ComfyUI-RadialAttn：将高效 Radial Attention 集成至原生工作流

Radial Attention 在长视频生成中展现出显著的效率优势（最高 3.7 倍推理加速，支持 4 倍长度扩展），开发者社区迅速跟进。

ComfyUI-RadialAttn 正是这样一个项目——它将 Radial Attention 机制无缝集成到 ComfyUI 原生工作流中，使用户无需依赖特定封装器，即可在标准节点环境中启用这一高效注意力结构。

🔗 项目地址：https://github.com/woct0rdho/ComfyUI-RadialAttn

适用场景与支持模型

该插件专为使用 Wan 2.1 和 Wan 2.2 14B 模型的用户设计，支持：

• ✅ 文本到视频（T2V）
• ✅ 图像到视频（I2V）

适用于希望在 原生 ComfyUI 工作流中启用 Radial Attention 的用户。

⚠️ 注意：如果你使用的是 kijai 的 ComfyUI-WanVideoWrapper，建议直接使用其内置的 WanVideoSetRadialAttention 节点，无需额外安装此插件（但仍需安装相关依赖）。

安装步骤（Windows 用户）

以下为 Windows 平台完整安装流程，Linux 用户可跳过 wheel 安装部分，自行编译或适配。

1. 安装依赖包

请依次安装以下 Python 包：

# 安装 Triton（Windows）
pip install triton-windows

# 安装注意力相关组件
pip install SageAttention
pip install SpargeAttention

# 安装 FlashInfer（仅支持 PyTorch 2.6）
pip install flashinfer-windows

⚠️ 若你使用其他 PyTorch 版本（如 2.4/2.5），可跳过完整依赖安装，仅运行：

pip install --no-deps .\flashinfer_python-0.2.8-cp39-abi3-win_amd64.whl

2. 安装通用依赖

pip install cuda-python einops ninja numpy pynvml requests

3. 安装插件

将项目克隆至 ComfyUI 的自定义节点目录：

git clone https://github.com/first-intelligence/ComfyUI-RadialAttn.git
# 移动到 custom_nodes 目录
mv ComfyUI-RadialAttn /path/to/ComfyUI/custom_nodes/

重启 ComfyUI，即可在节点列表中看到 PatchRadialAttn 节点。

使用方法

使用方式极为简单：

1. 在工作流中加载 Wan 2.1/2.2 14B 模型
2. 将模型输出连接至 PatchRadialAttn 节点
3. 后续接常规采样器、提示词、VAE 等节点即可

📌 项目提供了一个示例工作流，涵盖：

• Wan 2.2 14B I2V
• GGUF 编码器
• LightX2V LoRA 加速
• Radial Attention + torch.compile 优化

适合直接参考或迁移使用。

性能优化建议

根据实测反馈，以下设置有助于在保持效率的同时提升生成质量：

• ✅ 跳过第一层和第一个时间步的稀疏化
  在 PatchRadialAttn 节点中设置：
  • dense_block = 1（前1个 block 使用稠密注意力）
  • dense_timestep = 1（第一个 timestep 不稀疏）

  这有助于保留初始结构信息，避免早期去噪阶段失真。

关键限制：视频令牌数量必须被 128 整除

Radial Attention 对输入尺寸有特定要求：

视频令牌总数必须能被 128 整除

例如：

• 768×448 分辨率，69 帧视频：

❗ 常见误解：认为“宽高必须被128整除”——这是错误的。真正需要整除的是最终的 token 数量，而非原始分辨率。

建议在构建工作流前，先通过公式验证输入参数是否合规。

为什么选择这个插件？