【效率神器】ComfyUI-CacheDiT：一键为 Wan2.2、LTX-2 等 DiT 模型提速 2 倍

在 AI 绘画和视频生成领域，DiT（Diffusion Transformer）架构的模型正变得越来越流行（如 Wan2.2, LTX-2, Qwen-Image 等），但其高昂的计算成本往往意味着更长的等待时间。

今天要介绍的开源项目 ComfyUI-CacheDiT，通过智能缓存技术，在几乎不损失画质的前提下，实现了 1.4倍至 2.0倍 的推理加速。最重要的是，它使用极其简单，无需复杂的配置。

项目地址：GitHub - Jasonzzt/ComfyUI-CacheDiT

🚀 核心功能与亮点

1. 显著的加速效果：根据模型不同，生成速度提升 1.4x - 1.6x，部分视频模型甚至可达 2.0x。
2. 智能缓存策略：采用两层加速方法（主要使用 DBCache 算法，备选方案为轻量级直接前向钩子），自动适应不同架构。
3. 零配置/低门槛：绝大多数情况下自动检测模型参数，无需手动调整阈值或预热步数。
4. 显存优化：通过仅分离缓存（detach 而非 clone），节省 50% 的缓存张量内存，有效防止长序列生成时的 VAE 内存溢出（OOM）。
5. 广泛的模型支持：特别针对最新的 Wan2.2 (万象) 和 LTX-2 视频模型进行了专项优化。

📊 加速效果实测

开发者对多款主流 DiT 模型进行了验证，数据如下：

🛠️ 快速安装指南

1. 进入你的 ComfyUI 插件目录：cd ComfyUI/custom_nodes/
2. 克隆仓库：git clone https://github.com/Jasonzzt/ComfyUI-CacheDiT.git
3. 安装依赖：pip install -r requirements.txt

⚡ 如何使用（3种模式）

该插件设计非常直观，只需将优化器节点“串联”在模型加载与采样器之间即可。针对不同模型，有专门的节点以确保最佳效果：

1. 通用图像模型（Qwen-Image, Z-Image 等）

使用标准加速节点：

[Load Checkpoint] → [⚡ CacheDiT Accelerator] → [KSampler]

2. LTX-2 视频模型

为了保证视频的时间一致性，请务必使用 LTX 专用节点：

[Load Checkpoint] → [⚡ LTX2 Cache Optimizer] → [Stage 1 KSampler]

3. Wan2.2 14B (万象) 模型

由于 Wan2.2 采用混合专家（MoE）架构，包含高噪和低噪模型，每个专家模型都需要独立的优化器节点：

[High-Noise Model] → [⚡ Wan Cache Optimizer] → [KSampler]
[Low-Noise Model] → [⚡ Wan Cache Optimizer] → [KSampler]

🧠 工作原理简析

ComfyUI-CacheDiT 的核心逻辑在于**“跳过重复计算”**。

在生成过程中，相邻步骤之间的特征残差往往非常相似。插件通过设定一个**“预热阶段（Warmup）”（例如前3-6步不缓存，建立基准）和“跳过间隔（Skip Interval）”**，在特定步骤直接复用上一多步的缓存结果，而不是重新计算。

逻辑伪代码：

# 预热阶段结束后
if (当前步数 - 预热步数) % 跳过间隔 == 0:
    计算新结果并更新缓存
else:
    直接复用缓存结果（跳过计算）

❓ 常见问题 (FAQ)

Q: 会影响画质吗？
A: 在默认配置下，影响微乎其微。插件通过预热阶段建立稳定的基线，并采用保守的跳过间隔来防止伪影产生。

Q: 性能仪表盘显示缓存命中率为 0%？
A: 可能原因：

1. 生成总步数太少（小于10步），导致还没过“预热期”就结束了。
2. 模型未正确识别，尝试手动选择预设。

Q: 为什么针对 LTX-2 和 Wan2.2 要用专用节点？
A:

• LTX-2 包含双潜在路径（视频+音频），专用节点能更好地处理时间一致性。
• Wan2.2 是 MoE 架构，专用节点支持高噪/低噪分离处理，且不仅是标准 CacheDiT 的简单套用。

总结：如果你正在使用 ComfyUI 跑 Wan2.2 或 LTX-2 等高显存消耗的 DiT 模型，ComfyUI-CacheDiT 是一个必备的“免费午餐”式插件——安装简单，提速明显，且不牺牲画质。

主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网