Modelos y descargas para ComfyUI

MOSS-Image es la familia abierta de texto a imagen de 5B de OpenMOSS con control de diseño JSON, renderizado preciso de texto en inglés y chino, y soporte de ComfyUI en el núcleo.

Qwen-Video-Edit reutiliza el DiT de Qwen-Image-Edit para editar latentes de vídeo de Wan 2.1 con instrucciones de texto, checkpoints de 360P a 720P y nodos oficiales de ComfyUI.

SANA-Video es la línea de vídeo de NVIDIA centrada en la eficiencia: el checkpoint 5B 720p renderiza clips de 736x1280 desde texto o un primer fotograma, más un DMD de 4 pasos.

Kandinsky 6.0 es la familia abierta de modelos de difusión de Kandinsky Lab que genera vídeo de 5 segundos con audio sincronizado de 44 kHz, en versiones Pro y Lite.

DreamX-Creator 1.0 es el modelo abierto de AMap que genera vídeo y audio sincronizados, con un refinador de 2K en 1 paso y nodos nativos de ComfyUI.

AuK es la familia de voz abierta 1.5B de Tencent Hunyuan: TTS, clonación de voz, edición de contenido y acústica, mejora y separación, con nodos oficiales de ComfyUI.

LLaDA-Image es el modelo abierto 6B de InclusionAI para texto a imagen y edición nativa por instrucciones, con una variante Turbo y un paquete de nodos ComfyUI de la comunidad.

Bernini es el framework abierto de generación y edición de vídeo de ByteDance: un planificador semántico y un renderizador basado en Wan2.2, publicado bajo licencia Apache-2.0.

YuE2 es la familia abierta de modelos de letra a canción de m-a-p, con soporte nativo en ComfyUI. Pesos YuE2-3B para canciones con melodía y acordes editables. CC-BY-NC-4.0.

Ming-Image es la familia abierta de 6B de inclusionAI para diseño visual y descomposición en capas editables, con salida RGBA y soporte ComfyUI en progreso.

Modelos de generación abiertos de MiniMax en ComfyUI: el video omni-modal H3 con audio estéreo nativo de 32 kHz, y Music 3 para canciones de hasta cinco minutos.

Mage-Flow es un stack de generación compacto de 4B parámetros de Microsoft Asia para generación de texto a imagen y edición de imágenes por instrucciones, con resolución nativa de hasta 2048, variantes RL y Turbo, licencia MIT.

JoyAI Image es un modelo fundacional multimodal unificado de JD Open Source para edición de imágenes guiada por instrucciones. Combina 8B MLLM + 16B MMDiT con soporte nativo de ComfyUI.

Ovi de Character.AI es un modelo de audio y video con doble backbone basado en Wan2.2 que genera audio y video sincronizados en ambos sentidos.

SkyReels-V2 es el primer modelo abierto de vídeo de longitud infinita con Diffusion Forcing. Basado en Wan2.1, soporta T2V, I2V y generación autorregresiva.

Anima es un modelo de texto a imagen de 2 mil millones de parámetros creado por Circlestone Labs y Comfy Org, centrado en conceptos anime y estilos artísticos. Disponible en variantes Base, Aesthetic y Turbo para ComfyUI.

Modelos de codificador de texto Qwen de Alibaba para usar con ComfyUI: Qwen3-VL (visión-lenguaje) y Qwen3.5 (solo texto).

Z-Image es una familia de modelos eficientes de generación de imágenes de Tongyi-MAI (Alibaba). Cuenta con una arquitectura DiT de flujo único de 6 mil millones de parámetros con variantes para calidad (Z-Image) y velocidad (Z-Image-Turbo).

VOID de Netflix es un modelo de eliminación de objetos e interacciones en vídeo que elimina objetos de los vídeos junto con todas las interacciones físicas inducidas.

Stable Audio es la familia de modelos de texto a audio de Stability AI para generación de música, efectos de sonido y foley, incluyendo Stable Audio Open 1.0 y Stable Audio 3.

Qwen-Image es el modelo de generación de imágenes de código abierto de Alibaba en la serie Qwen, destacando en texto complejo y edición precisa.

PixelDiT de NVIDIA es un transformador de difusión de píxeles sin VAE para generación de texto a imagen. Incluye modelos PiD (Pixel Diffusion Decoder) para superresolución hasta 4K.

Ovis es la serie de modelos de generación de imágenes visión-lenguaje de AIDC-AI para usar con ComfyUI, que incluye modelos de difusión y codificadores de texto.

OmniGen es una serie de modelos unificados de generación multimodal de VectorSpace Lab que admite T2I, edición de imágenes y generación en contexto.

NewBie-image Exp0.1 es un modelo Next-DiT de 3.5B del NewBie AI Lab especializado en generación de imágenes de estilo anime.

Lumina-Image 2.0 de Alpha-VLLM es un transformer de difusión basado en flujo de 2 mil millones de parámetros para generación de texto a imagen.

LongCat de Meituan es un modelo fundacional bilingüe (chino-inglés) de código abierto pionero para generación de imágenes con renderizado de texto chino superior y fotorrealismo.

Krea 2 es un modelo de generación de imágenes AI de código abierto de Krea. Ofrece variantes Raw (calidad completa) y Turbo (destilado) con LoRAs de estilo para efectos artísticos diversos.

Ideogram 4 es un modelo de IA de texto a imagen de última generación de Ideogram AI. Cuenta con capacidades avanzadas de tipografía y generación fotorrealista.

Gemma es la familia de modelos abiertos de Google DeepMind para usar como codificadores de texto en ComfyUI, incluyendo Gemma 4 con variantes ajustadas por instrucciones E2B y E4B.

ERNIE-Image es la serie de modelos open source de generación de texto a imagen de 8B parámetros de Baidu, con un Prompt Enhancer ligero, destacando en renderizado de texto y generación estructurada.

Chroma es una serie de modelos de lodestones que incluye Chroma1-HD (8.9B T2I) y Chroma1-Radiance (escalado de alta resolución en desarrollo), ambos bajo licencia Apache 2.0.

Boogu-Image es una serie versátil de modelos de generación de imágenes con variantes base, turbo y edición para ComfyUI.

La serie de modelos de generación de video open-source de Alibaba Cloud. Desde Wan2.1 hasta Wan2.2, ofreciendo generación de texto a video e imagen a video de alta calidad con arquitectura MoE.

Linaje de Stable Diffusion de Stability AI: SD 1.5 (Runway), SD 2.x, SDXL y SD 3.5. Checkpoints abiertos de texto a imagen muy utilizados en ComfyUI.

LTX-Video es el primer modelo de generación de video basado en DiT de Lightricks con 2B parámetros, compatible con generación de texto a video y de imagen a video.

DeepSeek Janus Pro es un modelo de IA multimodal capaz de comprender y generar imágenes, publicado como código abierto por DeepSeek en enero de 2025.

IC-Light es la serie de reiluminación de imágenes de lllyasviel: checkpoints V1 abiertos más una V2 basada en FLUX que hoy solo se ejecuta en la demo online oficial.

Hunyuan3D es la serie de modelos de generación 3D de código abierto de Tencent. La versión 2.0 admite la generación de modelos 3D de alta fidelidad con mapas de textura de alta resolución a partir de entradas de texto, imagen o boceto.

Serie de modelos de generación de vídeo open-source de Tencent. De v1.0 a v1.5, generación de texto a vídeo e imagen a vídeo de alta calidad.

HiDream-I1 es un modelo de texto a imagen de 17B parámetros de HiDream-ai, que combina DiT con arquitectura MoE. Con licencia MIT, disponible en variantes Full/Dev/Fast.

Flux es una serie de modelos de generación de imágenes open source de Black Forest Labs. Tres generaciones: FLUX.1 (3.8B DiT), FLUX.2 (32B dense transformer) y FLUX 3 (modelo de flujo multimodal para video, imagen, audio y predicción de acciones).

ACE-Step es un modelo base de generación de música de código abierto desarrollado conjuntamente por StepFun y ACE Studio, compatible con generación musical, edición y síntesis de audio.