Wan2GP vs ComfyUI: Estabilidad, Modelos y el Caos de la Cache

Escrito el por griquelme
Facebook Twitter WhatsApp LinkedIn

Estabilidad: ¿Wan2GP es más fiable que ComfyUI?

Al comparar herramientas como Wan2GP y ComfyUI, la primera impresión suele ser sobre su estabilidad. Wan2GP funciona como una interfaz de usuario para modelos de video, actuando casi como un dispositivo encapsulado que controla sus versiones internas.

Imagen dividida mostrando las interfaces de dos softwares de IA generativa, comparando su diseño y arquitectura.
Comparación visual de las interfaces: Wan2GP como una aplicación encapsulada versus la complejidad nodal de ComfyUI.

La cultura del movimiento rápido vs. el entorno encapsulado

ComfyUI es extremadamente modular y su comunidad mueve piezas a velocidad industrial. Esto significa que APIs internas cambian, nodos se renombran y actualizaciones menores pueden dejar workflows enteros inutilizables.

ComfyUI = «Todo era configurable… hasta que dejó de funcionar»

Wan2GP, en cambio, es más estable entre releases porque encapsula el entorno del usuario y evita que toquen cosas crudas. Sin embargo, hay una trampa importante: Wan2GP depende indirectamente de piezas del ecosistema AI como PyTorch o CUDA.

Wan2GP = «La app sigue igual, pero ahora este modelo ya no carga»

Entonces, la sensación subjetiva cambia. ComfyUI rompe workflows y nodos; Wan2GP rompe por incompatibilidades de entorno. Para alguien que valora estabilidad, congelar versiones o usar entornos virtuales es clave en ambos casos.

Compartir modelos: ¿Es complicado?

No demasiado complicado, pero tampoco es plug-and-play perfecto. Normalmente puedes compartir checkpoints, LoRAs y VAEs entre ambos siempre que usen el mismo backend o formato.

Symlinks para un flujo centralizado

Lo más común es tener una carpeta maestra de modelos y usar enlaces simbólicos (symlinks) hacia las carpetas de cada programa. En Windows, esto se hace con comandos como mklink /J.

Diagrama técnico mostrando cómo conectar una carpeta central de modelos a dos aplicaciones distintas mediante symlinks.
Diagrama del flujo de compartición de modelos usando enlaces simbólicos (symlinks) para evitar duplicar archivos.
mklink /J "D:ComfyUImodelscheckpoints" "E:AIModelscheckpoints"

Así ambos leen los mismos archivos sin duplicar cientos de GB. El problema empieza cuando uno espera una estructura distinta o usa loaders diferentes.

El caos de la caché: ¿Perfil vs. Carpeta Models?

Aquí es donde las cosas se ponen absurdas. Muchas apps basadas en Hugging Face primero descargan al cache del perfil, típicamente C:Users<usuario>.cachehuggingface.

Wan2GP detecta que falta algo, descarga vía Hugging Face, lo cachea en el perfil y luego lo referencia a la carpeta models. Esto puede producir situaciones de tener 80 GB en .cache y otros 80 GB en models, duplicados.

Imagen dividida mostrando el desorden de tener múltiples cachés versus una configuración limpia usando variables de entorno compartidas.
El problema de duplicación de caché y la solución con variables de entorno para centralizar los archivos.
Honestamente, la segunda opción suele ser la menos dolorosa: dejar que descargue una vez y luego reutilizar esa estructura.

La solución para evitar este desorden es usar variables de entorno. Por ejemplo:

set HF_HOME=D:HFCache

Así todas las apps compatibles comparten la misma cache y no redescargan. Es una de esas cosas que el ecosistema AI todavía maneja de forma bastante salvaje.