PC für ComfyUI 2026: Empfohlener PC-Modellleitfaden, VRAM und Workflows
ComfyUI ist im Jahr 2026 zur Referenz-Oberfläche für die KI-Bildgenerierung geworden. Knotenbasierte 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 verwenden. Aber ComfyUI ist auch hungrig und anspruchsvoll: Multi-Modell-Workflows, Hunderte Custom Nodes, gestapelte ControlNets, TensorRT … Welcher PC wird wirklich benötigt, um das Beste herauszuholen? Dieser Leitfaden liefert Ihnen die präzise Antwort, Modell für Modell, mit realen Benchmarks.
Warum ComfyUI im Jahr 2026 zum Standard geworden ist?
Im Jahr 2024 dominierte Automatic1111 (A1111). Im Jahr 2026 hat ComfyUI den Platz eingenommen aus vier Gründen:
- Knotenbasierte Architektur. Sie bauen Ihre Pipeline visuell auf: Nodes zum Laden von Modellen, Conditionning, Sampler, VAE Decode usw. Sie sehen genau, was bei jedem Schritt passiert — und Sie können alles ändern.
- Effizientes Speichermanagement. ComfyUI lädt Komponenten bei Bedarf und entlädt sie wieder. Eine GPU mit 12 GB VRAM kann Workflows ausführen, die in A1111 oder Forge abstürzen.
- Unterstützung neuer Modelle innerhalb weniger Tage. Flux, SD 3.5, Qwen Image, Hunyuan Video — alle werden wenige Tage nach ihrer Veröffentlichung nativ unterstützt. Bei A1111 dauert es oft Monate.
- Riesiges Ökosystem an Custom Nodes. ComfyUI Manager bietet im Mai 2026 Zugang zu mehr als 2.000 Community-Erweiterungen — ControlNet Aux, IPAdapter, AnimateDiff, ComfyRoll, Impact Pack, WAS Suite und viele mehr.
Die tatsächlichen Hardwareanforderungen von ComfyUI im Jahr 2026
ComfyUI hat den Ruf, "VRAM-sparend" zu sein. Das stimmt bei der einfachen Generierung. Sobald man jedoch mehrere Komponenten kombiniert, gilt das nicht mehr: Ein ControlNet (+2 GB), ein IPAdapter (+2 GB), ein Refiner (+5 GB), ein LoRA (+200 MB jedes) und ein Upscaler (+3 GB) … schnell erreicht man 20 GB, selbst bei einem Basis-SDXL-Modell. Aus diesem Grund priorisieren wir bei einer lokalen KI-Workstation für ComfyUI den Grafikspeicher.
Hier sind die tatsächlichen Anforderungen nach Workflow-Typ im Mai 2026:
Einfache SDXL-Generierung
Basis-Text-zu-Bild-Workflow mit SDXL-Checkpoint, Sampler und VAE Decode. Ohne Zusatzfunktionen.
VRAM: 8 GB reichen ausSDXL + Refiner + 1 ControlNet
Klassischer Profi-Workflow: SDXL-Basis → Refiner → ControlNet für Pose oder Tiefe. Standard-Setup für Illustrationen.
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 Illustrationen: Stilübertragung (IPAdapter), Pose (ControlNet), 2-3 gestapelte LoRAs, Upscaling.
VRAM: 16-24 GBAnimateDiff / KI-Video (LTX-Video, Hunyuan)
Generierung kurzer Videosequenzen. Hunyuan Video und LTX-Video benötigen sehr viel VRAM pro Bild × Anzahl der Frames.
VRAM: mindestens 24 GB, 32 GB komfortabelParalleles Multi-Modell-Setup (SDXL + Flux + Qwen)
Fortgeschrittene Vergleichs-Workflows oder Produktionspipelines, die mehrere verschiedene Modelle ohne Entladen hintereinander schalten.
VRAM: 32 GB oder Dual-GPUFlux LoRA-Training (über ComfyUI-Nodes)
Training von Flux LoRAs direkt in ComfyUI über Custom Nodes (Kohya, AI Toolkit). Sehr anspruchsvoll.
VRAM: mindestens 24 GB, 32 GB komfortabelStudio-Batch-Produktion + API-Server
ComfyUI im Server-Modus (REST-API), Flux-Batches mit 10-50 Bildern, parallele Warteschlangen.
VRAM: 32 GB oder Multi-GPUEmpfohlener Mindest-VRAM für ComfyUI im Jahr 2026
| ComfyUI-Anwendung | Mindest-VRAM | Komfortabler VRAM | GPU-Typ |
|---|---|---|---|
| Einführung / 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 |
| Studio-Produktion mit Multi-GPU | 2× 32 GB | 2× 96 GB ECC | CoreIA 2x RTX 5090 oder 2x RTX PRO 6000 |
Über den VRAM hinaus: 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 können Sie 2-3 Checkpoints im RAM geladen halten und so blitzschnell wechseln. Mit 64 GB können Sie Ihre gesamte Bibliothek (SDXL-Basis + Refiner + Flux + 5 LoRAs + 3 ControlNets) im Speicher halten — kein erneutes Laden von der Festplatte zwischen den Generierungen.
SSD NVMe Gen 4 oder Gen 5 — entscheidend
Jeder Checkpoint-Wechsel erfordert ein Lesen von der Festplatte. 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 erste Laden eines Workflows mit Flux + IPAdapter + ControlNet etwa 8 Sekunden. Auf Gen 5 (12.000+ MB/s) sind es 3 Sekunden. Auf einer SATA-SSD über 30 Sekunden. Planen Sie 2 TB NVMe ein, damit Sie keine externe Bibliothek verwalten müssen: Unsere 1-TB-Workstations können im Konfigurator um erweitert werden.
CPU — weniger wichtig, als Sie denken
Die ComfyUI-Inferenz wird zu etwa 95 % von der GPU ausgeführt. Die CPU dient zur Vorverarbeitung (Modellladen, Parsing des JSON-Workflows, Postprocessing mit PIL). Ein aktueller Ryzen 5 reicht aus. Für komplexe Workflows mit Dutzenden Nodes oder Echtzeit-Pipelines bietet ein Ryzen 7 oder 9 einen geringfügigen Komfortgewinn.
GPU-Bandbreite — die versteckte Optimierung
Bei ComfyUI ist die Speicherbandbreite der GPU fast genauso wichtig wie der VRAM. Eine RTX 5090 ist bei Flux deutlich schneller als eine RTX 5060 Ti mit 16 GB, selbst wenn das Modell auf beide Karten passt. Deshalb bleibt die RTX 4060 Ti mit 16 GB (288 GB/s) trotz ihres ordentlichen VRAM eine Falle.
ComfyUI-Optimierungen 2026 — 30-60 % mehr Geschwindigkeit
Einige Startparameter und Erweiterungen verwandeln Ihr ComfyUI-Setup:
# Optimierter ComfyUI-Start für 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 über
ComfyUI-TensorRT: +30-60 % Geschwindigkeit bei wiederholten Workflows. Die erste Generierung ist langsam (Kompilierung), die folgenden ultraschnell. - FP8 / GGUF-Quantisierung: Flux in FP8 = -50 % VRAM, nahezu identische Qualität. GGUF Q4/Q6 = noch weniger VRAM für 12-GB-Konfigurationen.
- Flash Attention 2: 15-25 % VRAM-Ersparnis bei unterstützten Architekturen (Blackwell, Ada Lovelace).
- Tiled VAE in VAE Decode: ermöglicht 4K selbst mit 16 GB.
- ComfyUI-Crystools: Echtzeit-Überwachung von GPU/VRAM in der Oberfläche — unerlässlich zur Optimierung Ihrer Workflows.
- RAM-Disk für Modelle: Wenn Sie 128 GB RAM haben, bietet das Mapping einer RAM-Disk für Checkpoints blitzschnelle Wechsel.
Unverzichtbare ComfyUI-Custom Nodes 2026
| Custom Node | Nutzen | VRAM-Auswirkung |
|---|---|---|
| ComfyUI Manager | Installation/Update von Custom Nodes mit 1 Klick | Keine |
| ComfyUI-Impact-Pack | Face/Hand Detailer, Segmentierung, regionaler Prompt | +1-3 GB |
| ComfyUI_IPAdapter_plus | Stilübertragung von einem Quellbild | +1-2 GB |
| ComfyUI-AnimateDiff-Evolved | Animation von Sequenzen aus einem Standbild | +4-8 GB |
| comfyui_controlnet_aux | ControlNet-Vorverarbeiter (Tiefe, Pose, Canny, Lineart) | +0,5-2 GB |
| ComfyUI-WAS-Suite | 200+ Hilfsnodes (Text, Masken, Mathematik) | Vernachlässigbar |
| ComfyUI-TensorRT | TensorRT-Kompilierung = +30-60 % Geschwindigkeit | +2-4 GB während der Kompilierung |
| ComfyUI-Crystools | Echtzeit-Überwachung von GPU/CPU/RAM | Vernachlässigbar |
| ComfyUI-HunyuanVideoWrapper | Hunyuan-Videogenerierung | +12-20 GB |
| ComfyUI-LTXVideo | LTX-Videogenerierung (schneller als Hunyuan) | +8-14 GB |
Schnelle, optimierte Installation von 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 (essenziell) 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 # .safetensors 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 für ComfyUI getestet wurden. Auf Wunsch liefern wir Ihren PC mit installiertem und konfiguriertem ComfyUI (PyTorch CUDA, Manager, essenzielle Custom Nodes) sowie den von Ihnen gewählten Modellen — Flux Dev, SDXL, ControlNets, IPAdapter. Sie starten und generieren Ihr erstes Bild in weniger als 2 Minuten.
CoreIA RTX 5060 Ti
✅ Workflows SDXL + Refiner · Flux Dev FP8 · ControlNet · IPAdapter · leichter LoRA-Stack
Idealer Einstieg für anspruchsvolles ComfyUI im Jahr 2026. 16 GB GDDR7 — das Minimum für Standard-Profi-Workflows. AM5 DDR5-Plattform für schnellen Modellwechsel. Bei 16 GB RAM empfehlen wir im Konfigurator 32 GB für rechenintensive Workflows. Aufrüstbar: GPU-Upgrade später ohne Plattformwechsel möglich.
ComfyUI + Manager + Flux Dev FP8 auf Wunsch vorinstalliert
Diese Workstation konfigurieren →
CoreIA Radeon AI PRO R9700
✅ LLM und RAG lokal · ComfyUI über ROCm, mit Einschränkungen (kein CUDA)
AMD-Karte mit 32 GB VRAM: sehr gut für Text, aber ohne CUDA. ComfyUI läuft über ROCm oder Vulkan, TensorRT sowie viele Custom Nodes funktionieren jedoch nicht optimal. Für ComfyUI empfehlen wir stattdessen die CoreIA RTX 5060 Ti (kleines Budget) oder die CoreIA RTX 5090. 32 GB DDR5 ermöglichen es, 2-3 Checkpoints im Speicher zu behalten; für die gesamte Bibliothek empfehlen wir 64 GB im Konfigurator.
Für ComfyUI ohne Einschränkungen: CoreIA RTX 5090
Diese Workstation konfigurieren →
⭐ CoreIA RTX 5090
✅ Alle ComfyUI-Workflows · KI-Video (LTX, Hunyuan) · Flux LoRA-Training · Gleichzeitige Nutzung mehrerer Modelle
Die beste Consumer-Workstation für ComfyUI im Jahr 2026. 32 GB GDDR7 ermöglichen es, alle Komponenten gleichzeitig geladen zu halten — kein Ausladen zwischen Nodes. Rekord-Bandbreite (1.792 GB/s) für Workflows, die 3-5× schneller sind als mit einer RTX 5070 Ti. KI-Video, Flux LoRA-Training, Flux Dev FP16-Batches — alles ist zugänglich.
Vollständige ComfyUI-Bibliothek auf Wunsch vorinstalliert
Diese Workstation konfigurieren →
CoreIA 2x RTX 5090 (64 GB VRAM)
✅ Multi-Tenant ComfyUI-Server · Parallele Pipelines · Batch-Produktion · Lange KI-Videos
Für Studios und Kreativagenturen mit hohem Produktionsvolumen. 2× unabhängige RTX 5090 im ComfyUI-Servermodus: Eine GPU ist der laufenden Generierung gewidmet, die andere dem Pre-Rendering des nächsten Batches oder dem Training von LoRAs. Ideal für Teams von 3-10 Kreativen.
ComfyUI-Server-API · Multi-Tenant · 4U-Rack
Dieses Rack konfigurieren →
CoreIA 2x RTX PRO 6000 (192 GB ECC)
✅ Lange KI-Videos · Fine-Tuning von Basismodellen · Flux 2 9B-Batches · 24/7-Produktion
Die ultimative Workstation für Profi-Studios, die lange KI-Videos (Hunyuan 30+ Sekunden), vollständiges Modell-Fine-Tuning oder 24/7-Produktion durchführen. 192 GB VRAM ECC ermöglichen es, mehrere vollständige Modelle gleichzeitig zu laden und massive Batches ohne jegliche Speichereinschränkungen zu generieren.
Profi-Studios · Lange KI-Videos · Kontinuierliche Produktion
Dieses Rack konfigurieren →
CoreIA Threadripper PRO 4 GPU
✅ KI-Forschung · Entwicklung eigener Custom Nodes oder fortgeschrittener Pipelines · HPC-Pipelines · Schweres Fine-Tuning
Für VFX-Studios, Forscher und KI-Agenturen, die eigene Custom Nodes oder fortgeschrittene Pipelines entwickeln. Threadripper PRO sTR5-Plattform, erweiterbar auf bis zu 96 Kerne und 2 TB ECC-RAM. Die Maschine ist für 5+ Jahre ausgelegt, damit Sie nie an Grenzen stoßen.
Maßgeschneidert · Individuelles Angebot · Vor-Ort-Installation
Angebot anfordern →Häufig gestellte Fragen — PC für ComfyUI
Ist ComfyUI anspruchsvoller als Automatic1111?
Nein, bei der einfachen Generierung ist es sogar umgekehrt. ComfyUI verwaltet den Speicher besser und kann Flux mit 12 GB ausführen, während A1111 abstürzt. Sobald man jedoch Custom Nodes und komplexe Workflows (Multi-ControlNet, IPAdapter, AnimateDiff …) kombiniert, kann ComfyUI bei derselben Aufgabe mehr Ressourcen verbrauchen als A1111, da es alles in den Speicher lädt, um die Geschwindigkeit zu optimieren.
Wie viel VRAM braucht man, um ComfyUI problemlos auszuführen?
16 GB sind im Jahr 2026 das praktische Minimum für Profi-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-Produktion erforderlich.
Was ist der Unterschied zwischen ComfyUI und Forge UI?
ComfyUI ist nodal (visueller Graph von Nodes) — steilere Lernkurve, aber absolute Flexibilität, ideal für Profis. Forge UI ist ein Fork von A1111 — klassische Oberfläche, einfacher zu erlernen, gutes VRAM-Management. Für 2026 ist ComfyUI die empfohlene Wahl, da es alle neuen Modelle als Erstes unterstützt und das Ökosystem an Custom Nodes seinesgleichen sucht.
Kann man ComfyUI auf einer AMD-GPU oder einem Mac verwenden?
Technisch gesehen ja, über ROCm für AMD oder MPS für Apple Silicon. In der Praxis sind viele Custom Nodes (TensorRT, bestimmte ControlNets, fortgeschrittene IPAdapter, Trainings-Nodes) exklusiv für NVIDIA oder stark eingeschränkt. Für einen dedizierten ComfyUI-PC im Jahr 2026 bleibt NVIDIA klar zu empfehlen — insbesondere die RTX 50xx (Blackwell), die die beste Unterstützung für PyTorch und TensorRT bieten.
Kann man einen ComfyUI-Server im Netzwerk für mehrere Benutzer betreiben?
Ja. ComfyUI kann im Servermodus mit einer REST-API gestartet werden, die über das lokale Netzwerk oder Cloudflare Tunnel zugänglich ist. Mehrere Benutzer können Workflows in eine Warteschlange senden. Für 3-10 gleichzeitige Benutzer sind die CoreIA 2x RTX 5090 oder die CoreIA 2x RTX PRO 6000 ECC die idealen Konfigurationen — jede GPU kann eine separate Warteschlange verarbeiten.
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 folgenden Generierungen sind 30-60% schneller. Nachteil: Jede Kombination aus Modell und Auflösung muss separat kompiliert werden, und das Ergebnis ist nicht zwischen GPUs portabel. Für gelegentliche Experimente ist TensorRT unnötig.
Welches Netzteil eignet sich für ComfyUI mit einer RTX 5090?
Mindestens 1.200 W 80+ Gold. Die RTX 5090 verbraucht in Spitzenlast bis zu 575 W, der Ryzen 9 9900X, plus die anderen Komponenten. Rechnen Sie mit 30-40% Puffer für die Langlebigkeit des Netzteils und gleichzeitige Lastspitzen. Für Dual-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 für Nicht-Entwickler einfacher. WSL2 unter Windows 11 bietet einen hervorragenden Kompromiss. Unsere Workstations werden mit dem Betriebssystem Ihrer Wahl und auf Wunsch mit vorkonfiguriertem ComfyUI geliefert.
