是，因显存不足。“cuda out of memory”报错源于模型加载、高分辨率采样、controlnet叠加等导致vram耗尽，尤其在4–8gb显存设备上，需通过--lowvram启动、降分辨率、精简工作流及启用block swap等综合优化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
LiblibAI整合包里的ComfyUI运行时频繁报“CUDA out of memory”，生成中途崩溃、工作流卡死、高清图直接无法启动——这些问题都指向显存资源被过度挤占，而非硬件本身不可用。
启动参数强制启用低显存模式
首次运行或重启ComfyUI前，必须修改启动命令。在LiblibAI的启动器界面中，点击右上角「设置」→「高级设置」→ 找到「自定义启动参数」输入框，填入：【--lowvram --always-gpu】。这一步不能跳过，否则后续所有优化都会失效——【--lowvram】会禁用模型权重缓存、自动卸载闲置节点，是4–8GB显存设备的生存底线。
若使用.bat脚本启动，需手动编辑文件，在python main.py后追加这两个参数；未加参数直接双击运行，默认走标准模式，显存占用立刻翻倍。
分辨率与批量大小双降级
方法一：图像尺寸砍半再起步
将输出分辨率从768×768直接改为512×512。显存占用与像素总数平方成正比，768²=589824，512²=262144，后者仅占前者的44%，对8GB显卡已是安全阈值。
方法二：批处理数量归零
把batch_size参数从2或4强行设为1。哪怕你只想同时出两张图，也必须拆成两次运行——多一张图就多一份中间特征图缓存，而ComfyUI默认不释放，显存会线性堆高直至溢出。
注意：不要依赖“Hires. fix”自动放大来绕过分辨率限制。它会在第二阶段重新加载VAE和UNet，等于重复消耗一次显存，反而更容易崩。
精简工作流中的隐性显存大户
第一步：关闭所有未连接的LoRA加载节点
即使LoRA节点没连入主流程，只要它存在于画布上且已加载模型，就会常驻显存。右键→「删除」或先断开输入再禁用（右键→Disable）。
第二步：替换VAE为taehu87的tiny版本
原生SD 1.5 VAE约占用0.8GB显存，而taehu87/tiny-sd-vae-ft-mse-512（.safetensors格式）仅需0.3GB，精度损失肉眼不可辨。下载后放入ComfyUI/models/vae/，在工作流中改选该文件即可。
第三步：停用ControlNet预处理器图像缓存
在ControlNet Apply节点前，插入「CleanCacheNode」（需提前安装ComfyUI-CleanCache插件）。勾选“Clear Preprocessor Cache”，每次执行完预处理立刻清空CPU内存中暂存的边缘图/深度图——这部分数据虽不占VRAM，但会挤占RAM，间接导致系统启用虚拟内存，拖慢模型加载，诱发显存分配失败。
启用Block Swap动态模块交换（WanVideoWrapper专用）
如果你正在跑图生视频类工作流（如Wan2.2、AnimateDiff），必须开启Block Swap：
① 确保已安装ComfyUI-WanVideoWrapper插件；
② 在节点面板中找到「WanVideoSetBlockSwap」节点，拖入画布；
③ 再添加一个「WanVideoBlockList」节点，双击编辑，填入“0-5,8”表示将UNet前6层和第9层设为可交换模块；
④ 将模型加载节点（CheckpointLoaderSimple）的输出 → WanVideoSetBlockSwap的model输入；
⑤ 将WanVideoSetBlockSwap的输出 → 后续所有视频生成节点的model输入。
该机制会让非当前计算所需的Transformer块自动卸载到系统内存，实测可降低峰值显存35%以上。但切记：系统内存必须≥32GB，否则卸载后无处存放，反而触发OOM。
