Panorama de modelos × tareas: elige el modelo correcto antes de empezar
💡 Objetivo: en 10 minutos, encontrar el modelo adecuado para la tarea que tienes entre manos —si la VRAM es suficiente, si permite uso comercial y en qué tutorial empezar— todo esto se consulta de una vez en esta página; 15 tutoriales de workflows de ComfyUI clasificados por imagen y video están listos.
Mucha gente pregunta qué modelos admite ComfyUI — la respuesta depende de tu tarea y de tu tarjeta gráfica. ComfyUI en sí es un «motor»; quienes realmente trabajan son los modelos: si eliges bien, generas imágenes en 8 pasos y puedes ejecutar video con 8GB de VRAM; si eliges mal, descargas más de veinte GB de pesos y solo entonces descubres que no puedes ejecutarlos. Así que dedica primero diez minutos a encontrar tu lugar.
🎯 Objetivos de la etapa
- Encontrar los modelos candidatos en 30 segundos según la tarea: texto a imagen, edición de imágenes, fondo transparente, maquetas de productos, texto a video, fotogramas inicial y final… consulta la tabla matricial para hallar el modelo y el tutorial correspondiente
- Evaluar la VRAM antes de descargar: consulta la matriz para ver las referencias de VRAM y no descargues pesos grandes a ciegas
- Distinguir los límites entre los dos tipos de modelos, «generación» y «edición»: para texto a imagen fotorrealista busca modelos base; para cambiar fondo o texto busca la clase Edit; para repintado y ampliación de imagen busca Fill
- Ejecutar con éxito al menos un workflow de modelo nuevo: carga el workflow oficial desde la biblioteca de plantillas, coloca el modelo en el directorio correcto y genera la primera imagen o el primer video siguiendo los parámetros del tutorial
⏳ Tiempo estimado
- Completar esta etapa por entero: 15 lecciones, en total unos 204 minutos (aprox. 3.5 horas), con un margen adicional de unos 140–265 minutos
- No incluye el tiempo de descarga de modelos: en esta etapa muchos modelos son pesos grandes de nivel 12B–20B; la versión completa de FLUX.1 pesa unos 23GB, a calcular aparte según tu velocidad de red
- Saltar a lo que necesitas ahorra tiempo:
- Si solo quieres generar imágenes cuanto antes: ve directo a 2.1 Z-Image-Turbo, 12 minutos
- Con 8GB de VRAM y quieres probar video: ve directo a 2.10 Wan2.2 5B, 15 minutos
- Si te dedicas principalmente a la edición de imágenes e imágenes de e-commerce: 2.3 Qwen-Image-Edit → 2.4 Qwen-Image-2.1, unos 30 minutos, y después continúa con práctica de imágenes de e-commerce
- Si quieres clips cortos con sonido: 2.14 LTX-2/2.3, 15 minutos
🚀 Antes de empezar
- Has ejecutado 1.5 tu primera generación de imágenes: sabes cargar modelos, escribir prompts y ejecutar con
Ctrl + Enter - Sabes dónde van los archivos de modelos: tienes claro el papel de cada subdirectorio de
diffusion_models,text_encodersyvae(si lo olvidas, repasa 1.4 dónde se colocan los modelos) - Has actualizado ComfyUI a la última versión: los modelos de esta etapa son muy recientes; la plantilla de FLUX.3 Klein requiere 0.41.0 o superior
- Verifica disco y VRAM: los archivos de modelos grandes no son pequeños (la versión completa de FLUX.1 pesa unos 23GB); el tamaño de la VRAM determina qué lección aprender primero (consulta la matriz de abajo)
- Un vaso de agua ☕ — aprovecha el tiempo de descarga de los modelos para hidratarte
💡 La biblioteca de plantillas es la entrada principal de esta etapa
Cada lección comienza cargando el workflow oficial desde Template Library (icono Templates en la barra lateral izquierda); si falta un modelo, el nodo correspondiente se marca en rojo, y basta con hacer Download uno por uno en la pestaña Errors de la derecha. Los detalles de todo este proceso están en 4.1 la biblioteca de plantillas.
📋 Elige el modelo según la tarea
Esta etapa cubre cinco familias de modelos con tutoriales oficiales completos: Z-Image, Qwen-Image, FLUX, Wan2.2 y LTX. Las dos tablas siguientes son guías rápidas de recomendación y comparación de modelos de ComfyUI ordenadas por tarea; los requisitos de VRAM y los pasos provienen de los tutoriales oficiales, así que basta con consultarlas al elegir.
Clase de imagen
| Tu tarea | Modelo recomendado | Datos clave (VRAM / pasos / licencia) | Tutorial |
|---|---|---|---|
| Generación rápida de imágenes, VRAM limitada | Z-Image-Turbo | Versión destilada de 6B de Alibaba Tongyi; genera en 8 pasos; corre con 16GB de VRAM; renderizado preciso de texto en chino e inglés | 2.1 |
| Escribir texto en chino dentro de la imagen | Qwen-Image (incluye 2512) | 20B del equipo Qwen de Alibaba; potente renderizado de texto en chino e inglés; versión destilada en 15 pasos, Lightning LoRA en 8 pasos | 2.2 |
| Edición de imágenes en una frase: cambiar fondo, modificar texto, cambiar materiales | Qwen-Image-Edit (2509/2511) | edición mediante instrucciones; 2511 admite sustitución de materiales y consistencia de personajes | 2.3 |
| Generación y edición integradas, fondo transparente, 2K | Qwen-Image-2.1 | un solo modelo con doble uso; 2048×2048 nativo; fondo transparente alpha; 16 ranuras de imágenes de referencia | 2.4 |
| Texto a imagen fotorrealista (prompts en inglés) | FLUX.1 dev / schnell | 12B, imágenes más realistas y diversas; schnell en 4 pasos, Apache 2.0; dev no comercial | 2.5 |
| Consistencia de personajes, edición en múltiples rondas | FLUX.1 Kontext | 12B edición iterativa, mantiene personajes y estilo tras múltiples rondas de modificación; solo admite prompts en inglés | 2.6 |
| Repintado local, ampliación de imagen | FLUX.1 Fill | especializado en inpaint / outpaint; según lo oficial, su calidad solo es superada por la versión comercial Fill [pro] | 2.7 |
| Consistencia con múltiples referencias, maquetas de productos | FLUX.2 Dev | hasta 4MP con calidad fotográfica; hasta 10 imágenes de referencia; color de marca en hex | 2.8 |
| Generación rápida con poca VRAM, vista previa | FLUX.2 Klein | 4B; distilled 8.4GB de VRAM, unos 1.2 segundos por imagen (5090) | 2.8 |
| Ejecutar localmente la última generación de FLUX | FLUX.3 Klein | texto a imagen y edición con el mismo conjunto de pesos; distilled en 4–16 pasos; FLUX Kommunity License | 2.9 |
Clase de vídeo
| Tu tarea | Modelo recomendado | Datos clave (VRAM / pasos / licencia) | Tutorial |
|---|---|---|---|
| Generar vídeo con 8GB de VRAM | Wan2.2 5B | un solo modelo para texto a vídeo e imagen a vídeo; con offloading nativo funciona con 8GB de VRAM | 2.10 |
| Texto a vídeo de alta calidad | Wan2.2 14B T2V | MoE con doble experto de ruido alto/bajo; Apache 2.0 apto para uso comercial | 2.11 |
| Dar vida a las fotos | Wan2.2 14B I2V | sube una imagen como primer fotograma y genera un vídeo en movimiento | 2.12 |
| Controlar el inicio y el final del vídeo | Wan2.2 FLF2V | se dan el primer y el último fotograma, y el tramo intermedio se completa automáticamente | 2.13 |
| Vídeo con sonido | LTX-2/2.3 | 19B audio y vídeo integrados, genera vídeo y audio sincronizados en una sola pasada; distilled en 8 pasos (CFG=1) | 2.14 |
| Narración multiplano, 4K HDR | LTX-2.5 | multishot multiplano nativo; 4K HDR hasta 50 FPS; hay que solicitar acceso al repositorio de HF primero | 2.15 |
⚠️ Revisa la licencia antes de usarlo comercialmente
schnell y Wan2.2 son Apache 2.0 y pueden usarse comercialmente; la serie FLUX.1 dev (incluidos Kontext y Fill) tiene licencia no comercial; FLUX.3 Klein usa la FLUX Kommunity License. Para el resto de los modelos, rige la licencia que aparece en la página de descarga.
💡 Si dudas, empieza por el de menor barrera de entrada
Si la VRAM es escasa: para imágenes prueba primero FLUX.2 Klein (distilled 8.4GB) o Z-Image-Turbo (16GB), y para vídeo prueba primero Wan2.2 5B (8GB). Una vez que uno funcione, la estructura de los flujos de trabajo de los demás modelos es muy similar: cambiar de modelo es mucho más fácil que aprender una herramienta nueva.
📚 Cursos de esta etapa
| Curso | Contenido | Duración |
|---|---|---|
| 2.1 Z-Image-Turbo texto a imagen | el caballo veloz nacional de 8 pasos y 16GB de VRAM; Fun Union ControlNet y ampliación a 2K | 12 minutos |
| 2.2 Qwen-Image texto a imagen | la base de 20B escribe bien el chino; aceleración por destilación / Lightning; 2512 mejora fotográfica (descargable en ModelScope) | 12 minutos |
| 2.3 Qwen-Image-Edit edición por instrucciones | cambia el fondo o el texto con una frase; 2509 consistencia multi-imagen, 2511 reemplazo de materiales | 15 minutos |
| 2.4 Qwen-Image-2.1 | generación y edición integradas; 2K nativo, fondo transparente, 16 imágenes de referencia | 15 minutos |
| 2.5 FLUX.1 texto a imagen | despliegue local de dev y schnell; dos formas de instalación, completa y fp8 | 12 minutos |
| 2.6 FLUX.1 Kontext | edición iterativa en múltiples rondas con consistencia de personajes; toma imágenes del directorio de salida para encadenar cambios | 12 minutos |
| 2.7 FLUX.1 Fill | repintado local (inpaint) y ampliación de imagen (outpaint) | 12 minutos |
| 2.8 FLUX.2 | consistencia multirreferencia de Dev y versión ligera Klein; flujo de trabajo para maquetas de productos | 15 minutos |
| 2.9 FLUX.3 Klein | el FLUX de código abierto más reciente; texto a imagen y edición con los mismos pesos, distilled en 4–16 pasos | 12 minutos |
| 2.10 Wan2.2 5B | texto a vídeo e imagen a vídeo con 8GB de VRAM | 15 minutos |
| 2.11 Wan2.2 14B texto a vídeo | doble modelo experto de ruido alto y bajo para resultados espectaculares | 15 minutos |
| 2.12 Wan2.2 14B imagen a vídeo | da vida a las fotos; ten en cuenta que I2V usa pesos fp16 | 15 minutos |
| 2.13 Wan2.2 vídeo a partir de fotogramas inicial y final | controla el inicio y el final, el intermedio se completa automáticamente | 12 minutos |
| 2.14 LTX-2/2.3 | genera en una sola vez vídeo con sonido; seis flujos de trabajo oficiales | 15 minutos |
| 2.15 LTX-2.5 | narración multiplano, 4K HDR y DFR; el repositorio de HF requiere solicitar acceso primero | 15 minutos |
🎒 Lo que aprenderás
- un mapa de selección «tarea → modelo → tutorial»: cuando salgan nuevos modelos, podrás evaluarlos tú mismo según las dimensiones de VRAM, pasos, licencia y tarea
- conciencia de los límites antes de descargar: revisa primero la referencia de VRAM y la licencia (Apache 2.0 / no comercial / Kommunity) y deja de esperar horas de descarga en vano
- la forma de ejecutar las plantillas oficiales correspondientes a los 15 tutoriales de flujos de trabajo de ComfyUI: carga de plantillas, colocación de modelos y ajuste de parámetros, hasta obtener imágenes y vídeos
- la entrada a dos rutas avanzadas: imágenes hacia práctica con imágenes de e-commerce, control, LoRA y cuantización hacia técnicas avanzadas
¿Todo listo? Empieza la primera lección: Z-Image-Turbo texto a imagen →