圖像專屬 AI 電腦
為 AI 圖像生成、節點式工作流及視覺創作而設，重點放在 GPU VRAM、ComfyUI 生態及模型工作流彈性。
這個方案是為誰而設？
圖像 AI 的硬件需求與純文字 LLM 不完全相同。ComfyUI、FLUX、Stable Diffusion、LoRA、ControlNet、Upscale 及多模型工作流都會消耗 VRAM，因此這個方案會把預算更集中於 GPU 與 VRAM，而不是單純追求 CPU 核心數。
支援的 AI 模型與工具方向
以下列出的模型及工具是「適用方向」而非代表任何一個固定配置可以無限制高速運行所有項目。實際可用性取決於模型版本、量化格式、VRAM、Context、解析度及工作流。
模型 / 平台
- FLUX.1 系列
- FLUX.1 Schnell
- Stable Diffusion XL
- Stable Diffusion 3.5
- LoRA / ControlNet
常見工作
- AI 人像與產品圖
- 電商圖片生成
- 概念設計
- 角色與風格創作
- LoRA 工作流
- ComfyUI 節點式生成
適合人群
設計師、攝影師、電商商家、AI 藝術創作者、廣告內容團隊及需要大量生成圖片的工作室。
建議硬件方向
圖像工作最值得投資的是 VRAM。8GB 可以應付部分較輕量 Stable Diffusion 工作，但 FLUX、較高解像度、ControlNet、LoRA、Upscale 或複雜 ComfyUI graph 往往更需要 16GB 或以上空間。實際需求會因精度、量化、解析度及 workflow 而改變。
配置邏輯
ComfyUI → Checkpoint / Diffusion Model → LoRA / ControlNet → VAE → Upscale → Output。FLUX 不同版本與量化方式的 VRAM 需求差距可以很大，因此配機時應以你實際使用的 workflow 為準。
模型容量與 VRAM：不要只看「幾 B」
模型大小 ≠ 實際所需顯存
模型參數量只是第一個指標。推理時還要考慮權重精度、量化格式、KV Cache、Context 長度、Batch Size、Framework 及其他 runtime 開銷。因此「14B / 32B / 70B」不能直接等同於一個固定 VRAM 數字。
量化與 Offload
4-bit、8-bit 等量化可以降低權重記憶體需求；CPU RAM Offload 則可以把部分資料放到系統記憶體，但通常會犧牲速度。多 GPU 亦需要從主機板 PCIe、電源及散熱整體規劃。
適合的實際工作流
| 工作流 | 建議方向 | 注意事項 |
|---|---|---|
| Local Chat | Ollama / LM Studio + 量化 LLM | VRAM 決定可載入模型的彈性；Context 越長，額外記憶體需求越高。 |
| RAG | Embedding + Vector DB + LLM | 資料庫規模、Embedding 模型及同時運行服務會增加 RAM / SSD 需求。 |
| AI Agent | LLM + Tool Calling + Browser / Files | 需要穩定長時間運行；Agent 工具本身未必是本地模型。 |
| 圖像 / 影片 | ComfyUI / Diffusion / Video Workflow | 解析度、模型、ControlNet、LoRA、幀數及 Upscale 都會影響 VRAM。 |
實際配機時，我們會看什麼？
① 先確認模型
先列出你真正會使用的模型、版本及量化格式，再估算權重、KV Cache、Context 與其他 Runtime 所需資源。這樣可以避免只按「8B、14B、32B」等參數量作錯誤判斷。
② 再確認工作流
同一張 GPU 用於 Local LLM、ComfyUI、AI Video、RAG 或 Agent，瓶頸可能完全不同。工作流會直接影響 VRAM、RAM、CPU、SSD、散熱及電源的比例。
③ 最後規劃升級
如果預計未來增加模型尺寸、加入 AI 圖像／影片、Fine-tuning 或 Agent，首次配置應預留 RAM、SSD、電源、機箱及 PCIe 擴充空間，避免短期內重新砌機。
直接告訴我們你想跑甚麼。
模型名稱 + 用途 + 預算，已經足夠作為第一次配機討論的起點。