AMD Ryzen AI Max+ 395 部署 ComfyUI 完整实战：核显跑 AI 生图

我之前在一台AMD Ryzen AI Max+ 395的准系统主机上折腾了一周，把Ubuntu Server 24.04 + ComfyUI跑通，中间踩了不少坑，也把一些关键参数摸清楚了。这台机器比较特殊，它不像普通台式机那样有独立显卡，而是把所有算力都塞进了这颗APU里，CPU、GPU、NPU三合一，统一内存寻址。很多人一听"核显跑AI"就觉得没戏，实际测下来，只要驱动和软件栈选对，它跑SDXL、Flux这类生图模型的体验完全能追上中端独显，而且大显存优势非常明显。

这篇东西适合谁看？手里有Ryzen AI Max+ 395机器（包括NUC、迷你主机、笔记本）的朋友，或者单纯想在无独立显卡的AMD平台上跑ComfyUI的折腾党。我会把从系统安装、ROCm驱动、PyTorch ROCm版本选择、ComfyUI部署到模型下载、性能调优的完整链路讲清楚，尤其是那些官网文档不写、问答社区里翻半天才找得到的坑，我都会列出来。

1. 硬件方案与选型思路

1.1 AMD Ryzen AI Max+ 395 这颗芯片到底强在哪

AMD Ryzen AI Max+ 395是Strix Halo系列的旗舰型号，它的核心亮点不是CPU部分（Zen 5架构，16核32线程），而是那颗规模庞大的RDNA 3.5核显——40个计算单元（CU），2560个流处理器。这是什么概念？接近移动端RTX 4060的流处理器规模，但关键区别在于：它没有独立显存，而是和CPU共享内存。

这意味着两件事。第一，你可以给GPU划分很大的"显存"，比如在BIOS里给核显分配64GB甚至96GB，跑SDXL、Flux这种吃显存的模型时完全不用像6GB、8GB独显那样担心爆显存。第二，数据不需要经过PCIe总线拷贝，CPU和GPU之间通过统一内存架构直接访问，省掉了来回传输的开销。实际跑图时，这个特性对长提示词、大分辨率出图特别友好。

这颗芯片还内置了XDNA 2架构的NPU，理论算力50 TOPS。不过目前ComfyUI的主流工作流还没有完全吃透NPU，PyTorch也没法直接调用NPU跑生图，所以NPU这块暂时当它不存在，主力还是靠GPU部分。但Windows上有些推理软件已经能用NPU加速了，等后面生态跟上，这颗芯片的潜力还能再挖。

1.2 为什么选 Ubuntu Server 24.04 而不是桌面版或其他发行版

标题里点名Ubuntu Server 24.04，这个选择是有讲究的。

AMD的ROCm软件栈对Ubuntu的支持最好，官方直接把Ubuntu 22.04和24.04列为支持系统，驱动仓库、预编译包都是现成的。用其他发行版不是不行，但你可能得自己编译ROCm内核模块，那酸爽，试过一次就不想试第二次了。

那为什么不用桌面版呢？两个原因。一是服务器版没有GNOME桌面这类负载，内存占用更低，把资源都留给推理任务；二是我这台机器是长期跑任务用的，远程SSH管理比接显示器方便得多。ComfyUI本身是B/S架构，网页操作为主，完全不需要服务器端有桌面环境，所以Ubuntu Server 24.04反而是最合适的选择。

选24.04还有个重要原因：内核版本是6.8，对RDNA 3.5核显的支持比20.04、22.04的旧内核好太多，新显卡直接用旧内核很容易出现固件加载失败、GPU识别不到的问题。

1.3 为什么是 ComfyUI 而不是 WebUI（A1111）或 SD.Next

如果只是想在AMD平台上"能出图"，Stable Diffusion WebUI也能用，但长期用下来我强烈推荐ComfyUI，原因有三。

第一，ComfyUI的节点式架构对显存管理更精细。你可以通过拉节点的方式精确控制高分辨率修复（Hires Fix）的放大倍率、VAE解码时机，甚至在低显存场景下手动安排模型卸载顺序。WebUI更偏"一键填参"，底层细节控制相对弱。

第二，ComfyUI对AMD/NVIDIA之外的平台适配更灵活。PyTorch官方出的ROCm版本PyTorch能用，ComfyUI直接支持ROCm后端，而WebUI的某些插件在ROCm环境下经常出兼容性问题。

第三，ComfyUI出图效率更高。官方一直在做推理引擎优化，同样的模型、同样的参数，ComfyUI通常比WebUI快20%左右，而且启动时模型加载也更轻量。

当然，ComfyUI的节点界面学习曲线比WebUI陡，新手看着满屏的连接线可能发怵。但这篇文章走的就是完整部署路线，我会把关键节点结构讲清楚，照着搭就能跑。

2. 系统安装与 ROCm 驱动部署

2.1 基础系统安装与 BIOS 设置

Ubuntu Server 24.04的安装流程本身不复杂，但有几个地方必须提前处理，不然后面全是坑。

第一件要做的是进BIOS，把核显显存（UMA Frame Buffer Size）调大。不同主板BIOS叫法不一样，有的叫UMA Frame Buffer Size，有的叫IGPU VRAM Size，默认通常是512MB或1GB，建议直接拉满。Max+ 395支持最高96GB划分，如果你内存是128GB，可以分96GB给GPU，留32GB给系统。如果内存是64GB，建议分48GB给GPU。这个参数决定了后续PyTorch能"看到"多大显存，非常关键。

第二件是开Above 4G Decoding和Resizable BAR（如果有选项的话）。这两个功能主要是让PCIe设备能访问更大的地址空间，对核显同样有影响。

第三件是关闭IOMMU（如果有的话）。ROCm在某些平台上和IOMMU有冲突，表现为运行时驱动崩溃。不过如果你BIOS里没有这个选项，那就不管它，后面讲问题排查时会再说。

系统装好后，先执行一次完整的系统更新，把内核和固件升到最新版本：

sudo apt update && sudo apt upgrade -y sudo reboot

2.2 安装 ROCm 的正确姿势

AMD现在的ROCm安装方式比前几年简单多了，官方提供了一个amdgpu-install脚本，做的是全自动依赖安装。但要注意，别直接装最新版，而是装6.3或更高版本，因为RDNA 3.5架构的完整支持在ROCm 6.3才趋于稳定。

先添加AMD官方的软件源：

wget https://repo.radeon.com/amdgpu-install/6.3/ubuntu/noble/amdgpu-install_6.3.60300-1_all.deb sudo apt install ./amdgpu-install_6.3.60300-1_all.deb

然后安装ROCm：

sudo amdgpu-install --usecase=rocm

这里说明一下，--usecase=rocm只装ROCm运行时和开发套件，不带OpenCL和HIP编译环境。如果你后面还想用一些依赖OpenCL的软件（比如某些视频处理工具），可以加--usecase=rocm,opencl。但我个人建议能少装就少装，软件包越少，依赖冲突的概率越小。

装完驱动后重启，用rocm-smi命令验证GPU是否识别：

rocm-smi

如果能列出类似gfx1151的设备信息，说明驱动层面已经OK了。如果提示找不到设备，先检查BIOS的显存设置，再检查内核里amdgpu模块有没有加载：

lsmod | grep amdgpu

2.3 与显卡驱动相关的几个坑

坑1：装完ROCm后系统直重启进不去桌面。如果你装的是带桌面的Ubuntu，amdgpu-install会把默认图形栈替换成AMD的专有栈，某些N卡残留驱动会导致冲突。解决方案是纯Server版装ROCm，一点事没有。

坑2：rocm-smi能显示GPU，但PyTorch识别不了。这种情况通常不是驱动问题，而是PyTorch的ROCm版本太老，或者缺hip-runtime包。装完ROCm后再补装一下运行时库：

sudo apt install rocm-hip-libraries hip-runtime-amd

坑3：虚拟化环境（比如PVE、ESXi）里直通GPU给虚拟机，ROCm装不上。如果是在虚拟化平台里跑，记得给虚拟机开启Hyper-V的GPU-P虚拟化或者直通整个PCIe设备，仅透传核显需要主板和Hypervisor都支持SR-IOV，这块后续单独开篇讲，本文按物理机部署为准。

3. Python 环境与 PyTorch ROCm 版本安装

3.1 版本匹配是重中之重

ComfyUI本质上是一个Python应用，核心计算全靠PyTorch。所以Python版本、PyTorch版本、ROCm版本这三者必须匹配，否则后面肯定报错。

我实测的稳定组合是：

这里有个细节：我用的ROCm是6.3，但PyTorch官方预编译包目前最高到rocm6.2，这没冲突，因为PyTorch的ROCm后端只要找到系统里的HIP/ROCm库能用就行，一般兼容。

3.2 安装 Python 虚拟环境

强烈建议用venv或conda隔离环境，别直接用系统Python，否则后面装包容易污染系统环境，出问题还不好排查。

Ubuntu Server 24.04自带Python 3.12，但ComfyUI部分依赖对3.12支持还不算特别好，建议装一个Python 3.11：

sudo apt install python3.11 python3.11-venv python3.11-dev

然后创建虚拟环境：

mkdir -p ~/comfyui-env && cd ~/comfyui-env python3.11 -m venv venv source venv/bin/activate

3.3 安装 ROCm 版 PyTorch

PyTorch官方提供了ROCm版本的预编译包，安装方式很简单：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm6.2

安装完验证一下GPU能不能被识别：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

这里有个容易误解的点：PyTorch里判断GPU用的是torch.cuda.is_available()，这个函数在ROCm后端里同样返回True，但实际上是HIP设备，不是NVIDIA CUDA设备。看到输出True就说明PyTorch已经正确调用了ROCm后端。如果输出False，大概率是HIP没装好或者LD_LIBRARY_PATH没指向ROCm的lib目录：

export LD_LIBRARY_PATH=/opt/rocm/lib:$LD_LIBRARY_PATH

建议把这行加到~/.bashrc里，不然每次开终端都要手动设置。

装完PyTorch马上测试一下矩阵运算是否真的在GPU上跑：

import torch x = torch.randn(1024, 1024, device='cuda') y = torch.matmul(x, x) print(y.sum().item())

能出结果就说明计算图正常在GPU上执行了。这一步测试非常关键，很多环境看着装好了，一跑真实模型全是NaN或者段错误，问题就出在这个环节。

4. ComfyUI 部署与模型配置

4.1 下载与安装 ComfyUI

ComfyUI的部署就是从GitHub拉代码，然后装依赖：

cd ~ git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt

装依赖时建议用--timeout参数，顺便指定国内镜像源（如果需要）：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

装完后不要急着启动，先看看目录结构。ComfyUI的模型目录分得很细：

ComfyUI/ ├── models/ │ ├── checkpoints/ # 主模型（SD1.5、SDXL、Flux等） │ ├── loras/ # Lora模型 │ ├── vae/ # VAE模型 │ ├── controlnet/ # ControlNet模型 │ ├── upscale_models/ # 放大模型 │ └── embeddings/ # Textual Inversion嵌入 ├── custom_nodes/ # 自定义插件 ├── input/ # 输入图片 └── output/ # 输出图片

4.2 模型文件的来源与管理

生图模型是整个环节里最核心的部分。先说结论：推荐基于SDXL系列的模型，在Max+ 395上有较好的性能平衡；Flux系列画质更高，但显存吃紧时速度会下降。

常见下载渠道：

• Hugging Face：模型文件全、下载稳定，推荐用huggingface-cli下载，支持断点续传
• CivitAI：社区模型丰富，各类画风模型都在这里发布，但国内访问有时不稳定

下载模型时注意看文件格式：

下好后把主模型放到models/checkpoints目录。注意文件名别带空格和中文，ComfyUI有时对非ASCII路径处理不好。

这里分享一个实用技巧：CivitAI上有很多模型页面写着"SDXL"或"SD 1.5"，选模型前先看它兼容哪个基础模型，别混用。SDXL模型放进ComfyUI后，工作流里Loader节点会自动识别文件，不需要额外配置。

4.3 启动参数与 Web 访问

默认情况下ComfyUI只监听127.0.0.1:8188，这在服务器上显然不够，我们需要让它在局域网可访问：

python main.py --listen 0.0.0.0 --port 8188 --disable-auto-launch

参数说明：

• --listen 0.0.0.0：监听所有网卡，允许远程Web访问
• --port 8188：默认端口，可以改成其他值
• --disable-auto-launch：服务器没浏览器，禁止启动时自动打开浏览器

如果你有多个GPU并且想指定某一张，用--cuda-device 0来指定。

启动后浏览器访问http://服务器IP:8188，就能看到ComfyUI的节点编辑界面。

4.4 首次跑图：最小可用工作流

我第一次在无头服务器上打开ComfyUI时，默认面板全是英文，一片空白，卡了一阵才反应过来：ComfyUI不像WebUI那样自带模板，所有工作流都得自己搭节点。

好在有个偷懒的办法：在ComfyUI界面的Workflow菜单里，默认会自带一个最基础的"Load Checkpoint + KSampler + Empty Latent Image + VAE Decode + Save Image"模板。如果界面是空白，可以通过侧边栏的"Templates"加载一个基础文生图模板。

最小工作流的节点连接关系如下：

1. Load Checkpoint：加载主模型（checkpoint文件）
2. CLIP Text Encode（Prompt）：输入正向提示词
3. CLIP Text Encode（Negative）：输入负向提示词
4. Empty Latent Image：设置出图尺寸
5. KSampler：核心采样器，设置种子、步数、CFG和采样器类型
6. VAE Decode：把潜空间图像解码成像素图像
7. Save Image：保存图像到output目录

从Load Checkpoint节点拖出来的输出有三个：MODEL、CLIP、VAE。把MODEL连接到KSampler的model输入，CLIP分别连接到两个Text Encode节点的clip输入，VAE连接到VAE Decode节点的vae输入。KSampler的latent_image输入来自Empty Latent Image的输出，输出端的LATENT接到VAE Decode的samples输入，VAE Decode输出的IMAGE接到Save Image的images输入。

连接完点一下“Queue Prompt”，等着出图就行。

4.5 自动化运行的补充脚本

如果想让ComfyUI以后开机自启或常驻后台，可以用systemd服务来管理。在/etc/systemd/system/comfyui.service里写入：

[Unit] Description=ComfyUI Service After=network.target [Service] User=你的用户名 WorkingDirectory=/home/你的用户名/ComfyUI ExecStart=/home/你的用户名/comfyui-env/venv/bin/python main.py --listen 0.0.0.0 --port 8188 Restart=always RestartSec=10 [Install] WantedBy=multi-user.target

然后依次执行：

sudo systemctl daemon-reload sudo systemctl enable --now comfyui

这样ComfyUI会作为一个服务常驻，断线重连、崩溃自启都自动处理了，SSH断开也不影响。

5. 性能调优与资源管理

5.1 虚拟内存与交换分区设置

生图模型动辄好几个GB，如果同时加载多个模型，物理内存不够就会杀进程。建议划分至少32GB的swap分区（SSD或NVMe上）。

Ubuntu Server 24.04如果安装时没手动分swap，可以用swap文件方式补上：

sudo fallocate -l 32G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

这里有一个重点：swap不能替代显存，但能防止内存溢出导致ComfyUI崩溃。PyTorch在统一内存架构下，GPU内存不够时会尝试借助系统内存兜底，swap文件则能把这个兜底空间进一步扩大到磁盘上。

5.2 GPU 与 CPU 的均衡调度

Max+ 395这颗APU的GPU和CPU共享TDP热功耗。如果你把BIOS里TDP限制在120W（默认），GPU跑满时CPU能分到的功耗很少，ComfyUI运行时CPU也要参与数据处理，这就容易形成瓶颈。建议在BIOS里把TDP解锁到最高档（有些准系统可以到120W+）。

另外一个调优项是ROCm的环境变量——HSA_OVERRIDE_GFX_VERSION。理论上Max+ 395的GFX ID在ROCm 6.3里不需要覆盖，但如果你用了特殊的内核参数或虚拟化层导致识别异常，可以试一下强制覆盖：

export HSA_OVERRIDE_GFX_VERSION=11.0.0

这一条在官方论坛里被很多人用来解决RDNA 3.5在旧ROCm版本下跑不了的问题。如果你ROCm 6.3正常就千万别设，设了反而可能出问题。

5.3 多模型加载与会话保持

ComfyUI每次切换模型时都会重新加载，SDXL模型约6.9GB，Flux fp8版本约11GB，加载耗时大概几十秒。如果你想加快切换速度，可以启用ComfyUI的模型缓存功能，在main.py启动参数里加：

--cache-classic

或者直接安装ComfyUI-Manager插件，里面有一个"Model Management"功能，可以控制模型驻留内存的数量。

5.4 蒸馏模型与社区工作流

写完基本部署教程后，我强烈建议所有人把ComfyUI-Manager装上，它就是ComfyUI的插件市场：

cd ~/ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git pip install -r ComfyUI-Manager/requirements.txt

重启后Web界面右侧会出现一个Manager按钮，可以直接在网页里搜索安装插件、更新节点、管理模型。

社区里已经有很多现成的高质量工作流，比如秋叶文档站整理的那些文生图、图生图、ControlNet工作流，以及各类热门模型的官方示例。使用模板比从零搭节点对新手友好多了。

6. 常见问题与排查技巧实录

6.1 ComfyUI 报 failed to execute 错误

网上搜ComfyUI Top热词排名很高的"failed to execute"，这个错很经典。它其实是节点执行失败的通用提示，真正的错误原因一般在网页开发者工具（F12）的Console里，或者ComfyUI的日志输出中。

我遇到的failed to execute通常有这几种原因：

• 显存不足：模型加载不进去，日志里能看到CUDA out of memory。解决方法是减小Empty Latent Image的分辨率，或者用--lowvram模式启动
• 模型文件损坏：下载不完全，加载时报EOFError或Unexpected end of file，重新下载对应模型即可
• 节点配置错误：比如KSampler的seed输入接到了负值、cfg设成了负数，ComfyUI不会主动检查这些逻辑问题

6.2 显存无法被 PyTorch 识别

在Max+ 395上如果PyTorch不识别GPU，按照这个顺序排查：

1. 确认BIOS的UMA Frame Buffer Size设置是否生效，进系统后执行rocm-smi看显存大小
2. 确认/opt/rocm/lib在LD_LIBRARY_PATH中
3. 确认PyTorch版本是rocm6.2或更高，老版本不支持gfx1151
4. 卸载所有旧版驱动后重装一次

6.3 内存不足导致的 systemd 服务被杀死

如果ComfyUI服务反复重启，用journalctl -u comfyui查看日志，常见错误是Killed。这说明OOM Killer把进程杀了。解决方案：加大swap、减少模型驻留数量、降低Batch Size。也可以给systemd服务加内存限制：

MemoryMax=90G

这个限制根据你物理内存大小调整，给系统保留足够空间即可。

6.4 无头环境中 VAE 输出为黑图

有时候节点执行正常，但输出的图片是纯黑色或模糊色块。最常见的原因是VAE精度问题：SDXL的VAE是fp16的，某些情况下解码结果会有色偏。这类问题通常是启动参数里没有指定--force-fp32导致的。如果你追求精确输出，可以在启动命令加一行：

python main.py --listen 0.0.0.0 --force-fp32

代价是推理速度下降10%~15%，但色彩不再有随机性。个人建议先用fp16跑，如果出图正常就别动。

6.5 AMD 驱动更新后需要清理残留

如果你中途升级过一次amdgpu-install，旧版包体容易和新版驱动互相干扰，导致内核模块加载失败。最好的做法是彻底卸载后重装：

sudo amdgpu-install --uninstall sudo apt autoremove sudo reboot

然后重新执行一遍驱动安装步骤。这比在旧驱动上打补丁省心得多。

7. 实测性能数据与个人总结

我的测试平台是：Ryzen AI Max+ 395，64GB内存（BIOS分了48GB给GPU），Ubuntu Server 24.04，ROCm 6.3，PyTorch 2.4.1+rocm6.2，ComfyUI最新版。

实测跑SDXL 1.0基础模型，512x512分辨率，20步采样，用时大约在7到9秒之间；1024x1024分辨率，20步采样，大约30到40秒。Flux schnell fp8版本，512x512分辨率，4步采样，大约20秒左右。因为统一内存架构，模型加载速度比同规格独显快不少，6.9GB的SDXL模型大概只需要几秒钟就能加载完。这个性能表现对比同价位的独立显卡（比如RTX 4060），SDXL出图速度上略慢一点，但胜在显存上限高、整套主机功耗低，综合体验属于"能战"级别。

最终这台的长期用法，我是放在家里当一个小型AI绘图服务器，手机、平板随时通过Web界面调用。后面我想继续折腾的方向有两个：一是试试把NPU接进来做前置加速，二是研究一下多用户排队出图的工作流优化。等有新进展我再写一篇补充文章。

最后送各位一句实在话：AMD这套平台跑AI生图，驱动和软件栈的正确选择比硬件本身更重要。严格照着本文这套软件组合来安装，基本能稳定运行；千万别为了追新去装Beta版驱动和每日构建版PyTorch，一天三个报错警告会让心态直接爆炸。