Картинки и видео: ComfyUI на арендованной видеокарте

Чем картинки отличаются от текста

С языковыми моделями всё сводится к одной модели и одному движку. С картинками и видео иначе: результат получается цепочкой из нескольких моделей. Текстовый энкодер превращает промпт в векторы, диффузионная модель рисует, VAE переводит результат в пиксели, а рядом могут работать LoRA-адаптеры со стилем или персонажем, контрольные сети, которые задают позу или композицию, апскейлер, удаление фона.

Поэтому вместо движка вроде vLLM здесь используют конструктор пайплайнов. Самый распространённый ComfyUI: пайплайн собирается из узлов в браузере, а потом тот же пайплайн можно вызывать по API. Под ComfyUI есть тысячи готовых узлов и пайплайнов, и почти каждая новая модель получает поддержку в нём в первые дни после выхода.

Ещё одно отличие: картинки и видео не выигрывают от батчинга так сильно, как текст. Одна генерация обычно загружает видеокарту целиком на несколько секунд или минут. Поэтому считать здесь удобнее не токены, а секунды на одну генерацию.

Какие модели брать сейчас

Цифры памяти ориентировочные, на начало ноября 2026 года. Они сильно зависят от разрешения, длины видео и формата весов.

Картинки

Для собственного продукта с коммерческим использованием проще всего начать с Qwen-Image или Z-Image Turbo: обе под Apache 2.0, хорошо понимают сложные промпты и текст на картинке, и для них уже много LoRA и ускоренных версий.

Видео

Видео в разы тяжелее картинок: несколько секунд ролика генерируются минутами даже на H100. Если видео в продукте нужно часто, считайте деньги особенно внимательно, об этом в следующей части.

Модели для генерации меняются ещё быстрее языковых. Новые версии и ускоренные варианты попадают в ленту выше, и почти каждый такой релиз сопровождается готовым пайплайном для ComfyUI.

Какая видеокарта

Для генерации важнее, чем для текста, вычислительная мощность, поэтому RTX 5090 и RTX PRO 6000 на Blackwell здесь особенно хороши по цене. Если пайплайн не влезает в память, ComfyUI умеет выгружать части в оперативную память: текстовый энкодер, например, спокойно работает на процессоре. Это медленнее, но позволяет обойтись видеокартой поменьше.

Поднимаем ComfyUI

На RunPod и Vast.ai есть готовые шаблоны с ComfyUI. Порядок такой же, как с vLLM в пятой части:

1. Сетевой том на 100 – 300 ГБ. Модели для картинок и особенно для видео весят много, а LoRA и узлы накапливаются. ComfyUI и всё скачанное должно жить на томе.
2. Под из шаблона ComfyUI с подключённым томом. Порт веб-интерфейса обычно 8188.
3. Модели раскладываются по папкам внутри ComfyUI/models: диффузионные модели, текстовые энкодеры, VAE, LoRA. Готовые пайплайны для новых моделей в шаблонах ComfyUI сами подсказывают, какие файлы скачать.
4. Собираем пайплайн в браузере и проверяем, что он даёт нужный результат.

Пайплайн как API

Собранный пайплайн можно экспортировать в формате API: это JSON, где каждый узел и его параметры описаны явно. Дальше продукт работает с ComfyUI так:

Ваш сервис берёт экспортированный JSON, подставляет в нужные узлы промпт, сид, размер, отправляет его в /prompt и получает идентификатор задачи. Прогресс можно слушать по веб-сокету или периодически спрашивать /history. Когда генерация закончена, файл забирается через /view и складывается в ваше хранилище.

Несколько практических советов:

• Храните JSON пайплайна в репозитории рядом с кодом. Это и есть ваша «модель»: изменение пайплайна должно проходить как изменение кода.
• Фиксируйте версии ComfyUI и сторонних узлов. Обновление узла может незаметно поменять результат или сломать пайплайн.
• Очередь у ComfyUI своя, но простая. Если генераций много, держите свою очередь задач в сервисе, как в ядре цикла про автоматизации, и отправляйте в ComfyUI по одной-две задачи на видеокарту.
• Для неравномерной нагрузки есть serverless. У RunPod есть готовый serverless-воркер для ComfyUI: вы отправляете JSON пайплайна, площадка поднимает воркер, генерирует и возвращает результат. Холодный старт здесь дольше, чем у текста, потому что моделей несколько.

Сколько стоит одна генерация

Формула та же, что для токенов, только единица другая:

цена генерации = цена часа аренды / 3600 × секунд на одну генерацию

Картинка за 5 секунд на RTX 5090 по 1,2 доллара в час стоит около 0,17 цента. Тысяча таких картинок меньше двух долларов, если видеокарта не простаивает между ними. Пятисекундный ролик, который генерируется 4 минуты на H100 по 3 доллара в час, стоит около 20 центов. Ваши цифры будут другими: замерьте время генерации своего пайплайна на выбранной видеокарте и сравните с ценой API-провайдеров за то же разрешение и длину.

Что дальше

В последней части собираем всё про деньги: как посчитать реальную стоимость своей модели с учётом простоя, когда выгодно держать видеокарту включённой постоянно, когда гасить её по простою, а когда переходить на serverless.