LLaDA Image ComfyUI实测：Base、Turbo、编辑与VQ路线

作者：@T8star-Aix

LLaDA Image ComfyUI实测：Base、Turbo、编辑与VQ路线

一句话导读：LLaDA Image 是一个同时覆盖图像生成与编辑的 6B 开源模型，采用与常见扩散工作流不同的专用扩散语言模型、VQ 草稿生成和直接编辑通路。视频作者已复现到 ComfyUI，但实测认为它更像技术探索：部分文字和细节可用，肢体、排版稳定性与速度仍明显受限。

核心内容：
1. 技术定位：模型不走常见文本编码器路线，而是以专用扩散语言模型承担编码；编辑时跳过常见视觉模型，直接进入 DiT 的专用编辑通路。作者因此更看重它作为实验方向的意义，并不认可仅凭官方榜单就判断其超过成熟闭源模型。
2. VQ 路线：VQ 版本先由 LLaDA 2.0 生成离散 Token，可理解为草稿，再根据草稿生成最终图像。理论上这种两阶段方式可能帮助排版，但视频作者的近期样本并未稳定优于 Base，而且第一次生成草稿就花了约 278 秒，整体很慢。
3. 模型与精度：ComfyUI 复现提供 INT8 与 BF16 版本。模型虽然只有 6B，但属于 All-in-One 结构，相关组件集中后体量仍不小；显存较低时可优先下载 INT8，本地显存充足并追求质量时再考虑 BF16。
4. Base 与 Turbo：Base 默认 50 步，节点中 steps=0 会调用这一默认值，示例 CFG 为 5。Turbo 在 steps=0 时按 4 步运行、CFG 为 1，一张示例约 29 秒；速度更快，但更容易出现手脚或其他结构问题，高质量任务更适合先试 Base。
5. 尺寸约束：BF16 的宽高需要能被 16 整除，官方测试集中在约 1M 像素；过高分辨率更容易出现异常。编辑工作流先用 Fit Context Image 将输入整理到约 1M 再传入。Turbo 路线也需遵守同类约束。
6. 编辑能力：简单修改可以完成，但作者认为这还不足以证明强编辑能力，因为既有开源模型也能处理相似任务。当前真正困难的是海报排版、中文文字与多元素组合；视频中 LLaDA Image 有时文字基本完整，有时严重崩坏，表现不稳定。
7. 人物与细节：约 1M 像素时毛发等细节能够生成出来，但视频也多次出现多手、多脚等结构错误，Base、Turbo 都不能完全避免。正式使用时应扩大抽样数量，并把肢体、文字和主体一致性作为单独验收项。
8. VQ 的显存与耗时：视频估计 24G 显存生成一张 VQ 图可能约 15 分钟，48G 也需约 6—7 分钟。VQ 宽高必须能被 16 整除，且生成尺寸要与文本条件中的尺寸一致，否则会报错。
9. Turbo VQ 限制：Turbo VQ 后半段采样稍快，但前面的草稿结构几乎不变，因此总耗时难有数量级改善；视频还提醒该路线的尺寸可能需要能被 32 整除，两处尺寸参数仍须保持一致。
10. 效果结论：作者把 LLaDA Image 视作值得观察的新技术，而非当前的生产级首选。对普通文生图，成熟模型选择已经很多；对图像编辑，若本地开源方案无法稳定达到中文排版和复杂修改要求，还需要结合成本、隐私与闭源 API 方案比较。

适合人群：希望研究扩散语言模型、VQ 两阶段生成和统一图像编辑通路，或想在 ComfyUI 中复现 LLaDA Image 并接受实验性结果的用户。

补充说明：本文根据授权视频的完整音频转写、简介和默认第一页评论整理。作者的效果与耗时判断来自其测试环境，官方评分也未在本文独立复核。项目、权重和节点更新较快，请以仓库最新说明为准，并先用少量样本检查尺寸、文字、肢体与显存稳定性。

相关夸克网盘链接：
【LLaDA Image模型与工作流：https://pan.quark.cn/s/f79d25e783bd】
【T8 CF整合包V20：https://pan.quark.cn/s/af20c54c9a13】
【无限画布整合包v3.0.0：https://pan.quark.cn/s/5871a0142ff3】
【贞贞整合包V4.8O：https://pan.quark.cn/s/ed4f5cc2db75】