Un autor de Civitai probó nueve GPUs en RunPod con un único flujo de trabajo, una semilla fija, tres resoluciones y tres cantidades de pasos. Los tiempos por vídeo resultantes parecían limpios, pero los datos de precios ya estaban desactualizados cuando se publicó el artículo (source). Si estás presupuestando un proyecto con esos números, ya vas mal.

ComfyUI: mide velocidad, compara GPUs y ejecuta en CPU

TL;DR

• Mejor relación calidad-precio: RTX 5090 a $0,99/h (RunPod pricing) — ~39 vídeos/h (source)
• Mejor rendimiento: H100 SXM a $2,69/h (RunPod pricing) — ~56 vídeos/h (source)
• Sin GPU: ComfyUI-cpu ejecuta SD 1.5 en máquinas sin GPU mediante tensores CPU de PyTorch — minutos por imagen, coste de GPU cero
• Los precios cambian: consulta siempre la página de precios de RunPod antes de presupuestar

Cómo medir las iteraciones por segundo de ComfyUI con honestidad

El benchmark de Civitai (source) controló las variables que importan. Estas son las condiciones de la prueba y lo que necesitas para replicarlas:

Parameter | Source Test Value | Why It Matters | How to Fix It

|-----------|-------------------|----------------|---------------

Workflow | Yet Another Workflow v0.36 | Different workflows have different node graphs | Fix the workflow; don't switch between cards Seed | 561278855360750 | Different seeds = different compute paths | Hard-code the seed in your KSampler node Resolution | 1280×768, 640×896, 512×768 | VRAM and compute scale with pixel count | Test exactly the resolution you'll use in production Steps | 10, 8, 4 | Each step is a full UNet forward pass | Test the step counts you actually run Frames | 61 per video | Frame count affects total compute | Match your target output length Post-processing | 32fps GIMM interpolation | Interpolation adds a fixed per-video cost | Include it if your production pipeline does Model loading | Excluded | Varies by GPU, storage, and model size | Exclude it; time only from first denoise step to final decode Iterations | Single run per config | A single run is noise | Run each config at least 3× and average

Si cambias cualquier variable entre tarjetas, no estás comparando GPUs — estás comparando configuraciones.

Compara los costes de las GPU alquiladas antes de decidir

La página de precios de RunPod (runpod.io/pricing) lista estas tarifas bajo demanda. Los números de rendimiento de abajo proceden de la fuente de Civitai (source):

GPU | Price/hr | VRAM | Throughput (source) | Cost/video (source)

|-----|----------|------|---------------------|---------------------

RTX 5090 | $0.99 | 32 GB | ~39 videos/hr | ~$0.025 H100 SXM | $2.69 | 80 GB | ~56 videos/hr | ~$0.048

El H100 SXM ofrece ~43 % más de rendimiento pero cuesta ~2,7 veces más por hora (source). Tu decisión depende de si el tiempo o el dinero es la restricción que limita.

Corrección crítica: la fuente de noviembre de 2025 citaba la RTX 5090 a $0,89/h (source). El precio actual de RunPod es $0,99/h (runpod.io/pricing). Nunca presupuestes a partir de la columna de precios de un benchmark; comprueba siempre la página de precios en vivo.

Rendimiento a 1280×720, 4 pasos

La fuente también reportó los tiempos de generación por GPU a esta resolución (source):

GPU | Seconds/video

|-----|---------------

H100 SXM | ~172 RTX PRO 6000 | ~243

Ejecuta ComfyUI en CPU cuando no tienes GPU

ComfyUI-cpu es un fork que elimina todas las dependencias CUDA/GPU. Su README afirma que es "a trimmed down version of ComfyUI that uses the cpu only" para "cpu only web server, laptop with no gpu, older PCs, weak onboard gpus."

Instalación (del README del fork)

git clone https://github.com/ArdeniusAI/ComfyUI-cpu.git
cd ComfyUI-cpu
python3 -m venv venv
source venv/bin/activate
pip3 install -r requirements.txt
python3 main.py --cpu --cpu-vae --auto-launch

Los flags --cpu y --cpu-vae dirigen la inferencia a través de tensores CPU de PyTorch en lugar de kernels CUDA. También hay disponible una imagen de Docker: ardenius/comfyui-cpu.

Qué esperar

El fork no ofrece datos de benchmark. Los reportes de la comunidad describen la generación solo con CPU como "extremely slow", con cierres ocasionales en flujos de trabajo complejos. Para SD 1.5 con LCM LoRA (67,5M parámetros, ~135 MB en fp16), espera minutos por imagen. La generación de vídeo y los modelos grandes son impracticables.

Cuándo tiene sentido solo CPU

• Aprender el sistema de nodos de ComfyUI
• Probar la lógica del flujo de trabajo antes del despliegue en GPU
• Flujos ligeros de SD 1.5 donde el tiempo de entrega no importa

No funciona para generación de vídeo, modelos grandes ni cualquier flujo de trabajo que requiera iteración en tiempo real.

Tecnologías clave que afectan a tu benchmark

SageAttention

SageAttention (GitHub) fusiona las proyecciones de query, key y value en un único kernel CUDA, reduciendo las lecturas y escrituras de memoria en GPUs Hopper (SM90) y Blackwell (SM100). El benchmark de Civitai se ejecutó con "CUDA 12.8 and SageAttention enabled" (source) — CUDA 12.8 es la versión mínima que soporta Blackwell. Si haces benchmark en RTX 5090 (Blackwell), necesitas CUDA 12.8+ y SageAttention para igualar las condiciones de la fuente.

LCM LoRA reduce los pasos

La Latent Consistency Model LoRA es un adaptador destilado para SD 1.5. La tarjeta del modelo afirma que "allows to reduce the number of inference steps to only between 2 - 8 steps" frente a los típicos 20–50. Con 67,5M de parámetros y ~135 MB (model card), cabe en cualquier presupuesto de VRAM. En ComfyUI, cambia el programador sgm-uniform por el programador LCM para activarlo.

Blockswap amplía la VRAM

Para modelos grandes que superan la VRAM de la GPU, blockswap mantiene el bloque experto activo en la memoria de la GPU mientras transmite el siguiente bloque desde la RAM del sistema. La fuente probó solo GPUs que podían cargar el modelo completo sin blockswap: "With blockswap, you can use slower GPU's" (source). Si tu GPU no puede albergar todo el modelo, necesitarás blockswap — pero añade latencia.

Interpolación GIMM-VFI

GIMM genera fotogramas intermedios entre fotogramas clave. El benchmark de Civitai usó "32fps GIMM interpolation" como postprocesado (source): el modelo de vídeo genera a una tasa de fotogramas nativa más baja y GIMM sintetiza los fotogramas que faltan para alcanzar una salida de 32 fps.

Errores comunes y soluciones

Symptom | Cause | Fix

|---------|-------|-----

Budget based on $0.89/hr for RTX 5090 | Source used Nov 2025 pricing (source) | Check RunPod pricing before budgeting L40S budget using $0.86/hr | L40S not on current RunPod pricing | Verify GPU availability on live pricing page "SD 1.5 LCM model 2.1 GB" confusion | 2.1 GB likely refers to full SD 1.5 checkpoint, not the ~135 MB LoRA | The LCM LoRA weights are ~135 MB Benchmarking at wrong resolution | VRAM allocation patterns differ by resolution | Test exactly your production resolution

FAQ

How do I measure iterations per second in ComfyUI?

Fix the seed, resolution, and step count. Time from first denoise step to final decode. Run each config at least 3× and average. Exclude model loading time. See the measurement table above for the full parameter list.

What is the cheapest GPU for ComfyUI on RunPod?

Check RunPod's pricing page for current rates — multiple tiers are listed there, with the L4 typically the lowest per-hour cost.

Can I run ComfyUI without any GPU?

Yes. ComfyUI-cpu removes CUDA dependencies and runs on CPU via PyTorch CPU tensors. Launch with --cpu --cpu-vae. Expect minutes per image. Works for SD 1.5 with LCM LoRA; not practical for video or large models.

How does SageAttention speed up ComfyUI?

Fuses attention computation into one CUDA kernel (GitHub), reducing memory reads/writes. Targets Hopper and Blackwell; requires CUDA 12.8+ for Blackwell.

What is blockswap and when do I need it?

Offloads model layers between GPU VRAM and system RAM during inference. Needed when a model exceeds your GPU's VRAM. Adds latency but enables otherwise impossible workloads.

How many steps does LCM LoRA need?

Model card states 2–8 steps. Most workflows use 4 as the sweet spot. Fewer steps = faster but visible quality loss; more steps = approach standard diffusion quality but lose speed advantage.

Should I rent H100 SXM or RTX 5090 for video?

H100 SXM: $2.69/hr, ~56 videos/hr (source). RTX 5090: $0.99/hr, ~39 videos/hr (source). H100 is ~43% faster but ~2.7× costlier per hour. Choose RTX 5090 for cost efficiency, H100 when time is the binding constraint.

Sources

Source | Contribution | URL

|--------|--------------|-----

RunPod Pricing Page | Current GPU rental prices (RTX 5090 $0.99/hr, H100 SXM $2.69/hr) | https://www.runpod.io/pricing ArdeniusAI/ComfyUI-cpu | CPU-only fork docs, install instructions, launch flags (--cpu --cpu-vae) | https://github.com/ArdeniusAI/ComfyUI-cpu LCM LoRA SDv1.5 Model Card | Parameter count (67.5M), step reduction (2–8), fp16 file size (~135 MB) | https://huggingface.co/latent-consistency/lcm-lora-sdv1-5 SD 1.5 Base Model | Base model identifier for LCM LoRA adapter | https://huggingface.co/runwayml/stable-diffusion-v1-5 ComfyUI Official README | CPU mode flags, LCM support, system requirements | https://github.com/comfyanonymous/ComfyUI

Leer más: Optimización de flujos de trabajo de ComfyUI Comparar opciones de GPU para cargas de trabajo de IA Configurar despliegues de ComfyUI en producción