IntelGpu-ComfyUI-Collection

AI 模型动态卸载器 (AI Model Dynamic Offloader)该项目是一款 PyTorch 显存（VRAM）分配器。当 PyTorch 原生的显存分配器面临显存压力（不足）时，它能够实现模型权重的按需卸载（Offloading）。


通过 Level Zero 后端在 Linux 和 Windows 上支持Intel XPU

LLM Scaler Omni 为生成式媒体（多媒体）工作负载提供Intel XPU 镜像。其默认镜像是一个单 XPU 的 ComfyUI 环境，其中集成了针对特定硬件目标优化的 omni_xpu_kernel 二进制文件、支持 XPU 加速的 Comfy Kitchen 后端，以及一个轻量级的 ComfyUI 接入/集成层。

面向 Intel Arc XPU 的统一 INT4 模型加载器：同时支持 wa4 格式与 tint4(torchao) 后端量化的非对称 INT4 格式（tint4），经 omni_xpu_kernel 的 oneDNN INT4 GEMM 原生加速。当前正式版主打 w4a16 后端（int4 权重 + 16bit 激活）。


【wa4 模型下载】 【tint4 / torchao 模型下载】

该优化的 B系列(BMG)显卡,来自官方的llm-scaler-omni官方項目；由社区补齐了A770(DG2) 系列显卡的支持缺口，针对Comfyui中工作流的执行速度和稳定性，提供了Windows 平台的支持，并整合为一份开箱即用的优化指南。建议Agent协助安装


【Release】【网盘分流】【包含优化指南的整合包（20260905+）】【关联视频】

Intel llm-scaler-omni 官方套件的独立 fork，为 Arc A770 / DG2 补齐 RMS-RoPE 桥接、DG2 注意力路由、INT8 快速路径、DynamicVRAM 裁剪等兼容性。


【A770专用_ComfyUI_MinMaxH3_整合包】 【关联视频】

如果你找B系列（bmg）适配，请查阅系统优化指南

Intel llm-scaler 中 omni_xpu_kernel 的独立 fork，为 DG2（A770） 增加 DPAS attention、ConvRot 融合量化、INT8 快速路径等原生内核，提供 Windows 预编译 wheel。


【A770专用_ComfyUI_MinMaxH3_整合包】 【关联视频】

如果你找B系列（bmg）适配，请查阅系统优化指南

基于 Intel XeSS 的 Windows 视频增强工具箱，提供 视频超分、双倍帧生成、中文 ComfyUI 节点及独立便携版。支持 AI 深度、光流、多帧融合和流式处理，并内置磁盘空间保护与自动安装脚本。

ai-toolkit-xpu 是 ostris/ai-toolkit 的 Intel Arc XPU 适配版，让这套开源扩散模型训练套件在 Arc 独显上直接可用——支持 FLUX、Qwen-Image、Krea 2、SDXL、Wan、LTX-2 等全系图像与视频模型，可训 LoRA / LoKr。核心是 5 个 XPU 补丁加全模型 fp64 修复，无需 oneAPI 编译器。A770 上开启可选 xpu_int8 后端，Krea 2 训练提速约 2.25 倍（24.97 → 11.11 s/it），未装或架构不符会自动回退，训练不会失败。另配一键脚本、中文 Web UI 与全自动资源监控。

Intel XPU 集成适用于 Comfy-Org/comfy-kitchen，并由可选的 omni_xpu_kernel 原生包提供支持。该仓库保留了 Comfy Kitchen 的公共 API 和后端调度模型，并在此基础上添加了一个实验性的 Intel XPU 后端、QuantizedTensor（量化张量）集成、目标感知型伴生轮子（companion-wheel）工具。这个后端代码里没有任何架构判断（搜 bmg/dg2/a770/arch 全部无匹配）——架构无关的纯 Python 适配层，它只通过 kernel 的 Python API 加速。这个项目的压力在于追赶官方 ComfyUI Kitchen 的速度。

ComfyUI-XPUSYS-Monitor 是一款以 Intel Arc 为核心的 ComfyUI 硬件监控插件，在顶部菜单栏以胶囊形式实时展示 GPU、CPU、内存等关键指标，并提供独家的工作流执行成功率预测功能，让你在点击运行前就能预判本次工作流能否顺利完成。同时完整支持 NVIDIA (CUDA) 和 AMD (ROCm) 平台。


【网盘下载 】【关联视频】

这是一个面向推理引擎开发的参考验证框架（核心 Python + 头文件-only C++），它把一次 PyTorch 模型执行固化为机器可读的参考规范（Trace IR + .irtensor 张量载荷），自动切出自包含的最小复现 testcase，让你的自定义引擎（CUDA / SYCL / ROCm / CPU，含 Intel XPU）在不依赖 PyTorch 甚至 Python 的情况下，仅读取 .irtensor 输入、吐出输出，再通过数值比较精确报告首个分歧点；它提供 doctor --device xpu 的 XPU 检查、原生 C++/SYCL 引擎、可进 CI 的 inferref_compare（PASS=0/FAIL=1）与 Agent 盲评基准，适合作为 Intel Arc XPU 推理后端的数值回归护城河。

基于 Aila 推理引擎（Arc 原生，SYCL/oneDNN/Level Zero/NF4）的 ComfyUI 插件，提供 VLM 提示词反推、LLM 问答、ASR 转录（可出 SRT）、TTS 合成四合一能力。


【插件和模型】 【关联视频】

Blackwood416 开发的 Intel Arc 原生推理引擎：SYCL + oneDNN + Level Zero 技术栈，从 kernel 层面针对 Arc 架构（A770 / B580 等）手写优化，支持 bitsandbytes NF4 4-bit 量化，推理性能优于 llama.cpp 等通用方案。是 ComfyUI-Aila-XPU 插件的推理后端。


【关联视频】

为 Intel Arc（Alchemist / Battlemage）预编译的 llama-cpp-python SYCL wheel 集合，Windows 免编译直接安装。


【网盘下载 】

MFV是一个无偏、交叉验证的模型量化格式逆向分析工具。 它的核心立场是"不信任文件名、不信任元数据、不信任直方图"——只以文件物理尺寸、张量结构与解包特征为硬证据，通过 nibble 缺失判据、字节 unique 组合、形状自洽性验证等交叉手段，准确识别各种模型，内置的文件名审计会逐段核验文件名声称与文件证据的一致性，并给出保留作者身份的标准化命名建议；同时提供激活位宽（W×A）推导参考。项目既是一个可直接运行的 CLI 工具，也是以五步分析范式组织的 Agent Skill 包，配套案例库与回归测试脚本。

在 ComfyUI 中加载 GGUF 大模型的节点封装（SYCL 加速 fork），支持纯文本 / 视觉多模态与 JSON Schema 输出，配套 llama-cpp-python-sycl-windows 使用。