ComfyUI-CacheDiT：ComfyUI一键DiT模型加速插件，无需配置提速1.4-2.0倍

ComfyUI-CacheDiT是一款专为ComfyUI打造的DiT模型加速插件，核心亮点是无需手动配置、一键启用，通过智能缓存技术能为Z-Image、Qwen-Image、LTX-2等DiT模型带来1.4-2.0倍的推理加速，且对生成图像/视频质量的影响微乎其微，完美解决ComfyUI中DiT模型推理速度慢的痛点，上手门槛极低，新手也能快速解锁高效生成体验。

• GitHub：https://github.com/Jasonzzt/ComfyUI-CacheDiT

该插件灵感来源于英特尔XPU上的高性能GenAI解决方案llm-scaler，已对多款主流图像/视频DiT模型完成测试验证，不同模型的加速比清晰可查，无需担心兼容性问题。

Cache-DiT：PyTorch原生DiT推理引擎，一行代码提速，支持70+扩散模型

核心亮点：无需配置、高效提速、兼容性强

1. 显著提速，无需配置：一键启用智能缓存，无需调整复杂参数，即可实现1.4-2.0倍加速，不同模型提速效果可量化，落地即用；
2. 多模型验证，兼容性佳：已测试验证Z-Image、Qwen-Image、LTX-2、WAN2.2 14B等多款图像/视频DiT模型，均能稳定运行并实现预期加速；
3. 智能回退，稳定可靠：采用两级加速方案（主方案：cache-dit库DBCache算法；回退方案：轻量级前向钩子缓存），遇到非标准模型架构会自动激活回退方案，避免加速失效；
4. 质量影响微乎其微：默认配置下，缓存加速仅优化推理速度，对图像/视频的细节、风格、时间一致性（视频）影响极小，兼顾效率与质量；
5. 内置性能监控：支持显示性能仪表板，可直观查看缓存命中率等关键指标，方便排查加速问题。

已验证模型：提速比清晰，覆盖图像/视频场景

以下是官方已测试验证的模型列表，包含提速比、预热步数等关键信息，可作为使用参考：

备注：LTX-2和WAN2.2 14B为视频模型，需使用专用优化器节点（Node），才能保证最佳效果和时间一致性。

安装步骤：一步完成，依赖简单

该插件安装流程简洁，仅需满足Python前置依赖，再克隆仓库到ComfyUI自定义节点目录即可，无需安装任何外部运行环境，具体步骤如下：

步骤1：满足前置Python依赖

安装插件所需的Python依赖包：

pip install -r requirements.txt

备注：requirements.txt位于插件仓库根目录，克隆仓库后可直接读取，也可提前查看仓库说明获取具体依赖清单。

步骤2：克隆仓库到ComfyUI自定义节点目录

# 进入ComfyUI的自定义节点目录
cd ComfyUI/custom_nodes/

# 克隆插件仓库
git clone https://github.com/Jasonzzt/ComfyUI-CacheDiT.git

步骤3：完成安装

克隆完成后，重启ComfyUI，即可在节点列表中找到⚡ CacheDiT Accelerator及专用视频模型优化器节点（Node），安装完成。

快速开始：三步上手，分场景使用

插件使用极致简单，无需复杂调参，仅需根据模型类型（图像/视频），连接对应的**ComfyUI节点（Node）**即可实现加速，具体操作如下：

场景1：图像模型（Z-Image、Qwen-Image等）

核心节点连接流程：[加载检查点节点] → [⚡ CacheDiT 加速器节点] → [KSampler节点]

1. 在ComfyUI中拖拽Load Checkpoint节点（加载模型检查点），选择目标图像DiT模型（如Z-Image、Qwen-Image-2512）；
2. 拖拽⚡ CacheDiT Accelerator节点，将Load Checkpoint节点的MODEL输出端连接到该节点的model输入端；
3. 拖拽KSampler节点（采样器），将⚡ CacheDiT Accelerator节点的MODEL输出端连接到KSampler的model输入端；
4. 正常配置其他节点（如提示词、图像尺寸、采样器参数等），点击运行，即可享受缓存加速，无需额外调整插件节点参数。

场景2：视频模型 - LTX-2（T2V/I2V）

核心节点连接流程：[加载检查点节点] → [⚡ LTX2 缓存优化器节点] → [阶段 1 KSampler节点]

1. 拖拽Load Checkpoint节点，加载LTX-2模型检查点；
2. 拖拽专用节点⚡ LTX2 缓存优化器，完成模型节点的串联；
3. 连接对应的视频采样节点（阶段1 KSampler），配置其他视频生成参数（如视频长度、帧率），点击运行即可。
   

   备注：LTX-2采用双潜在路径（视频+音频），专用优化器节点可保证视频时间一致性，避免画面抖动、失真。

场景3：视频模型 - WAN2.2 14B（高噪+低噪MoE架构）

核心节点连接流程（双模型分别连接专用节点）：

[高噪模型 Load Checkpoint节点] → [⚡ Wan 缓存优化器节点] → [KSampler节点]
[低噪模型 Load Checkpoint节点] → [⚡ Wan 缓存优化器节点] → [KSampler节点]

1. 分别拖拽两个Load Checkpoint节点，加载WAN2.2 14B的高噪模型和低噪模型检查点；
2. 为两个模型各拖拽一个⚡ Wan 缓存优化器节点，完成对应模型的串联；
3. 分别连接到对应的KSampler节点，配置视频生成参数，点击运行；
   

   备注：WAN2.2 14B为MoE架构，两个专家模型拥有独立缓存，需分别使用专用优化器节点，才能实现最佳加速效果。

节点参数说明：默认即可，无需调整

插件节点参数简洁，所有技术参数（阈值、fn_blocks、预热步数等）均会根据模型类型自动配置，默认值即可满足绝大多数场景需求，具体参数说明如下：

工作原理：智能两级加速，缓存逻辑清晰

ComfyUI-CacheDiT的核心是智能缓存系统，采用两级加速方案保证稳定性，同时通过简单的缓存逻辑实现推理提速，具体原理如下：

1. 两级加速方案

• 主方案：基于cache-dit库的DBCache算法，为标准DiT模型架构提供高效缓存加速，是核心提速手段；
• 回退方案：轻量级缓存（直接前向钩子替换），当遇到ComfyUI中非标准DiT模型架构（cache-dit的BlockAdapter无法追踪）时，自动激活该方案，保证加速功能不失效。

2. 核心缓存逻辑

缓存加速的关键是预热后复用缓存结果，避免重复计算，核心逻辑如下：

# 先经过预热阶段（步数由模型类型自动配置，如Z-Image-Turbo为3步）
if (current_step - warmup) % skip_interval == 0:
    # 满足跳过间隔条件，计算新结果并保存到缓存
    result = transformer.forward(...)
    cache = result.detach()  # 分离张量，保存到缓存中，避免梯度计算影响
else:
    # 不满足条件，直接复用缓存结果，无需重复计算
    result = cache

备注：warmup（预热步数）和skip_interval（跳过间隔）均由插件根据模型类型自动配置，无需手动调整，预热阶段用于初始化缓存，跳过间隔用于平衡提速效果和生成质量。

常见问题解答：解决使用中的核心疑问

1. 关于LTX-2/WAN2.2 14B的专用节点注意事项

LTX-2采用双潜在路径（视频+音频），WAN2.2 14B是高噪+低噪MoE架构，使用标准⚡ CacheDiT Accelerator节点无法保证最佳效果（可能出现视频时间一致性差、提速不达标），必须使用对应的专用节点：⚡ LTX2 缓存优化器、⚡ Wan 缓存优化器。

2. 支持蒸馏低步数模型吗？

目前仅Z-Image-Turbo（9步） 经过官方测试验证，可稳定提速1.5x。其他低步数蒸馏模型（< 6步）暂未验证，且极低步数场景下，预热开销会显著抵消加速收益，牺牲质量换取微小提速通常不值得。

3. 性能仪表板显示缓存命中率为0%？

出现该问题通常有三个原因：

• 模型未被正确检测：尝试在model_type参数中手动选择对应模型预设，而非使用Auto；
• 推理步数过短（< 10步）：预热阶段占据了大部分步数，缓存尚未进入复用阶段，可适当增加推理步数；
• 已启用轻量级缓存：查看ComfyUI日志，若有"轻量级缓存已启用"的消息，说明模型为非标准架构，轻量级缓存的命中率可能不显示或为0%，但仍在正常提速。

4. 加速会影响图像/视频质量吗？

在默认配置（自动匹配模型参数）下，对生成质量的影响微乎其微，肉眼几乎难以分辨。只有在手动修改核心技术参数（如预热步数、跳过间隔）时，才可能出现质量下降，建议保持默认配置。