🔄 ComfyUI 更新指南
1. 切換到主分支
進入 ComfyUI 安裝目錄：

bash
cd ~/ComfyUI
git checkout master
2. 拉取最新程式碼
bash
git pull
確認版本：

bash
git log -1
（會顯示最新 commit 訊息）

3. 清理暫存與空間
避免磁碟不足：

bash
rm -rf ~/.cache/pip
必要時刪掉安裝殘留檔（例如 .tgz, .deb, .run）。

4. 安裝依賴套件
一次安裝所有需要的套件：

bash
python3.10 -m pip install -r requirements.txt
5. 啟動 ComfyUI
bash
python3.10 main.py --lowvram
（依需求加上其他參數）

6. 測試前端
在瀏覽器打開：

程式碼
http://[阿福機IP]:8188
確認新版介面能正常使用。

📝 小提醒
遇到缺套件錯誤 → 用 python3.10 -m pip install 套件名稱 補裝。

磁碟不足 → 清理 pip 暫存、搬移模型檔到外接磁碟。

更新後建議 → 定期跑 git pull + pip install -r requirements.txt，保持最新。

OK.寫一個「一鍵更新腳本」
好的，這裡幫你寫一個 「一鍵更新腳本」，放在阿福機主機上執行即可完成 ComfyUI 更新與重啟。

一鍵更新腳本 (update_comfyui.sh)
bash
#!/bin/bash
# 阿福機 ComfyUI 一鍵更新腳本

# 進入 ComfyUI 安裝目錄 (請依實際路徑修改)
cd ~/ComfyUI || { echo "找不到 ComfyUI 目錄"; exit 1; }

echo "開始更新 ComfyUI..."
git pull

echo "更新完成，準備重啟 ComfyUI..."

# 停掉舊的 ComfyUI (如果有)
pkill -f "python3.10 main.py"

# 啟動 ComfyUI (可依需求加上參數，例如 --lowvram)
nohup python3.10 main.py --lowvram > comfyui.log 2>&1 &

echo "ComfyUI 已重新啟動，請用瀏覽器連線測試。"
使用方式
把上面內容存成 update_comfyui.sh。

在主機上給予執行權限：

程式碼
chmod +x update_comfyui.sh
執行更新：

程式碼
./update_comfyui.sh
這樣就能一鍵完成 更新 → 停掉舊服務 → 重啟新版本。

給G3一個阿福機的完整報告,大企業不出圖, 我們自己出.
收到，你要給 G3 一份「阿福機完整報告」，作為替代方案，因為大企業（Sora 2）不出圖，我們自己出。這份報告我幫你整理成 技術狀態 + 部署環境 + 運行策略 三個部分，讓 G3 可以直接掌握阿福機的現況。

阿福機完整報告（for G3）
1. 硬體與系統狀態
平台：Ubuntu 20.04.6

CPU：Intel i3-9100F

GPU：RTX 3060（已購置，驅動版本 535.230.02，CUDA 12.2）

記憶體：24GB DDR4（升級成功，系統已正確讀取）

磁碟：NVMe 擴展完成，根分割區容量 467G，可用約 383G，封存於 R:\data\data

電源：550W PSU

主板：TUF 系列

2. 軟體與部署環境
Python：3.10.11（SSL 模組修正完成，pip 可正常使用）

PyTorch：2.10.0（CUDA 12.1 對應版本，GPU 驅動已驗證）

ComfyUI：環境已準備好，torch.cuda.is_available() = True

Web Stack：Apache 2 + MariaDB 10.3.39 + PHP 7.4.3（Zend Engine v3.4.0 + OPcache）

CE Phoenix：安裝流程進行中，資料庫設定為 localhost / jetbomb / phoenixdb

Cherry Studio：桌面安裝版，可能位於另一顆 SSD，需確認掛載與路徑

3. 運行策略與任務
Mission Possible 架構：C3（Copilot-3）優先，G3（Gemini-3）備援，clawdrot 提供通知/轉送層。

ComfyUI 學習進度：已完成第四集，掌握 LoRA 與 Image-to-Image 技能。

Benchmarks：Time Spy GPU=8924，CPU=3555，燒機一天穩定，HDMI 音訊修正成功。

Doctrine 封存：所有升級、測試、崩潰紀錄均已封存為 doctrine nodes。

挑戰：Ubuntu 驅動限制、Cherry Studio 路徑確認、GPU 記憶體壓力管理。

結論
阿福機已完成 硬體升級 + 軟體環境建置 + ComfyUI 啟動驗證，具備獨立出圖能力。即使大企業停產（Sora 2 不出圖），我們仍能透過阿福機 + ComfyUI + z-image-turbo 自行生成，並持續封存 doctrine nodes 以供後續擴展。

所以z-image-turbo才是賣點.
完全正確 🎯，你已經把核心差異抓出來了：

z-image-turbo → 平均每張 14 秒，品質穩定，美女圖自然，不會出現 SD1.5 / SDXL 常見的「人妖」問題。這就是它的 最大賣點。

SD1.5 / SDXL → 雖然是經典模型，但在人物生成上容易出現性別錯位、臉部融合等 bug，尤其在大批次時更明顯。

Flex 驅動 + Windows 驅動 → 都能承載百張生成，顯存逼近 11GB 也不會 crash，這讓 z-image-turbo 的優勢完全展現。

Ubuntu (阿福機) → 驅動太嚴格，reset 問題讓它無法跑 → 反而凸顯 z-image-turbo 在其他平台的穩定性。

🕒 時間同步檢查表 (Ubuntu Server)
1. 檢查系統時區
指令：timedatectl

確認輸出：

Local time 是否正確顯示台灣時間 (CST, +0800)

Time zone 是否為 Asia/Taipei

2. 修正時區 (如有錯誤)
指令：

bash
sudo timedatectl set-timezone Asia/Taipei
再次檢查：timedatectl

3. 確認 NTP 狀態
指令：timedatectl

確認輸出：

System clock synchronized: yes

NTP service: active

4. 啟用 NTP (如未啟用)
指令：

bash
sudo timedatectl set-ntp true
5. 檢查 RTC (BIOS 時鐘)
指令：timedatectl

確認輸出：

RTC in local TZ: no → 建議保持 UTC，不需修改

如果需要 BIOS 與本地時間一致：

bash
sudo timedatectl set-local-rtc 1
6. 最終驗證
指令：date

確認顯示的時間與本地時間一致 (例如 2026-02-09 11:17 CST)

📌 Doctrine Pivot 建議：
每次部署或壓測前，先跑這份檢查表，封存結果到 doctrine node，避免 log 出現錯誤時間，確保 crash 紀錄與壓測數據能正確對齊。

要不要我幫你把這份檢查表再整理成一個

import pandas as pd
import matplotlib.pyplot as plt

# 讀取紀錄檔
df = pd.read_csv("gen32_log.csv")

# 假設紀錄檔有以下欄位：timestamp, memory.used [MiB], power.draw [W], temperature.gpu
# 如果欄位名稱不同，請依實際調整
time = range(len(df)) # 用行數當作時間序列

# 顯存 vs. 時間
plt.figure(figsize=(10,5))
plt.plot(time, df["memory.used [MiB]"], label="顯存使用量 (MiB)", color="blue")
plt.xlabel("時間 (樣本數)")
plt.ylabel("顯存使用量 (MiB)")
plt.title("顯存 vs. 時間 (200 張生成)")
plt.legend()
plt.grid(True)
plt.show()

# 功耗 vs. 時間
plt.figure(figsize=(10,5))
plt.plot(time, df["power.draw [W]"], label="功耗 (W)", color="red")
plt.xlabel("時間 (樣本數)")
plt.ylabel("功耗 (W)")
plt.title("功耗 vs. 時間 (200 張生成)")
plt.legend()
plt.grid(True)
plt.show()

# 溫度 vs. 時間
plt.figure(figsize=(10,5))
plt.plot(time, df["temperature.gpu"], label="GPU 溫度 (°C)", color="green")
plt.xlabel("時間 (樣本數)")
plt.ylabel("溫度 (°C)")
plt.title("溫度 vs. 時間 (200 張生成)")
plt.legend()
plt.grid(True)
plt.show()

未見dram的變化數值?
你觀察到 DRAM 數值沒有變化，這是正常的。原因在於：

為什麼 nvidia-smi 看不到 DRAM 變化
nvidia-smi 監控的是 GPU 顯存 (VRAM)，而不是系統記憶體 (DRAM)。

在你的輸出中，顯示的是 Memory-Usage 11420MiB / 12288MiB，這指的是 RTX 3060 的 GDDR6 顯存使用量。

系統 DRAM（例如你升級到 24GB DDR4）並不會在 nvidia-smi 裡顯示，因為那是 CPU 管理的資源。

如果要觀察 DRAM 使用量
Linux 指令：

free -h → 顯示整體 RAM 使用狀況。

htop → 即時監控 CPU 與 RAM。

更細緻工具：

vmstat 或 sar → 監控記憶體分配與 swap。

dmesg → 查看是否有記憶體壓力或 OOM (Out Of Memory) 記錄。

與 GPU 測試的關聯
在你跑 100 張圖片生成時，主要壓力落在 GPU 顯存。

系統 DRAM 只會在模型載入、資料預處理、或 CPU 端任務時有明顯變化。

如果你想同時監控 GPU 與 DRAM，可以開兩個監控：

nvidia-smi -l 2 → GPU 狀態

free -h -s 2 → 系統 RAM 狀態

👉 簡單結論：
nvidia-smi 不會顯示 DRAM 數值變化，你需要用 free/htop 這類工具來觀察系統 RAM。GPU 測試主要看 VRAM，而 DRAM 變化通常比較小，除非你同時跑大量 CPU 任務。

要不要我幫你設計一個 雙監控腳本範例，同時記錄 GPU 與 DRAM 的使用量，方便你在壓力測試後做比較？

設計一份 「顯存釋放流程表」
好的，我幫你設計一份 「顯存釋放流程表」，專門針對你在 RTX 3060 上跑 SD1.5 / SDXL 時遇到的顯存不釋放問題。這樣你就不用每次都重開機，能快速清掉顯存再繼續跑。

顯存釋放流程表（RTX 3060 專用）
1. 監控顯存
指令：

bash
watch -n 1 nvidia-smi
目的：持續觀察顯存佔用，判斷是否有殘留。

2. 確認佔用進程
在 nvidia-smi 輸出中找到佔用顯存的 Python 進程 PID（例如 5432）。

3. 手動釋放顯存
指令：

bash
sudo kill -9 <PID>
例子：

bash
sudo kill -9 5432
目的：強制終止佔用顯存的進程，顯存立刻清空。

4. 重啟 ComfyUI
指令：

bash
python3 main.py
或者你自己的啟動腳本。

目的：重新載入模型，開始新一輪生成。

5. 預防策略
啟動時加上：

bash
--medvram
或

bash
--lowvram
目的：降低顯存壓力，避免殘留過多。

6. 最後手段
如果顯存殘留無法清掉 → 重開機。

優點：徹底清空顯存。

缺點：耗時，建議只在 kill 無效時使用。

✅ 總結：

常用方法 → kill -9 <PID> + 重啟 ComfyUI。

預防方法 → --medvram / --lowvram。

最後手段 → 重開機。

RTX 3060 顯存釋放與安全生成流程清單
一、顯存釋放流程
檢查顯存佔用

程式碼
watch -n 1 nvidia-smi
→ 確認 GPU 利用率是否為 0% 但顯存仍被佔用。

列出佔用進程

程式碼
sudo fuser -v /dev/nvidia*
→ 找出佔用 GPU 的 PID。

強制釋放顯存

程式碼
sudo kill -9 <PID>
→ 只殺掉佔用顯存的 Python 進程（例如 ComfyUI 的 python3.10），不要動桌面環境的 Xorg / gnome-shell。

確認顯存是否釋放

程式碼
watch -n 1 nvidia-smi
→ 顯存應該降到 200–500MiB 左右（只剩桌面環境）。

二、安全生成策略
解析度控制：建議使用 512×512 或 768×768，避免顯存爆掉。

批次數量：一次生成 1–2 張，不要同時丟太多張。

人物場景：多人物 → 分開生成，再拼接，避免「二合一」。

啟動參數：加上 --medvram 或 --lowvram，顯存分配更保守。

監控顯存：持續用 nvidia-smi 觀察，確認生成後顯存能下降。

三、快速排除流程
卡死 / 資產不顯示 → 先 kill Python 進程或重啟 ComfyUI。

顯存滿載 → 降低解析度、減少批次數量。

人物融合 → 分開生成，再用拼接節點合併。

長時間佔用顯存 → 重啟 ComfyUI 或直接 sudo reboot。

🖥️ RTX 3060 專用 ComfyUI 啟動指令表
1️⃣ 標準模式（一般模型 ≤ 4GB）
bash
python main.py --listen --port 8188
適用：Anything V5/V6、MajicMix Realistic v7

特點：速度快，顯存壓力低

2️⃣ 中顯存模式（大模型 5~7GB）
bash
python main.py --medvram --listen --port 8188
適用：HiDream Dev/Fast、SDXL Turbo

特點：分段載入，降低顯存佔用

3️⃣ 低顯存模式（爆顯存時使用）
bash
python main.py --medvram --lowvram --force-fp16 --listen --port 8188
適用：Z‑Image‑Turbo 7GB、SDXL Full

特點：強制半精度，顯存壓力最低，但速度較慢

4️⃣ 穩定測試模式（避免異常中斷）
bash
python main.py --medvram --disable-nan-check --force-fp16 --gpu-only --listen --port 8188
適用：任何大模型測試

特點：避免 NaN 錯誤，強制 GPU 運算，防止 OOM Killed

5️⃣ 分流模式（雙埠測試）
bash
python main.py --medvram --force-fp16 --listen --port 8188
python main.py --medvram --force-fp16 --listen --port 8189
適用：你已封存的 8188/8189 Apache 分流

特點：同時跑兩個工作流，方便對照分析

cd ~/comfyui/ComfyUI
source venv/bin/activate
python3.10 main.py

{
"nodes": [
{
"id": 1,
"type": "LoadCheckpoint",
"inputs": {
"ckpt_name": "sd_xxx.safetensors"
}
},
{
"id": 2,
"type": "KSampler",
"inputs": {
"model": 1,
"positive": 3,
"negative": 4,
"seed": 123456,
"steps": 20,
"cfg": 7.5,
"sampler_name": "euler",
"scheduler": "normal",
"denoise": 1.0
}
},
{
"id": 3,
"type": "CLIPTextEncode",
"inputs": {
"text": "portrait of a young woman, soft lighting, detailed face, realistic skin"
}
},
{
"id": 4,
"type": "CLIPTextEncode",
"inputs": {
"text": "blurry, distorted, low quality"
}
},
{
"id": 5,
"type": "SaveImage",
"inputs": {
"images": 2
}
}
]
}

Doctrine Node：ComfyUI 長期效能追蹤表
測試日期 GPU 型號 CUDA 版本 PyTorch 版本 測試 Prompt 平均生成時間/張 VRAM 使用量 系統負載 備註
2026-01-16 CPU fallback — 2.9.1 (CPU) "A cat sitting on a chair" 52s RAM ~6.2GB CPU 100% 無 GPU 加速
2026-01-16 RTX 3060 12GB 12.8 2.9.1+cu128 "A cat sitting on a chair" 13s ~4.1GB CPU 25% + GPU 主導 GPU backend 啟用成功
（未來測試） RTX 4070 13.x cu130+ TBD TBD TBD TBD 升級後比較
（未來測試） RTX 4090 13.x cu130+ TBD TBD TBD TBD 高階 GPU 基準
（未來測試） 其他 GPU TBD TBD TBD TBD TBD TBD 擴展測試

Doctrine Node：ComfyUI 效能基準表（2026-01-16）
測試日期 GPU 型號 CUDA 版本 PyTorch 版本 測試 Prompt 平均生成時間/張 VRAM 使用量 備註
2026-01-16 RTX 3060 12GB 12.8 2.9.1+cu128 "A cat sitting on a chair" 13s ~4.1GB GPU backend 啟用成功
2026-01-16 CPU fallback — 2.9.1 (CPU) "A cat sitting on a chair" 52s RAM ~6.2GB 無 GPU 加速
（未來測試） RTX 4070 13.x cu130+ TBD TBD TBD 升級後比較
（未來測試） RTX 4090 13.x cu130+ TBD TBD TBD 高階 GPU 基準

Doctrine Node：ComfyUI 效能比較表（2026-01-16）
指標項目 CPU Fallback（未啟用 GPU） GPU 加速（CUDA 12.8 + cu128） 提升幅度
生成時間 約 45–60 秒 / 張 約 12–15 秒 / 張 3–4 倍快
記憶體使用量 高（CPU RAM 佔用 > 6GB） 中（GPU VRAM 佔用 ~4GB） 更穩定
Queue 響應速度 任務排入後延遲明顯 任務即時排入，GPU 立即執行 延遲降低
輸出品質 正常，但生成速度拖慢 正常，品質一致 無差異
系統負載 CPU 100% 長時間佔用 CPU 負載降低，GPU 主導運算 系統更平衡
封存建議 建立 doctrine-node: comfyui-performance-comparison-20260116，記錄測試 prompt、生成時間、資源佔用 —

Doctrine Node：ComfyUI 啟動後 GPU 驗證表（2026-01-16）
檢查項目 驗證方式 預期結果
GUI 狀態 瀏覽器打開 http://127.0.0.1:8188 GUI 正常顯示，前端可操作 ✅
模型掃描 啟動訊息顯示 Assets scan completed 模型數量正確，無錯誤 ✅
Backend 狀態 啟動訊息中 comfy_kitchen backend cuda → available=True, disabled=False CUDA backend 已啟用 ✅
PyTorch CUDA 在 venv 執行：
python3 -c "import torch; print(torch.version.cuda)" 顯示 12.8 ✅
GPU 可用性 在 venv 執行：
python3 -c "import torch; print(torch.cuda.is_available())" 顯示 True ✅
Queue 測試 在 ComfyUI 前端輸入簡單 prompt → 點擊 Queue 任務排入成功，生成時間顯著縮短 ✅
輸出檔案 確認生成圖像已保存到指定路徑（如 /output/） 檔案正確生成 ✅
效能比較 與 CPU fallback 比較生成時間 GPU 加速明顯提升 ✅

🧠 Doctrine Node：第一張 GPU 加速圖像生成流程表（2026-01-16）
流程階段 操作步驟 檢查要點
模型選擇 - 在 ComfyUI 的模型列表中選擇一個已搬移到 NVMe 的 checkpoint（如 sd_xxx.safetensors）
- 確認 VAE 與 LoRA 是否需要載入 模型路徑正確、檔案完整
Workflow 載入 - 在 ComfyUI 前端載入 minimal workflow JSON（例如：Load Checkpoint → KSampler → Save Image）
- 確認節點連線正確，無 missing node Workflow 節點完整、無錯誤
Queue 執行 - 在前端輸入 prompt（可先用簡單測試，如 "A cat sitting on a chair"）
- 點擊 Queue → 等待 GPU backend 執行 Queue 正常排入、GPU backend 啟用
生成驗證 - 確認生成時間比 CPU fallback 快（GPU 加速生效）
- 檢查輸出圖像是否正確保存到指定路徑 GPU 加速已生效、輸出檔案正確
Doctrine 封存 - 建立封存紀錄檔：R:\data\data\doctrine\gpu-first-image-20260116.md
- 記錄：模型名稱、workflow 節點、生成 prompt、輸出檔案路徑、生成時間 封存完整、可供未來比較

Doctrine Node：ComfyUI GPU 啟用檢查表（2026-01-16）
檢查項目 狀態與結果
GPU 驅動版本 535.230.02（支援 CUDA 12.8） ✅
CUDA Toolkit 版本 12.8（APT 安裝成功） ✅
PyTorch 版本 torch==2.9.1+cu128（已安裝 GPU 版本） ✅
CUDA 是否啟用 torch.version.cuda → 12.8
torch.cuda.is_available() → True ✅
ComfyUI backend 狀態 comfy_kitchen backend cuda → available=True, disabled=False ✅
Server 啟動狀態 http://127.0.0.1:8188 GUI 可正常開啟 ✅
模型掃描狀態 Assets scan completed: total_seen=13, skipped_existing=12 ✅
生成測試建議 可進行第一張圖像生成測試，驗證 GPU 加速是否生效