Selflift-Avatar双模接线与Veda加速：四组采样对比

作者：@AIwood爱屋研究室

Selflift-Avatar 与 Veda 演示封面

一句话导读：本期把 Selflift-Avatar 的两阶段模型接线和 Veda 稀疏注意力放在同一工作流中讨论，并用四组开关 Veda 的生成结果，展示采样速度与画面质量之间的取舍。

一、Selflift-Avatar 双模型怎么接
视频中的采样器提供 low_res_model 与 high_res_model，分别用于低、高分辨率阶段。只接低分辨率模型时，同一模型会继续完成高分辨率阶段。已有工作流升级后，应检查接口名称与连线。维护者当前说明指出，双模型能力此前已存在，本次 main 更新主要调整输入命名和布局；已有 v0.1.4-experimental 归档不包含该更新。模型装载仍由 ComfyUI 管理，不能据此保证不发生显存不足。

二、四组对比具体快了多少
视频中段先展示两类动作片段，后面的总结卡给出以下采样时间。这里保留视频使用的精度、图片模式和 LoRA 名称：
- 二采，2M 分辨率、10 秒，BF16 底模＋图片 MAX＋LIGHTX2V 0.1 LoRA：580→471 秒，采样耗时减少约 18.8%。
- 二采，2M 分辨率、10 秒，INT8C 底模＋图片 MATCH＋LIGHTX2V 0.1 LoRA：465→318 秒，减少约 31.6%。
- 单采，1M 分辨率、10 秒，INT8C＋图片 MATCH＋EMA600 LoRA，6 步：173→107 秒，减少约 38.2%。
- 同一单采配置，4 步：117→81 秒，减少约 30.8%。

以上百分比按“节省秒数÷原采样秒数”计算，与口头所说的速度提升比例不同。1M、2M 沿用画面标注，不换算为具体宽高。视频未完整披露硬件和预热等条件，这些结果仅代表作者这组前后对照，不是通用跑分。

三、Veda 的接入流程
Veda 通过小型预测模型选择需要计算的注意力区域。按视频流程及项目文档核对，先准备 ComfyUI 0.38.0 或更新版本，安装 Veda-on-ComfyUI 节点，将预测模型放入 ComfyUI/models/veda/，然后重启。把 Veda Sparse Attention (MiniMax H3) 接到模型与采样端之间；已有 LoRA 时放在 LoRA 加载后，并查看节点状态是否实际启用。

作者在简介补充，自己的编译环境需要与 ComfyUI 所用 Python 同版本的完整 Python 环境，并补齐 include、libs。该说明应结合所用安装方式处理，不要当成所有平台统一步骤。

四、质量与兼容性边界
作者指出，所测高动态场景的人物相似度有所下降，高分辨率案例出现闪烁；关闭加速 LoRA 后，单采和二采的 8 步结果也不相同。因此，选择配置时要同时比较动作、人物细节和闪烁，不能只看采样秒数。

简介关于“不能叠加其他稀疏注意力”的提醒需结合版本理解：当前项目文档按具体节点及连接顺序说明兼容性。调整现有工作流前，应查阅所安装版本的说明，并用相同种子做开关对照。

相关资源：
【Selflift-Avatar节点网盘：https://pan.quark.cn/s/d05d5bad8af9】
【Veda节点及模型网盘：https://pan.quark.cn/s/548777c0f901】
Selflift-Avatar 项目与版本说明
Veda-on-ComfyUI 安装与兼容性说明
Veda 预测模型

来源说明：本文根据 AIwood爱屋研究室的授权视频、画面对比标签及简介整理；版本、节点路径和兼容性另经当前项目文档核对。时间数据来自作者演示，未作独立性能复测。