Installation vor Ort
Angebot anfordern →Häufig gestellte Fragen — PC für ComfyUI
Ist ComfyUI anspruchsvoller als Automatic1111?
Nein, für die einfache Generierung ist es sogar das Gegenteil. ComfyUI verwaltet den Speicher besser und kann Flux auf 12 GB ausführen, wo A1111 abstürzt. Aber sobald man Custom Nodes und komplexe Workflows (Multi-ControlNet, IPAdapter, AnimateDiff…) stapelt, kann ComfyUI auf derselben Aufgabe mehr verbrauchen als A1111, da es alles im Speicher lädt, um die Geschwindigkeit zu optimieren.
Wie viel VRAM wird benötigt, um ComfyUI reibungslos auszuführen?
16 GB ist das praktische Minimum im Jahr 2026 für professionelle Workflows (SDXL + Refiner + ControlNet + LoRA Stack). 24 GB bieten Komfort für Flux FP16 und komplexe Pipelines. 32 GB (RTX 5090) oder mehr sind für KI-Video, Flux LoRA Training oder Studio-Produktionen erforderlich.
Was ist der Unterschied zwischen ComfyUI und Forge UI?
ComfyUI ist nodal (visueller Graph von Nodes) — steilere Lernkurve, aber totale Flexibilität, ideal für Profis. Forge UI ist ein Fork von A1111 — klassische Oberfläche, einfacher zu lernen, gute VRAM-Verwaltung. Für 2026 wird ComfyUI empfohlen, da es alle neuen Modelle zuerst unterstützt und das Ökosystem der Custom Nodes unübertroffen ist.
Kann ComfyUI auf AMD GPUs oder Macs verwendet werden?
Ja, technisch über ROCm für AMD oder MPS für Apple Silicon. In der Praxis sind jedoch viele Custom Nodes (TensorRT, bestimmte ControlNets, fortgeschrittene IPAdapter, Trainings-Nodes) NVIDIA-only oder sehr eingeschränkt. Für einen dedizierten ComfyUI PC im Jahr 2026 wird NVIDIA dringend empfohlen — insbesondere die RTX 50xx (Blackwell), die die beste PyTorch- und TensorRT-Unterstützung bieten.
Kann man einen ComfyUI-Server im Netzwerk für mehrere Benutzer betreiben?
Ja. ComfyUI kann im Server-Modus mit einer REST-API gestartet werden, die über das lokale Netzwerk oder einen Cloudflare Tunnel zugänglich ist. Mehrere Benutzer können Workflows in eine Warteschlange senden. Für 3-10 gleichzeitige Benutzer sind das Rack 2× RTX 5090 oder das Rack 2× RTX 6000 ECC die idealen Konfigurationen – jede GPU kann eine separate Warteschlange bearbeiten.
Lohnt sich TensorRT wirklich für ComfyUI?
Ja, für repetitive Workflows (Batch-Produktion, API-Server). Die Kompilierung dauert 5-15 Minuten pro Modell/Auflösung, aber die nachfolgenden Generierungen sind 30-60 % schneller. Nachteil: Jede Modell+Auflösungs-Kombination muss separat kompiliert werden, und das Ergebnis ist nicht zwischen GPUs portierbar. Für gelegentliches Experimentieren ist TensorRT nutzlos.
Welches Netzteil für ComfyUI mit einer RTX 5090?
Mindestens 1.200 W 80+ Gold. Die RTX 5090 verbraucht bis zu 575 W in der Spitze, der Ryzen 9 9950X3D etwa 170 W, plus die anderen Komponenten. Rechnen Sie mit 30-40 % Marge für die Langlebigkeit des Netzteils und gleichzeitige Verbrauchsspitzen. Für Bi-GPU 2.000 W Platinum.
Linux oder Windows für ComfyUI?
Linux (Ubuntu 24.04) bietet die beste Rohleistung, optimale CUDA-Unterstützung und maximale Kompatibilität mit den anspruchsvollsten Custom Nodes. Windows 11 funktioniert sehr gut und ist einfacher für Nicht-Entwickler. WSL2 unter Windows 11 bietet einen hervorragenden Kompromiss. Unsere Workstations werden mit dem Betriebssystem Ihrer Wahl und vorkonfiguriertem ComfyUI geliefert.
