ComfyUI: medir velocidade, comparar GPUs, rodar na CPU

Meça iterações por segundo no ComfyUI, compare custos de GPU no RunPod e rode na CPU quando não tiver GPU.

Updated 2026-07-28 4 sources cited ComfyUI

On this page

TL;DR
Como Medir Iterações por Segundo no ComfyUI Honestamente
Compare Custos de GPU Alugada Antes de se Comprometer
Rode ComfyUI na CPU Quando Não Tiver GPU
Tecnologias-Chave Que Afetam Seu Benchmark
Common Errors and Fixes
Perguntas frequentes (FAQ)

Um autor da Civitai testou nove GPUs no RunPod usando um único workflow, uma seed fixa, três resoluções e três contagens de passos. Os tempos por vídeo pareciam limpos — mas os dados de preço já estavam desatualizados quando o artigo foi publicado (source). Se você está orçando um projeto com esses números, já está errado.

Configuração do ComfyUI: Medir Velocidade, Comparar GPUs, Rodar na CPU

TL;DR

Melhor custo-benefício: RTX 5090 a $0,99/hr (preços RunPod) — ~39 vídeos/hr (source)
Melhor vazão: H100 SXM a $2,69/hr (preços RunPod) — ~56 vídeos/hr (source)
Sem GPU: ComfyUI-cpu roda SD 1.5 em máquinas apenas CPU via tensores PyTorch CPU — minutos por imagem, custo zero de GPU
Preços mudam: Sempre confira a página de preços do RunPod antes de orçar

Como Medir Iterações por Segundo no ComfyUI Honestamente

O benchmark da Civitai (source) controlou as variáveis que importam. Aqui estão as condições de teste e o que você precisa replicar:

Parâmetro | Valor do Teste Fonte | Por Que Importa | Como Corrigir

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

Se você muda qualquer variável entre placas, não está comparando GPUs — está comparando configurações.

Compare Custos de GPU Alugada Antes de se Comprometer

A página de preços do RunPod (runpod.io/pricing) lista estas taxas on-demand. Os números de vazão abaixo vêm da fonte da Civitai (source):

GPU | Preço/hr | VRAM | Vazão (fonte) | Custo/vídeo (fonte)

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

RTX 5090 | $0,99 | 32 GB | ~39 vídeos/hr | ~$0,025 H100 SXM | $2,69 | 80 GB | ~56 vídeos/hr | ~$0,048

O H100 SXM entrega ~43% mais vazão mas custa ~2,7× mais por hora (source). Sua decisão depende se tempo ou dinheiro é a restrição limitante.

Correção crítica: A fonte de novembro de 2025 citava RTX 5090 a $0,89/hr (source). O preço atual do RunPod é $0,99/hr (runpod.io/pricing). Nunca orce a partir da coluna de preço de um benchmark; sempre cheque a página de preços ao vivo.

Desempenho a 1280×720, 4 passos

A fonte também reportou tempos de geração por GPU nesta resolução (source):

GPU | Segundos/vídeo

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

H100 SXM | ~172 RTX PRO 6000 | ~243

Rode ComfyUI na CPU Quando Não Tiver GPU

ComfyUI-cpu é um fork que remove todas as dependências CUDA/GPU. Seu README diz ser "uma versão enxuta do ComfyUI que usa apenas a cpu" para "servidor web apenas cpu, laptop sem gpu, PCs antigos, GPUs integradas fracas."

Instalação (do README do 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

As flags --cpu e --cpu-vae roteiam a inferência através de tensores CPU PyTorch em vez de kernels CUDA. Uma imagem Docker também está disponível: ardenius/comfyui-cpu.

O Que Esperar

O fork não fornece dados de benchmark. Relatos da comunidade descrevem geração apenas CPU como "extremamente lenta" com crashes ocasionais em workflows complexos. Para SD 1.5 com LCM LoRA (67,5M parâmetros, ~135 MB em fp16), espere minutos por imagem. Geração de vídeo e modelos grandes são impraticáveis.

Quando CPU-Only Faz Sentido

Aprender o sistema de nós do ComfyUI
Testar lógica de workflow antes do deploy em GPU
Pipelines leves SD 1.5 onde tempo de resposta não importa

Não funciona para geração de vídeo, modelos grandes, ou qualquer workflow que exija iteração em tempo real.

Tecnologias-Chave Que Afetam Seu Benchmark

SageAttention

SageAttention (GitHub) funde projeções de query, key e value num único kernel CUDA, reduzindo leituras/escritas de memória em GPUs Hopper (SM90) e Blackwell (SM100). O benchmark da Civitai rodou "CUDA 12.8 e SageAttention habilitado" (source) — CUDA 12.8 é a versão mínima suportando Blackwell. Se você está benchmarkando em RTX 5090 (Blackwell), precisa de CUDA 12.8+ e SageAttention para igualar as condições da fonte.

LCM LoRA Reduz Passos

O Latent Consistency Model LoRA é um adaptador destilado para SD 1.5. O model card diz que "permite reduzir o número de passos de inferência para apenas entre 2 - 8 passos" versus os típicos 20–50. Com 67,5M parâmetros e ~135 MB (model card), cabe em qualquer orçamento de VRAM. No ComfyUI, troque o scheduler sgm-uniform pelo scheduler LCM para habilitar isso.

Blockswap Estende VRAM

Para modelos grandes que excedem a VRAM da GPU, blockswap mantém o bloco de expert ativo na memória da GPU enquanto faz streaming do próximo bloco da RAM do sistema. A fonte testou apenas GPUs que podiam carregar o modelo completo sem blockswap: "Com blockswap, você pode usar GPUs mais lentas" (source). Se sua GPU não cabe o modelo inteiro, precisará de blockswap — mas ele adiciona latência.

Interpolação GIMM-VFI

GIMM gera frames intermediários entre keyframes. O benchmark da Civitai usou "interpolação GIMM 32fps" como pós-processamento (source): o modelo de vídeo gera numa taxa de frames nativa mais baixa, GIMM sintetiza os frames faltantes para chegar a 32fps de output.

Common Errors and Fixes

Symptom | Cause | Fix

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

Orçamento baseado em $0,89/hr para RTX 5090 | Fonte usava preços de nov 2025 (source) | Confira preços RunPod antes de orçar Orçamento L40S usando $0,86/hr | L40S não está nos preços atuais do RunPod | Verifique disponibilidade de GPU na página de preços ao vivo Confusão "modelo SD 1.5 LCM 2,1 GB" | 2,1 GB provavelmente se refere ao checkpoint completo SD 1.5, não ao LoRA ~135 MB | Os pesos LCM LoRA são ~135 MB Benchmark na resolução errada | Padrões de alocação VRAM diferem por resolução | Teste exatamente sua resolução de produção

Perguntas frequentes (FAQ)

Como medir iterações por segundo no ComfyUI?

Fixe a seed, resolução e contagem de passos. Meça do primeiro passo de denoise ao decode final. Rode cada config pelo menos 3× e faça a média. Exclua tempo de carregamento do modelo. Veja a tabela de medição acima para a lista completa de parâmetros.

Qual a GPU mais barata para ComfyUI no RunPod?

Confira a página de preços do RunPod para taxas atuais — vários tiers estão listados, com a L4 tipicamente o menor custo por hora.

Posso rodar ComfyUI sem nenhuma GPU?

Sim. ComfyUI-cpu remove dependências CUDA e roda na CPU via tensores CPU PyTorch. Inicie com --cpu --cpu-vae. Espere minutos por imagem. Funciona para SD 1.5 com LCM LoRA; não é prático para vídeo ou modelos grandes.

Como SageAttention acelera o ComfyUI?

Funde computação de atenção num único kernel CUDA (GitHub), reduzindo leituras/escritas de memória. Alvos Hopper e Blackwell; requer CUDA 12.8+ para Blackwell.

O que é blockswap e quando preciso?

Descarrega camadas do modelo entre VRAM da GPU e RAM do sistema durante inferência. Necessário quando um modelo excede a VRAM da sua GPU. Adiciona latência mas permite workloads impossíveis de outra forma.

Quantos passos o LCM LoRA precisa?

Model card diz 2–8 passos. A maioria dos workflows usa 4 como ponto ideal. Menos passos = mais rápido mas perda visível de qualidade; mais passos = aproxima qualidade de difusão padrão mas perde vantagem de velocidade.

Devo alugar H100 SXM ou RTX 5090 para vídeo?

H100 SXM: $2,69/hr, ~56 vídeos/hr (source). RTX 5090: $0,99/hr, ~39 vídeos/hr (source). H100 é ~43% mais rápido mas ~2,7× mais caro por hora. Escolha RTX 5090 para eficiência de custo, H100 quando tempo é a restrição limitante.