Optimizando ComfyUI con Qwen Edit: De los 47 segundos al sweet spot

Usar herramientas de IA generativa como Qwen Edit dentro de entornos complejos como ComfyUI puede revelar cuellos de botella ocultos en el hardware y la arquitectura del software. En este artículo, desglosamos cómo un usuario optimizó su flujo de trabajo para pasar de tiempos de generación de 47 segundos a un rendimiento estable de apenas 14 segundos por ciclo.

El punto de partida: Hardware y Benchmarks

Para entender la optimización, primero es útil conocer el contexto del hardware. Aunque la optimización se centró en una RTX 3090, es importante tener expectativas claras sobre cómo rinde este hardware frente a las generaciones superiores.

Según los benchmarks de rendimiento, una RTX 4090 tarda aproximadamente 8.96 segundos por imagen en un workflow SDXL estándar, mientras que una RTX 5090 reduce ese tiempo a unos 5.96 segundos.

Aunque la RTX 3090 es más antigua, su arquitectura sigue siendo muy capaz cuando se entiende cómo gestionarla correctamente dentro de los pipelines modernos de IA.

Optimizaciones Iniciales: Resolución y Encodings

El primer paso en cualquier optimización de flujo de trabajo es analizar dónde reside el mayor coste computacional. En este caso, se identificó que codificar la imagen antes del encoder (VAE) era una operación extremadamente costosa.

Al reducir la resolución de entrada de 1.6 megapíxeles a 0.8 MP justo antes del encode, el usuario logró resultados inmediatos: el tiempo de generación pura bajó de 20 segundos a solo 11 segundos, y el ciclo total se redujo a unos 36 segundos.

Este ajuste demostró que la calidad final no dependía del tamaño de entrada, sino de la capacidad del modelo para reconstruir los detalles durante la difusión.

El Overhead Oculto y el Underclock

A pesar de las mejoras iniciales, se descubrió un cuello de botella estructural: un tiempo fijo de unos 25 segundos que persistía incluso con resoluciones más bajas. Este retraso provenía de la recarga lógica de buffers y sincronizaciones CUDA obligatorias dentro del modelo Qwen Edit.

Además, se observó un contador interno llamado lowvram patches, el cual subía constantemente, indicando que ComfyUI estaba aplicando parches defensivos para gestionar la memoria.

Una solución clave fue aplicar un underclock a la GPU. Al reducir los clocks y mantener el consumo en unos 350 W, se sacrificaron esos últimos segundos de rendimiento puro a cambio de una estabilidad térmica y operativa mucho mayor, evitando picos innecesarios.

La Arquitectura Final: Separación de Loops

El paso final para alcanzar el tiempo total de 14 segundos fue implementar una arquitectura de dos loops. Esto permitió separar la carga de imágenes (una operación lenta que siempre tarda unos 36 segundos) del proceso real de generación (el loop rápido que tarda solo 11-14 segundos).

Se congeló el VAEEncode y se eliminaron nodos dinámicos como FluxKontextMultiReferenceLatentMethod del camino crítico.

Conclusión

Este proceso ilustra que la optimización de IA no es solo cuestión de tener más watts o VRAM, sino de entender dónde se invierte el tiempo y cómo estructurar los datos para evitar cálculos redundantes. Al final del día, la eficiencia real se mide en segundos ahorrados sin sacrificar calidad.