1. 这套组合到底解决了什么问题

本地跑写实人像这件事，门槛这几年一直在往下掉，但真正卡住人的从来不是"能不能装"，而是"能不能稳定出片"。装是十分钟的事，出片是十天的事。Z-Image Turbo v7.0 加 ComfyUI 这个组合，我用下来的核心感受是：它把"写实人像"从一个靠运气的抽卡行为，变成了一条可以复现的流水线。

先说清楚这两个东西分别是什么。Z-Image Turbo v7.0 属于走少步数快速推理路线的写实向模型，Turbo 这个词在这类模型里基本等价于"蒸馏加步数压缩"，也就是原本要二三十步才能收敛的画面，压缩到四到八步就能出一个结构完整、皮肤质感在线的结果。ComfyUI 则是一套节点式的工作流界面，每个环节——加载模型、编码提示词、采样、解码、放大——都是一个可以单独调参、可以连线、可以复用的节点。一个负责"出得快"，一个负责"控得准"，两者叠起来，写实人像从想法到成图的那条路径才真正短下来。

适合谁看？我把它分成三类。第一类是刚接触本地出图、手里只有一张消费级显卡，想低成本跑出可用人像的新手；第二类是已经在用别的界面出图，但被"改一个参数要重开一遍设置"折磨到烦的人；第三类是要批量交付、需要把出图流程固定下来反复跑的人。前两类关心的是少踩坑，第三类关心的是流程能不能被写成配置。这篇内容三类都能对号入座。

1.1 本地写实人像的真实痛点在哪

很多人对本地出图的想象是"免费无限生成"，实际用起来才知道坑在哪。最典型的三个：一是速度慢，一张图等两分钟，试错成本高到让人放弃调参；二是写实感不行，人脸一放大就塑料，皮肤像磨过头的照片，毛发糊成一片，眼睛里的高光是一块死白；三是不可控，同一个提示词跑十次出十个人，想微调一个表情、一个光影方向，只能靠改词碰运气。

这三个痛点其实是连锁的。速度慢导致你不敢试，不敢试就摸不清参数规律，摸不清规律就只能靠堆提示词，堆提示词的结果是画面越来越满、越来越假。Turbo 类模型解决的是第一环，少步数把单张耗时压到十几秒量级，试错成本一下就降下来了；ComfyUI 解决的是第三环，节点能保存、能改一处跑全程，参数规律才有可能被沉淀下来。中间那环写实感，是这两个工具合起来之后，靠具体参数和流程细节去啃的，也是这篇的重点。

提示：不要指望换一个模型就解决写实感问题。写实感是分辨率、采样步数、CFG、放大策略、VEA 解码精度几个因素叠加出来的结果，任何一个环节掉链子，最终都会表现为"人脸不对劲"。

1.2 Z-Image Turbo v7.0 的能力边界

Turbo 路线不是没有代价的。步数压到极低，模型的"思考余量"就少，好处是快，坏处是复杂构图容易崩。我实测下来的规律是：单人半身像、背景干净、光照明确的场景，四到六步就能出很稳的图；一旦涉及多人、手部动作、复杂透视、强逆光，步数低于六步就开始出问题，手指数量不对、肢体接缝奇怪、背景元素互相粘连，这些都属于典型的"低步数症状"。

所以别把它当成"万能加速器"来用。我自己的习惯是把它当成一条分层流水线：第一段用低步数快速铺构图，快速淘汰掉九成不行的方向；第二段针对留下来的那一张，提步数、加放大、做局部重绘。这样整体耗时反而比一步到位跑高步数更低，因为你在错误方向上的投入被砍掉了大半。

还有一点容易被忽略：版本号里的 v7.0 意味着这是一条持续迭代的线，不同版本对提示词的敏感度、对 LoRA 的兼容度都可能有差异。我踩过的坑是拿旧版本的提示词习惯直接套新版本，结果画面过饱和、对比过强。稳妥的做法是换版本之后先跑一组基准测试图，把步数、CFG、采样器三个变量各扫一遍，再决定要不要沿用旧的参数模板。

1.3 ComfyUI 相比"一键出图"的长期价值

一键出图的界面上手快，但它有个结构性问题：所有参数堆在一个面板里，你永远不知道自己改的那一项在整条链路里处于什么位置。ComfyUI 把链路摊开成节点图之后，因果关系是可见的——模型加载的输出接进采样器的模型口，提示词编码的输出接进条件口，采样结果再接进 VAE 解码。哪一步出问题，你顺着线往回找就行。

更实际的价值是复用。一条调好的工作流可以存成文件，换模型只改加载节点，换尺寸只改空 latent 节点，其余连线不动。批量出图的时候，把提示词做成列表接进去，一次跑几十张，参数完全一致，这是"一键界面"做不到的。我给一个做电商图的朋友搭过一套，固定机位、固定光位、只换人物和服装描述，一天出两三百张初稿，靠的就是节点复用加队列。

2. 硬件盘算与环境搭建

动手之前先把账算清楚，比装完了发现跑不动要省事得多。写实人像的显存消耗主要花在三处：模型权重常驻、注意力计算时的中间张量、以及放大阶段的额外开销。少步数模型在这三项上都比常规模型友好，但不代表它对显存没要求，分辨率一上去照样爆。

2.1 显存账本：不同配置能跑到什么程度

下面这张表是我在不同机器上跑出来的量级参考，不是绝对标准，因为驱动版本、系统占用、是否开分块解码都会影响结果。看趋势比看绝对值更有用。

这些数字背后的逻辑值得说一句。写实人像的分辨率不是随便定的，它跟模型训练时的分辨率档位要对得上。原生分辨率跑得太小，五官细节本来就没被生成出来，放大只会把模糊放大；跑得太大，超出训练分布，容易出现"多出来一只手"这种结构性错误。正确做法是贴着模型的舒适区出原生图，再用放大环节去提细节密度。

耗时那一列也要理性看。十几秒和三十秒的差别在单张上不明显，但在批量场景里会被放大十倍。如果你的用途是每天出几百张初稿，那显存投入换来的时间收益是实打实的；如果只是偶尔出几张,8GB 完全够用，没必要为了几秒钟去升级硬件。

2.2 目录结构与模型归位

ComfyUI 的模型目录是有约定的，放错位置的表现是"节点里下拉框找不到模型"，很多人第一次装就卡在这。核心几个目录：大模型权重、VAE、LoRA、放大模型、控制类模型，各自有各自的子目录。文件名建议保留可读信息，比如把分辨率档位、版本号、用途写进去，因为节点下拉框只显示文件名，一堆乱码名会让你每次选模型都要试一遍。

ComfyUI/ models/ checkpoints/ # 主模型权重放这里 vae/ # 独立 VAE 放这里 loras/ # 风格/人物 LoRA upscale_models/ # 放大模型 controlnet/ # 结构控制模型 clip_vision/ # 参考图编码相关

有一点我特别想提醒：VAE 要不要单独换，取决于主模型是否内置了可用解码。有些模型内置的 VAE 在低步数下会偏灰、偏平，换成专门的 VAE 之后肤色和暗部层次会明显改善。判断方法很简单，同一张 latent 用两个 VAE 各解一次，对比暗部有没有细节、肤色有没有发青。这一步花五分钟，收益比调十次提示词都大。

2.3 依赖安装与首次启动验证

安装这件事本身不难，难在环境冲突。常见的坑有三个：Python 版本太新导致某些编译型依赖装不上、图形驱动版本与推理后端不匹配、以及多个环境互相污染。我的做法是给这套东西单独建一个虚拟环境，不跟系统里其他项目混用，出了问题直接删环境重建，比逐个排查依赖快得多。

首次启动之后别急着跑复杂工作流，按这个顺序验证：先加载模型看能不能正常列出，再跑一张 512×512 的极简图确认采样链路通，最后把分辨率提到目标值确认显存不爆。三步都过了，再去折腾 LoRA 和放大。这个顺序的意义在于把问题隔离在最小范围里——如果第一步就找不到模型，那跟采样参数一点关系都没有，不用浪费时间在那边试。

注意：验证阶段不要开队列、不要开批量。一次只跑一张，报错信息才好定位。批量跑的时候一个错误会污染整批日志，排查成本翻好几倍。

3. 核心工作流拆解

一条能长期用的写实人像工作流，节点数量不用多，关键是每个节点都要有明确职责。我见过有人把工作流堆到四五十个节点，看着专业，实际上改一个参数要顺藤摸瓜找半天。精简比堆砌重要。

3.1 从加载到出图的五个关键环节

标准链路是这样的：模型加载节点输出模型、CLIP、VAE 三路；正向和负向提示词各接一个文本编码节点；空 latent 节点定义画布尺寸和批次；采样器节点把模型、正负条件、latent 全部收进来；最后 VAE 解码出图。这五步之外的所有东西，本质上都是在这条主干上做增强。

采样器节点上有几个参数必须理解清楚。随机种子决定的是初始噪声，同一个种子配同一套参数，出图是完全一致的，这是可复现的基础；步数是去噪迭代次数，步数不足的表现是画面"没洗完"，细节发糊、边缘发软；CFG是提示词引导强度，数值越高越贴合提示词但越容易过曝、越容易出现硬边和色块。

负向提示词这块，我的经验是"少而准"。写实人像常见的负面词集中在画质和结构两类，比如模糊、低分辨率、多余手指、畸形肢体、水印文字。堆几十个负面词不但没用，还会稀释真正有效的那几个的权重。曾经有个阶段我往负面里塞了三十多个词，结果出图越来越平,后来砍到八个,画面反而立起来了。

3.2 采样器、步数、CFG 的三角平衡

这三个参数是一组联动关系，单独调任何一个都容易走偏。少步数模型的特点是低步数下就能收敛结构，所以 CFG 不需要开太高，通常一到二之间就够，开高了画面会硬。采样器的选择上，追求稳定可复现就用不带随机性的那类，追求皮肤颗粒感和自然噪点就用带随机性的那类，代价是同种子出图会有细微差异。

下面这张表是我自己扫参数时记录的对照，基于单人半身、室内柔光的场景：

看这张表会发现一个反直觉的点：步数提上去之后，CFG 反而应该降一点。原因是步数多了，每一步的引导都在累积，CFG 保持在低步数时的高值会让画面被"推过头"。这个规律很多教程里没写，但它直接决定成片是"照片感"还是"渲染感"。

调度器的选择影响的是噪声下降的节奏。均匀下降的调度适合结构清晰的场景，带曲线的那种在低步数下能保住更多细节。如果你发现四步出图总是细节不足，先换调度器试试，比直接加步数更划算。

3.3 分辨率与两段式放大

写实人像的细节密度几乎全靠分辨率撑。原生图 832×1216 出的脸，放大到 100% 看，眼睛里的虹膜纹理是糊的；走一遍两段式放大之后，同样的脸能看清单根的睫毛。两段式的做法是：第一段按原生分辨率出图，第二段把 latent 放大一点五到两倍再低步数重采样一遍。

第二段的步数不用高，四步左右就够，因为它的任务不是重新构图，而是在已有结构上补细节。这里有个细节值得说：第二段的去噪强度要控制在中低区间，太高会把第一段辛苦定下来的五官打乱重来，太低则等于没放大，只是把原图拉大。我常用的区间是零点四到零点五五，具体看第一段的完成度——第一段越干净，第二段可以越低。

放大模型的选择上，通用放大模型偏锐，写实向的放大模型偏柔。人像场景我倾向用偏柔的，因为脸部的锐化过度比模糊更难看，毛孔被放大成一圈硬边是很典型的翻车。如果显存吃紧，把解码环节切成分块模式，代价是速度慢一些，但能把原本爆显存的分辨率跑下来。

3.4 提示词写法：写实人像的取舍

写实人像的提示词跟插画类完全是两套逻辑。插画可以堆风格词、堆画师名、堆渲染器，写实人像堆这些只会让画面越来越假。有效的写法是"结构化描述"：主体是谁、什么年龄段、什么表情、穿什么、在什么光线下、用什么镜头视角。

光线描述是写实感的第一杠杆。柔光、侧逆光、窗光、棚拍灯，这几个词带来的画面差异比任何画质词都大。镜头的描述也有用，比如近景特写、中景半身、浅景深，它直接决定了脸在画面里占多大比例、背景虚化到什么程度。相反，那些"超高清""杰作""最佳质量"之类的词，在少步数模型上作用非常有限，甚至会让画面变得过饱和。

我的习惯是把提示词分成三层写：第一层是必须命中的核心描述，三五句；第二层是光影和镜头；第三层是少量的质感词，比如胶片颗粒、自然皮肤纹理。第三层控制在两三个词以内，多了就腻。这套写法在换模型之后迁移成本也低，因为核心描述是通用的，只需要微调质感词。

4. 写实感调优的四个实操环节

到这一步工作流已经能跑了，接下来是把"能出图"变成"能出成片"。这一节全是手上的活，参数给的是起点，具体怎么调要看你自己的审美倾向。

4.1 皮肤质感与光影的配合

写实人像最容易翻车的地方就是皮肤。塑料感的成因有三个：一是步数不足导致高频细节没生成出来，二是 CFG 过高导致画面被"压平"，三是放大阶段过度锐化。三个成因对应三种解法，但很多人只盯着提示词改，改半天没用。

我的诊断顺序是先看原始分辨率下的 100% 裁切图。如果毛孔、细纹这些高频细节压根不存在，那是步数或分辨率的问题，加步数或者提原生分辨率；如果细节存在但整体发灰发平，那是 CFG 或者 VAE 的问题，降 CFG 或者换解码；如果细节有但边缘一圈硬边，那是放大的问题，换柔一点的放大模型或者降低第二段去噪强度。

光影这块有个实用技巧：在提示词里明确光源方向，比如左侧窗光、右上方柔光箱，出图的面部明暗结构会立刻变得可信。不写光源方向的图，脸部往往是均匀打光，看着就像证件照。另外，暗部保留细节比亮部更重要，一张脸如果暗侧全黑成一块，立体感就没了，这时候要回头看 VAE 的解码质量。

4.2 人脸一致性的三种做法

做系列图的时候，人脸一致性是刚需。三种做法各有适用场景。第一种是固定种子，适合同一构图下的微调，换个表情换个服装，脸部基本不变，但一旦改构图就失效。第二种是人物 LoRA，适合长期复用某个面孔，训练成本高但一致性最好，缺点是训练素材不好找、容易过拟合导致画面呆板。第三种是参考图约束，把一张人脸图作为条件输进去，让模型在生成时对齐面部特征，灵活度最高，代价是需要额外的编码模型，显存和时间成本都会上去。

我自己的用法是分层：先固定种子把构图和光影敲定，再用参考图约束保证脸不飘，最后如果要出成套的图，才考虑训 LoRA。这个顺序的好处是不会一上来就投入训练成本，等确认这个方向值得做，再去投入。

还有个土办法但很有效：局部重绘。整张图满意，只有脸崩了，就把脸框出来重新生成那一小块，去噪强度控制在零点三到零点四，既能修脸又不破坏周围。这个操作在批量场景里特别省时间，比整张重跑划算得多。

4.3 批量出图与显存管理

批量跑的时候最容易遇到的是显存碎片化。跑十几张之后速度开始变慢，再跑几张直接爆。成因是中间张量没有及时释放。解法有几个层次：一是把批次大小降下来，宁可多跑几轮；二是开分块解码，把大分辨率的解码拆成小块；三是定期清空缓存。

队列管理上，我建议把"试错"和"出片"分成两条队列。试错队列用小尺寸低步数，一次跑八到十六张，快速筛方向；出片队列用目标尺寸和目标步数，只跑筛出来的那几张。这样做的好处是硬件的算力花在刀刃上，不会出现"为了看一个构图对不对，跑了十六张高清图"的浪费。

文件命名也值得花点心思。我习惯把参数写进文件名，比如尺寸、步数、CFG、种子后四位。过一周回来看，你能立刻知道这张图是什么参数出来的，能不能复现。这个习惯看起来琐碎，但它是我能持续优化参数的唯一原因——没有记录就没有对比，没有对比就没有进步。

4.4 一次参数对照实验的完整记录

说个具体的。有段时间我出的图总是"太干净"，皮肤像修过图。我的假设是步数太高导致细节被过度平滑。于是做了一组对照：固定种子、固定提示词、固定分辨率，只改步数和 CFG。

结果是四步配一点零的时候，皮肤粗糙但结构对；六步配一点五，颗粒感最自然；八步配二点零，反而出现了"过度收敛"，毛孔被抹平了。这个结果推翻了我的假设——不是步数高导致平滑，是高步数配高 CFG 一起把画面推向了过度确定的状态。把八步的 CFG 降到一点二之后，质感立刻就回来了。

这组实验花了我大概四十分钟，跑了二十来张图。但它省下的是后面无数次的盲调。参数调优这件事，最怕的就是"感觉不对就改一个试试"，试到最后你根本不知道是哪个参数起的作用。做对照实验的价值就在这，它把"玄学"变成了"可以写下来的规律"。

5. 常见问题排查实录

这一节按症状分类，方便你对号入座。每个问题我都写了排查顺序，因为同一个症状往往有多个成因，乱试是最费时间的。

5.1 画面问题速查表

这张表里最值得展开的是"发灰发平"。很多人第一反应是加对比度词、加画质词，实际上八成是解码环节的问题。判断方法很直接：同一张 latent，换两个 VAE 各解一次，肉眼对比暗部。如果换了之后暗部细节出来了，那跟提示词一点关系都没有，别在那边浪费时间。

"同种子不一致"这条也值得说。带随机性的采样器在每个步骤都会注入新的噪声，所以即使种子一样，出图也会有细微差别。如果你需要严格复现，就换成确定性的采样器；如果你追求自然的颗粒感，那这种不一致反而是特性，不用当成 bug 修。

5.2 报错与性能问题排查

模型列表里找不到文件，九成是放错目录或文件名带了特殊字符。检查两件事：路径是不是在对应的子目录下，扩展名是不是被系统藏起来了导致实际是"文件名.safetensors.txt"这种。

跑着跑着爆显存，先看是不是批量太大，再看是不是放大环节吃太多。临时解法是降批次、开分块解码、把第二段放大拆成单独一轮跑。根治的办法是算清楚你的目标分辨率需要多少显存余量，留出百分之二十的缓冲，不要贴着上限跑。

出图速度突然变慢，常见原因是后台有其他程序占着显卡，或者显存碎片累积。重启一次进程通常能解决。如果重启之后还是慢，那可能是模型被换成了更大的版本，回头核对一下加载节点的文件名。

提示：排查的时候一次只改一个变量。同时改三个参数然后问题消失了，你并不知道是哪个起的作用，下次遇到同样的问题还是得重新试一遍。

最后分享一个我自己一直在用的习惯：每次调出一组满意的参数，就把整条工作流存一份带日期和用途的副本，同时在文件名里写上关键参数。半年下来你会攒出一套自己的参数库，遇到新场景直接从最接近的那份改起，比从零开始快得多。这套东西真正的价值不在模型本身，而在你积累下来的那些"什么场景配什么参数"的经验，那才是别人抄不走的部分。