Krea2 Turbo 在 2080 Ti 上部署全记录：六层踩坑与修复

前言：为什么要折腾 Krea2

Krea2 是 Krea.ai 发布的 12B 参数 DiT 模型，基于 flow-matching 架构，支持 1K 到 2K 分辨率。在图像质量上，它直接对标 Midjourney 和 DALL·E 3 级别的商用模型。更关键的是，它是开源的。

但开源不意味着开箱即用。在双 RTX 2080 Ti（22GB 魔改版）上部署 Krea2 Turbo，我遇到了整整六层问题，每一层都是独立的坑，少了任何一个都出不了正常图。

这篇文章记录完整调试链，希望能帮到同样在旧卡上折腾 Krea2 的人。

环境配置

组件	规格
显卡	双 RTX 2080 Ti（22GB 魔改版），GPU1 跑 ComfyUI
推理	ComfyUI v0.27.1（源码部署）
显存	22GB，可支撑 Q4_0 GGUF（7.8GB）+ BF16 CLIP（8.3GB）
模型	Krea2 Turbo 12B DiT，GGUF 量化版
超分	4x-UltraSharp（人脸清晰）
代理	代理服务器（下载用）

最终工作流配置

经过六层调试，最终在 2080 Ti 上跑通的配置如下：

workflow = {
    "loader": {"class_type": "UnetLoaderGGUF", "inputs": {"unet_name": "krea2_turbo_bf16-Q4_0.gguf"}},
    "clip": {"class_type": "CLIPLoader", "inputs": {"clip_name": "qwen3vl_4b_bf16.safetensors", "type": "krea2"}},
    "vae": {"class_type": "VAELoader", "inputs": {"vae_name": "qwen_image_vae.safetensors"}},
    "pos": {"class_type": "CLIPTextEncode", "inputs": {"text": "<prompt>", "clip": ["clip", 0]}},
    "neg": {"class_type": "CLIPTextEncode", "inputs": {"text": "", "clip": ["clip", 0]}},
    "latent": {"class_type": "EmptyHunyuanLatentVideo", "inputs": {"width": 768, "height": 512, "length": 1}},
    "ksample": {"class_type": "KSampler", "inputs": {
        "seed": 42, "steps": 8, "cfg": 1.0,
        "sampler_name": "euler", "scheduler": "simple", "denoise": 1.0,
        "model": ["loader", 0], "positive": ["pos", 0],
        "negative": ["neg", 0], "latent_image": ["latent", 0]
    }},
    "decode": {"class_type": "VAEDecode", "inputs": {"samples": ["ksample", 0], "vae": ["vae", 0]}},
    "upscale_model": {"class_type": "UpscaleModelLoader", "inputs": {"model_name": "4x-UltraSharp.pth"}},
    "upscale": {"class_type": "ImageUpscaleWithModel", "inputs": {"upscale_model": ["upscale_model", 0], "image": ["decode", 0]}},
    "resize": {"class_type": "ImageScale", "inputs": {"image": ["upscale", 0], "width": 1536, "height": 1024, "upscale_method": "lanczos", "crop": "center"}},
    "save": {"class_type": "SaveImage", "inputs": {"images": ["resize", 0], "filename_prefix": "krea2_out"}}
}

关键参数说明

• DiT 模型：krea2_turbo_bf16-Q4_0.gguf（7.8GB，Q4_0 GGUF 量化，int8 原生路径）
• CLIP 模型：qwen3vl_4b_bf16.safetensors（8.3GB，BF16 版，float16 原生路径）
• CLIP 加载器：必须用原生 CLIPLoader（非 CLIPLoaderGGUF），type=”krea2”
• VAE：qwen_image_vae.safetensors（官方指定，ComfyUI 自动识别为 WanVAE）
• Latent：EmptyHunyuanLatentVideo（5D，Wan21 格式）
• CFG：1.0（不是 0.0！ComfyUI 公式中 cfg=1.0 才对应官方 –cfg 0.0 的语义）
• Steps：8（Turbo 模式）
• 启动参数：–fp32-unet –fp32-vae（Turing 架构无原生 bf16，fp16 溢出 NaN）

可选配置对比

场景	模型	尺寸	耗时
快速预览	Q4_0	512×512	~47s
日常出图	Q4_0	768×512	~61s
超分输出	Q4_0 + 4x-UltraSharp	1536×1024	~61s
最高质量	Q5_1	1024×1024	~150s

4x-UltraSharp 超分下载

4x-UltraSharp 是推荐的人脸超分模型，64MB，下载自 HuggingFace：

aria2c -c -x 4 -s 4 -d /mnt/nvme/ComfyUI/models/upscale_models/ \
  -o 4x-UltraSharp.pth \
  "https://hf-mirror.com/lokCX/4x-Ultrasharp/resolve/main/4x-UltraSharp.pth"

出图效果验证

修复后的效果对比（同一 prompt、同一 seed）：

案例一：田鼠微距

Prompt：A tiny russet-brown harvest mouse clings to a slender branch, macro photography, shallow depth of field, green bokeh background

修复前（FP8 CLIP + cfg=0.0）→ 出动漫少女侧脸，prompt 遵循度 0/10
修复后（BF16 CLIP + cfg=1.0）→ 棕色皮毛、粉红鼻子、大眼、细小爪子、绿叶 bokeh，10/10

案例二：东亚女性肖像

Prompt：A close-up portrait of a young East Asian woman with straight black hair, wearing a crisp white shirt and navy blue tie, surrounded by white lilies against a rich red background

修复后 → 10/10 遵循度，画质 9/10。衬衫、领带、百合花、红色背景全部正确呈现。

案例三：敞篷车沿海公路

Prompt：stylized digital painting of a dark convertible on a winding coastal road, ocean cliffs, golden hour, birds in flight

修复后 → 8/10 遵循度，画质 9/10。深蓝敞篷车、弯曲悬崖路、海岸线、金辉光线。

案例四：竹林双女比剑（放大输出）

Prompt：Two young women dueling with swords atop a bamboo forest canopy, one in golden yellow robes and one in flowing white robes

Q4_0 GGUF 生成 768×512 → 4x-UltraSharp 超分 → 1536×1024，画质 9.5/10，面部清晰锐利。

案例五：白衣女子惊鸿一瞥

Prompt：白衣女子手持宝剑，惊鸿一瞥

竖版半身特写 512×768 → 超分 1024×1536，66 秒。

六层踩坑实录

第一层：全黑图 — Wan21 Latent 维度

现象：Krea2 工作流提交后，ComfyUI 显示”Prompt executed”，但输出是全黑图，文件仅 4.3KB。

排查：Krea2 使用 latent_formats.Wan21，期望 5D latent (B, C, T, H, W)。但默认的 EmptyLatentImage 节点生成 4D latent (B, C, H, W)，WanVAE 解码时维度越界 → NaN → 全黑。

修复：将 EmptyLatentImage 替换为 EmptyHunyuanLatentVideo(width=1024, height=1024, length=1)，生成 5D latent 且 T=1（单帧图像）。

# ❌ 错误：4D latent → WanVAE 维度越界
"latent": {"class_type": "EmptyLatentImage", "inputs": {"width": 1024, "height": 1024}}

# ✅ 正确：5D latent (B, C, T, H, W)
"latent": {"class_type": "EmptyHunyuanLatentVideo", "inputs": {"width": 1024, "height": 1024, "length": 1}}

第二层：全黑图 — Turing fp16 NaN

现象：5D latent 修复后，仍然全黑。

排查：检查 ComfyUI 日志，关键输出：

model weight dtype torch.float32, manual cast: torch.float16

2080 Ti（Turing 架构，compute 7.5）没有原生 bf16 计算单元。ComfyUI 检测到 bf16 不可用，自动降级到 fp16 计算。但 Krea2 是 FLUX type 的 flow-matching 模型，部分中间计算精度要求高，fp16 溢出 → NaN。

修复：加 --fp32-unet --fp32-vae 启动参数，强制所有计算在 fp32 精度下进行。

# systemd service 配置
ExecStart=/mnt/nvme/ComfyUI/venv/bin/python3 main.py \
    --listen 0.0.0.0 --port 8188 \
    --fp32-unet --fp32-vae

修复后日志会显示 manual cast: None，说明 fp32 模式生效。

第三层：Glitch Art — CLIPLoaderGGUF 用错了

现象：终于不是黑图了！但输出是彩色色块组成的 glitch art，完全不像正常图像。

排查：第一反应是 GGUF 量化精度不够。但即使是 Q5_1（5-bit 量化，10GB 模型）也出 glitch art。问题不在 DiT 模型，而在 CLIP 加载器。

我用的是 CLIPLoaderGGUF 加载 qwen3vl_4b_fp8_scaled.safetensors（safetensors 格式，不是 GGUF 格式）。CLIPLoaderGGUF 内部使用 GGMLOps 算子处理权重，对 safetensors 格式的 FP8 权重，GGMLOps 做了错误的精度转换，文本编码完全损坏。

修复：用原生 CLIPLoader（非 CLIPLoaderGGUF）加载 CLIP 模型，type="krea2"。

# ❌ 错误：CLIPLoaderGGUF 用 GGMLOps 损坏 safetensors 权重
"clip_loader": {"class_type": "CLIPLoaderGGUF", "inputs": {...}}

# ✅ 正确：原生 CLIPLoader
"clip_loader": {"class_type": "CLIPLoader", "inputs": {
    "clip_name": "qwen3vl_4b_bf16.safetensors",
    "type": "krea2"
}}

第四层：Glitch Art — FP8 DiT 在 Turing 上不可用

现象：CLIPLoader 修复后，Q5_1 GGUF 正常出图了。但 FP8 safetensors 格式的 DiT 模型仍然出 glitch art。

排查：检查 ComfyUI 日志：

Native ops: int8_tensorwise
Emulated ops: mxfp8, nvfp4, float8_e4m3fn, float8_e5m2

Turing 架构没有原生 FP8 计算单元。FP8 DiT 模型（12.5GB）被 CPU 模拟执行，精度严重损失 → glitch art。

修复：Turing 上只能用 GGUF 量化版 DiT（走 int8_tensorwise 原生路径）。FP8 safetensors 仅 Ampere+ 架构可用。

模型格式	Turing 兼容	原生路径
FP8 safetensors	❌ glitch art	emulated ops
Q4_0 GGUF (7.8GB)	✅ 正常	int8_tensorwise
Q5_1 GGUF (10.2GB)	✅ 正常	int8_tensorwise

第五层：Prompt 不听从 — FP8 CLIP 的隐藏问题

现象：Q5_1 GGUF + 原生 CLIPLoader 出图了，画质 9/10，但 prompt 完全不遵循——输入”a tiny harvest mouse”，输出动漫少女侧脸；输入”dark convertible on coastal road”，输出双持剑女战士。

排查：CLIP 用的是 qwen3vl_4b_fp8_scaled.safetensors（FP8 版，5.2GB）。和 FP8 DiT 同理，FP8 CLIP 在 Turing 上也被模拟执行，文本编码语义损坏——编码器输出的 embedding 向量看起来正常（维度正确），但语义信息已经丢失了。

修复：下载 BF16 版 CLIP qwen3vl_4b_bf16.safetensors（8.3GB），替换 FP8 版。BF16 在 Turing 上自动降级到 float16 原生路径（dtype: torch.float16），编码正确。

# 下载 BF16 版 CLIP
python3 -c "
from huggingface_hub import hf_hub_download
hf_hub_download('Comfy-Org/Krea-2', 'text_encoders/qwen3vl_4b_bf16.safetensors',
    local_dir='/mnt/nvme/ComfyUI/models/text_encoders/')
"

第六层：完美图但内容全错 — cfg=0.0 的陷阱

现象：BF16 CLIP 换好后，prompt 终于被遵循了！但有一张图让我困惑了很久——prompt 是”a fox walking in the snow”，出来的图是南方村庄街景，画质 9/10 但完全没狐狸没雪。

排查：问题在 CFG 参数。ComfyUI 的 CFG 公式是：

pred = unconditional + cfg × (conditional - unconditional)

当 cfg=0.0 时：pred = unconditional，正面 prompt 零权重，只用 negative prompt（空字符串）生成。

而官方 Krea2 代码库的公式是：

pred = conditional + cfg × (unconditional - conditional)

当 cfg=0.0 时：pred = conditional，才是”无 CFG 加权，直接用条件预测”的语义。

两套公式下，cfg=0.0 的意思完全不同！

公式	cfg=0.0 的含义	ComfyUI 等价
官方：cond + cfg × (uncond - cond)	只用条件预测	cfg=1.0
ComfyUI：uncond + cfg × (cond - uncond)	只用无条件预测	—

修复：ComfyUI 中使用 cfg=1.0 来对应官方 --cfg 0.0 的语义。修复后，prompt 遵循度从 0/10 直接跳到 10/10。

# ❌ cfg=0.0 → 只用 unconditional → 图漂亮但内容完全随机
"ksample": {"class_type": "KSampler", "inputs": {"cfg": 0.0, ...}}

# ✅ cfg=1.0 → 只用 conditional → 正确 text-to-image
"ksample": {"class_type": "KSampler", "inputs": {"cfg": 1.0, ...}}

踩坑总结

层	问题	根本原因	修复
1	全黑图	Wan21 需 5D latent，EmptyLatentImage 给 4D	用 EmptyHunyuanLatentVideo
2	全黑图	Turing 无原生 bf16，fp16 溢出 NaN	--fp32-unet --fp32-vae
3	glitch art	CLIPLoaderGGUF 用 GGMLOps 损坏权重	用原生 CLIPLoader
4	glitch art	FP8 DiT 在 Turing 上被模拟执行	用 GGUF Q4/Q5（int8 原生）
5	prompt 不听从	FP8 CLIP 在 Turing 上被模拟，编码损坏	用 BF16 CLIP（float16 原生）
6	内容全错	cfg=0.0 在 ComfyUI 公式中 = 只用 unconditional	cfg=1.0

诊断口诀

查日志：model weight dtype torch.float32, manual cast: Y
Y 不是 None → 精度降级 → 可能溢出

查日志：Native ops / Emulated ops
有 emulated ops → Turing 不支持的精度 → 换量化格式

出图漂亮但内容不对 → 检查 cfg 参数
出图是色块 → 检查 CLIP 加载器