11. November 2026 · VRAMfarm-Team

ComfyUI auf einer gemieteten GPU: eigene Modelle, LoRAs, Custom Nodes und die 502-Seite

Sie haben eine Minute nach dem Start auf ComfyUI öffnen geklickt und einen 502-Fehler oder eine weiße Seite bekommen. Kaputt ist nichts: Auf einem neuen Server installiert sich ComfyUI zuerst selbst (beim ersten Start etwa 5 Minuten), danach lädt eine fertige App im Hintergrund 7 bis 70 GB an Modellen herunter. Das Dashboard zeigt an, wann wirklich alles bereit ist; bis dahin sehen Sie mit ein paar Terminalbefehlen, wie weit es ist.

Fertige App oder leeres ComfyUI

Beides ist kostenlos; Sie zahlen nur die GPU-Zeit, ab 0,59 € pro Stunde auf einer RTX 4090, und den Traffic für das, was der Server herunterlädt. Der Unterschied liegt darin, was für Sie heruntergeladen wird.

Wählen Sie eine fertige App, wenn Ihr Modell in der Liste steht: Die Dateien landen in den richtigen Ordnern, und der passende eingebaute Workflow läuft sofort. Wählen Sie das leere ComfyUI, wenn Sie Ihren eigenen Stack mitbringen, etwa einen SD-1.5- oder Pony-Checkpoint von Civitai. Basiert Ihr Checkpoint auf SDXL (Pony, Illustrious und die meisten SDXL-Fine-Tunes), ist die SDXL-App ebenfalls ein guter Ausgangspunkt, weil VAE und Basis-Workflow schon da sind.

Einen Vergleich der Karten finden Sie unter welche GPU für Flux, SDXL und ComfyUI oder auf der ComfyUI-Seite.

Wann ist ComfyUI bereit? 502, leere Seite und fehlende Modelle

Ein Start durchläuft drei Phasen, und jede hat ihr eigenes Symptom, wenn Sie die Seite zu früh öffnen.

1. Die Maschine startet (meist 2–5 Minuten). SSH und Jupyter sind erreichbar. Die ComfyUI-Adresse antwortet noch nicht.
2. ComfyUI wird installiert und gestartet (ein paar Minuten mehr). Die Adresse liefert 502 oder eine leere Seite, bis der ComfyUI-Prozess lauscht.
3. Die Modelle werden heruntergeladen, eine Datei nach der anderen. Die Oberfläche funktioniert schon, und die Modelle erscheinen in den Listen, sobald sie da sind. Starten Sie jetzt einen Workflow, bekommen Sie „missing model“, „Value not in list“ oder eine Liste von Problemen, weil die Datei noch fehlt. Langsam ist Wan 2.2 14B: rund 70 GB, bis zu 10–15 Minuten.

Das Dashboard zeigt an, wann die App bereit ist, und schickt Ihnen eine Benachrichtigung. Am einfachsten warten Sie also darauf. Wenn Sie selbst nachsehen wollen, öffnen Sie Jupyter → File → New → Terminal und führen Sie aus:

tail -n 20 /workspace/comfyui.log            # "To see the GUI go to: http://0.0.0.0:8188" heißt: Die Oberfläche läuft
find /workspace/ComfyUI/models -name "*.part"  # Dateien, die noch geladen werden, enden auf .part
du -sh /workspace/ComfyUI/models              # mit der App-Größe aus der Tabelle oben vergleichen
tail -n 30 /workspace/gf-install.log          # Installationsfehler, falls ComfyUI nie startet

Endet das Log mit einem Python-Fehler statt mit der Zeile „To see the GUI“, ist ComfyUI nicht gestartet; schicken Sie die letzten Zeilen beider Logs an den Support. Zeigt das Log die GUI-Zeile, die Seite aber noch 502, ist ComfyUI gerade erst hochgefahren: Warten Sie eine Minute und laden Sie neu.

Warten kostet Geld, deshalb lohnt es sich zu wissen, wie viel. Phase 1 ist kostenlos: Die Abrechnung beginnt, wenn der Server bereit ist. Installation und Modell-Download in den Phasen 2 und 3 werden also minutengenau berechnet. 15 Minuten Warten auf Wan 14B auf einer RTX A6000 kosten etwa 0,18 €, plus den Traffic für 70 GB Modelle zum Tarif der Maschine.

Mit einer eingebauten Workflow-Vorlage beginnen

Öffnen Sie in ComfyUI Workflow → Browse Templates. Die Vorlagen sind nach Aufgabe sortiert: Text zu Bild, Bildbearbeitung, Video, Upscaling und mehr. Bei einer fertigen App nutzt die Vorlage für das jeweilige Modell (Flux schnell, SDXL, Qwen-Image, Wan 2.2 usw.) genau die Dateien, die wir heruntergeladen haben. Sie können also auf Run klicken, sobald der Download fertig ist.

Andere Vorlagen brauchen eventuell Modelle, die Sie nicht haben. ComfyUI zeigt dann einen Dialog mit jeder fehlenden Datei und dem Ordner, in den sie gehört. In der Browser-Version speichert der Download-Button in diesem Dialog die Datei auf Ihrem Computer, nicht auf dem Server. Kopieren Sie stattdessen den Link und laden Sie die Datei auf dem Server herunter, wie im nächsten Abschnitt gezeigt.

Workflows, die Sie in der linken Seitenleiste speichern, liegen in /workspace/ComfyUI/user/default/workflows und wandern deshalb mit dem gespeicherten Ordner mit.

Eigene Checkpoints und LoRAs hinzufügen

Alles liegt unter /workspace/ComfyUI/models/. Der Ordner entscheidet, welcher Node die Datei sieht:

Laden Sie direkt auf den Server herunter, aus dem Jupyter-Terminal. Kopieren Sie auf Hugging Face den resolve-Link der Datei, nicht den blob-Link: Der blob-Link ist eine Webseite, und wget würde 50 KB HTML unter einem .safetensors-Namen speichern.

cd /workspace/ComfyUI/models/loras
wget -O my-style.safetensors "https://huggingface.co/<user>/<repo>/resolve/main/<file>.safetensors"

Für ganze Repos oder zugangsbeschränkte Modelle ist das Kommandozeilen-Tool von Hugging Face einfacher:

pip install -U huggingface_hub
hf download <user>/<repo> <file>.safetensors --local-dir /workspace/ComfyUI/models/checkpoints
# zugangsbeschränkte Modelle (Flux dev und andere): zuerst auf der Website die Lizenz akzeptieren, dann
export HF_TOKEN=<your read token>

Civitai-Links brauchen meist Ihren eigenen API-Token am Ende der URL (?token=...) und einen Dateinamen, weil die Download-URL keinen enthält: wget -O model.safetensors "https://civitai.com/api/download/models/<id>?token=<token>".

Dateien von Ihrem Laptop laden Sie über den Upload-Button von Jupyter hoch oder mit scp, mit Host und Port aus dem SSH-Befehl unter Meine Server (Anleitung zum SSH-Schlüssel). Bei Dateien mit mehreren Gigabyte ist der Download von der Quelle meist viel schneller als der Upload von zu Hause.

Liegt die Datei an ihrem Platz, drücken Sie in ComfyUI R oder laden Sie die Seite neu, dann erscheint sie im Dropdown des Nodes. Downloads zählen als Traffic zum GB-Tarif der Maschine, den Sie vor dem Start sehen.

Custom Nodes ohne vorinstallierten ComfyUI Manager

Der ComfyUI Manager ist auf unseren Servern nicht installiert. Sie können ihn in einer Minute selbst hinzufügen oder ohne ihn Nodes direkt installieren. Beides geht im Jupyter-Terminal.

ComfyUI Manager installieren:

cd /workspace/ComfyUI/custom_nodes
git clone https://github.com/Comfy-Org/ComfyUI-Manager comfyui-manager
pip install -r comfyui-manager/requirements.txt

Oder einen einzelnen Node direkt installieren:

cd /workspace/ComfyUI/custom_nodes
git clone https://github.com/<author>/<node-repo>
pip install -r <node-repo>/requirements.txt   # falls das Repo eine hat

ComfyUI lädt neue Nodes nur beim Start, starten Sie es also neu:

pkill -f "main.py --listen"
cd /workspace/ComfyUI && nohup python main.py --listen 0.0.0.0 --port 8188 > /workspace/comfyui.log 2>&1 &

Laden Sie den Browser-Tab nach etwa 30 Sekunden neu. Mit dem Manager bekommen Sie einen Button Manager; dessen Install Missing Custom Nodes ist der schnellste Weg, wenn sich der Workflow von jemand anderem mit roten Nodes öffnet. Der Manager hat Sicherheitsstufen, und weil ComfyUI hier im Netzwerk lauscht, verweigert er womöglich riskantere Aktionen wie die Installation von einer beliebigen Git-URL. Die Installation aus seiner eigenen Liste funktioniert; für alles andere nehmen Sie git clone wie oben.

Neuere ComfyUI-Versionen enthalten außerdem einen eingebauten Manager, der mit einem Start-Flag eingeschaltet wird. Sehen Sie manager_requirements.txt in /workspace/ComfyUI, können Sie pip install -r manager_requirements.txt ausführen und dem Startbefehl --enable-manager hinzufügen, statt zu klonen.

Eine Warnung: Ein Custom Node ist gewöhnlicher Python-Code mit vollem Zugriff auf den Server, auch auf Ihre Modelle und Ergebnisse. Installieren Sie Nodes aus Repositories, denen Sie vertrauen, und bevorzugen Sie bekannte mit aktueller Aktivität.

Modelle, LoRAs und Nodes zwischen Sitzungen behalten

Die Festplatte des Servers wird beim Stoppen gelöscht. Um Ihre Arbeit zu behalten, nutzen Sie Speichern und stoppen unter Meine Server. Damit wird /workspace gespeichert: Ihre eigenen Checkpoints und LoRAs, custom_nodes, gespeicherte Workflows und der Ordner output. Beim nächsten Start wird der Ordner wiederhergestellt, bevor ComfyUI startet, auch auf einer anderen Karte, und Ihre Modelle stehen sofort in den Listen. Der Speicher kostet 0,03 € pro GB und Monat; ein Ordner mit 20 GB an LoRAs und Checkpoints kostet das Zwanzigfache, deutlich unter einem Euro.

Drei Dinge sollten Sie wissen:

• Die Basismodelle einer fertigen App werden nicht gespeichert. Sie werden beim nächsten Start von selbst neu geladen, Sie zahlen also keinen Speicher für 17–70 GB öffentlicher Gewichte.
• Python-Pakete liegen nicht in /workspace. Die Ordner der Custom Nodes kommen zurück, die Bibliotheken, die Sie dafür mit pip installiert haben, aber nicht. Installieren Sie sie nach einer Wiederherstellung neu und starten Sie ComfyUI neu:

for d in /workspace/ComfyUI/custom_nodes/*/; do [ -f "$d/requirements.txt" ] && pip install -r "$d/requirements.txt"; done

• Wiederherstellen ist ein Download. Der gespeicherte Ordner kommt als Traffic zum Tarif dieser Maschine auf die neue Maschine. Er spart Ihnen Zeit und bewahrt Ihre eigenen Dateien, aber keinen Traffic.

Wenn Sie ohne Speichern stoppen, sind die Dateien weg. Ein Server im Leerlauf (2 Stunden ohne SSH, Jupyter oder GPU-Last, dann eine E-Mail, dann noch eine Stunde) speichert den Ordner, bevor er stoppt. Mehr dazu unter was mit Ihren Dateien passiert, wenn Sie eine GPU stoppen.

Batch-Generierung über die ComfyUI-API

Für 200 Produktfotos oder eine Prompt-Liste müssen Sie nicht 200-mal auf Run klicken. Jedes ComfyUI nimmt Jobs über HTTP an.

1. Bauen und testen Sie den Workflow im Browser.
2. Speichern Sie ihn mit Workflow → Export (API) und laden Sie workflow_api.json nach /workspace hoch.
3. Öffnen Sie die JSON-Datei und notieren Sie die IDs der Nodes, die Sie ändern wollen, etwa den CLIPTextEncode-Node mit Ihrem Prompt und den KSampler mit dem Seed.
4. Schreiben Sie einen Prompt pro Zeile in /workspace/prompts.txt und führen Sie Folgendes auf dem Server aus:

import json, random, time, urllib.request

URL = "http://127.0.0.1:8188"
PROMPT_NODE, SAMPLER_NODE = "6", "3"   # die IDs aus Ihrem eigenen Export
wf = json.load(open("/workspace/workflow_api.json"))

def call(path, data=None):
    req = urllib.request.Request(URL + path, data=data, headers={"Content-Type": "application/json"})
    return json.load(urllib.request.urlopen(req))

for text in [l.strip() for l in open("/workspace/prompts.txt") if l.strip()]:
    wf[PROMPT_NODE]["inputs"]["text"] = text
    wf[SAMPLER_NODE]["inputs"]["seed"] = random.randint(0, 2**32 - 1)
    pid = call("/prompt", json.dumps({"prompt": wf}).encode())["prompt_id"]
    print("queued", pid, text[:50])

while call("/queue")["queue_running"] or call("/queue")["queue_pending"]:
    time.sleep(10)
print("done, images are in /workspace/ComfyUI/output")

Starten Sie es mit nohup python batch.py > batch.log 2>&1 &, damit es weiterläuft, wenn Sie den Browser schließen. ComfyUI stellt die Jobs in die Warteschlange und arbeitet sie nacheinander ab; die Ergebnisse landen in /workspace/ComfyUI/output, das Sie in Jupyter zippen und herunterladen können.

Eine grobe Rechnung: Bei voller Warteschlange rendert Flux schnell (4 Schritte) ein Bild mit 1024×1024 auf einer RTX 4090 in etwa 2,5–5 Sekunden, je nach Workflow. Zweihundert Bilder zu je etwa 4 Sekunden sind unter 15 Minuten Arbeit; mit Modell-Download und dem Einrichten des Skripts planen Sie eine halbe Stunde ein, etwa 0,30 € GPU-Zeit.

Sie können dieselben Anfragen auch von Ihrem eigenen Computer an die ComfyUI-Adresse schicken, die unter Meine Server steht. Um einen Server für den Batch per Skript zu starten und danach wieder zu stoppen, nutzen Sie die VRAMfarm API: Genau das Stoppen, sobald die Warteschlange leer ist, hält einen Batch-Job günstig.