SeedVR2-1.4B

SeedVR2-1.4B 是SeedVR2-7B 教师模型的 6 层蒸馏版本。作为一个仅含 14.4 亿参数、6 个 Transformer 块的单步扩散模型，它专为解决 7B 模型在消费级硬件上“过大、过慢、不可用”的痛点而生。通过极致的架构精简与工程优化，SeedVR2-1.4B 在保持出色 2x–4x 放大效果的同时，将内存需求降至约 4.6 GB，并显著提升了推理速度，使得在笔记本电脑、集成显卡甚至高端手机上运行高质量图像放大成为可能。

核心优势：小身材，大能量

注：速度数据基于 Apple M2 Ultra (MLX) 测量。在 8x 放大时，教师模型因内存溢出而极度缓慢，而 1.4B 模型仍能高效运行。

适用场景与人群

• 资源受限用户：拥有 16GB 或更少内存的笔记本、集成显卡用户。
• 批量处理需求：需要快速处理大量图像的创作者或开发者。
• 移动端开发者：希望将高质量图像放大功能集成到 iOS/Android 应用中的工程师。
• 实时性要求高：对延迟敏感，无法等待数分钟生成单张图片的场景。

移动端部署可行性分析

SeedVR2-1.4B 的出现，让移动端部署从“不可能”变为“工程问题”。通过以下三项常规工程手段，可将峰值内存压至 ~1.5 GB：

1. 分段流水线 (Sequential Pipeline)：严格顺序执行“文本编码器 → 扩散模型 → 放大器”，每阶段完成后立即卸载，确保内存中只驻留最大单个阶段。由于放大阶段无需提示词，完全独立于文本编码器，非常适合此模式。
2. 权重量化 (Quantization)：
   • fp16: ~3.2 GB (仍偏高)
   • int8: ~1.9 GB
   • int4: ~1.2 GB (Transformer + VAE)
3. 分块处理 (Tiling)：将输入图像分块处理，解耦激活内存与输出尺寸，使峰值内存成本与小幅放大大致相同。

ComfyUI 集成指南（即插即用）

由于 SeedVR2-1.4B 只有 6 个块，而原生 ComfyUI 仅识别 31 块 (3B) 和 35 块 (7B) 架构，因此需要安装一个小型支持文件夹来修复加载逻辑并优化性能。

1. 下载文件

• 模型：comfyui/seedvr2_distill_6L_1.4B_sharp_fp16_comfyui.safetensors (2.69 GB)
  • 注意：必须使用 comfyui/ 目录下的变体，因为它包含 ComfyUI 所需的条件张量。
• VAE：ema_vae_fp16.safetensors (0.47 GB)

2. 放置文件

• 模型放入：ComfyUI/models/diffusion_models/
• VAE 放入：ComfyUI/models/vae/ 并重命名为 seedvr2_ema_vae_fp16.safetensors

3. 安装支持节点

• 将仓库中的 comfyui/ComfyUI-SeedVR2-1.4B/ 文件夹完整复制到 ComfyUI/custom_nodes/。
• 重启 ComfyUI。日志中应出现 SeedVR2-1.4B: 6-block detection + single-frame VAE fast path。

4. 加载工作流

• 将 comfyui/seedvr2_1.4b_upscale_image.json 拖入画布。
• 确认节点中的文件名匹配。
• 设置放大倍数（推荐 4x），点击运行。

支持文件夹的四大补丁

该支持文件夹不仅解决了加载问题，还带来了显著的性能提升：

1. 架构检测：教导 ComfyUI 识别 6 块 SeedVR2 架构。
2. 单帧 VAE 快速路径：针对静态图像，将因果 3D 卷积折叠为 2D 卷积，消除冗余计算，解码速度提升 3–4.6 倍。
3. 分块间释放缓存：解决 PyTorch MPS 分配器内存泄漏问题，防止大分辨率解码崩溃。
4. 智能卸载：在 VAE 解码前自动卸载已完成的 Transformer 模型，节省宝贵内存。