模型文件先读头再加载：260 KB 看清 1438 个张量，别让加载器替你全读 16 GiB

排障 · 260 KB · 5,671× · 省 36.7%L0整理于 2026-10-21 有效期 30d

safetensors 的文件结构是「8 字节头长度 + 一段 JSON + 权重数据」，JSON 里写明每个张量的名字、形状、精度和字节偏移。所以想查清一个模型到底装了什么、精度是不是它标的那样、值不值得重下，只需要读那一段 JSON，不用碰权重。本机实测：FLUX schnell fp8 单文件 16.05 GiB，头仅 260,000 字节（占 0.0015%），读头 0.96 毫秒，读全量 5.46 秒，比值 5,671 倍；最极端的是 minimax_h3 int8（19.53 GiB，头仅 95,416 字节），比值 16,302 倍。反过来，ComfyUI 0.33.0 的 UNETLoader 走 load_diffusion_model → load_torch_file，用 `for k in f.keys()` 无过滤把整个打包文件全读进内存——FLUX 那 1438 个张量里只有 776 个（model.diffusion_model，11.07 GiB）真正参与建模，另外 418 个 text_encoders（4.67 GiB）与 244 个 vae（319.75 MiB）读进来就被前缀过滤扔了。只读 UNet 段 vs 全量：FLUX 省 36.7%、SDXL 省 27.6%；但 Wan2.2 三个纯 UNet 文件为 3.1% / −2.0% / −1.7%（无收益）——读放大只在「把不相干的东西打进同一个文件」时才发生。

模型文件safetensors文件头ComfyUI加载器读放大精度分布显存FLUXSDXLWan2.2本地部署查重

这条适用于

模型文件是 safetensors 格式（.safetensors / .sft）
能直接读文件（本地磁盘或已下载完成，不是流式）
想查的是文件构成/精度分布/是否重复，而不是画质或效果

版本指纹

ComfyUI 0.33.0；D:\models 57 个权重文件；RTX 5090D 32GB / D 盘 NVMe / Windows 11

具体做法

环境：本机 RTX 5090D 32GB / D 盘 NVMe / Windows 11 / ComfyUI 0.33.0，2026-10-21。测量方式：每个文件读头 7 次取中位、读全量 3 次取中位；文件均已在系统页缓存中，故该组数字反映「已缓存后的解析开销」，不是冷盘首读（冷盘会更慢，但比值方向一致）。

【5 个 diffusion_models 文件的头 vs 全量】
· wan2.2_ti2v_5B_fp16｜9.31 GiB｜头 83,416 B｜读头 0.41 ms｜全量 3.37 s｜7,493×
· wan2.2_t2v_14B_fp8｜13.31 GiB｜头 180,728 B｜0.90 ms｜4.61 s｜5,104×
· wan2.2_s2v_14B_fp8｜15.27 GiB｜头 212,232 B｜0.99 ms｜5.46 s｜5,512×
· flux1-schnell-fp8｜16.05 GiB｜头 260,000 B｜0.96 ms｜5.46 s｜5,671×
· minimax_h3_int8｜19.53 GiB｜头 95,416 B｜0.44 ms｜7.17 s｜16,302×
· NVMe 顺序读实测 3057 / 3087 / 3106 / 3120 / 3346 MB/s（六次落在 3057–3110 窄带）

【FLUX schnell fp8 内部构成（头直读）】
· model.diffusion_model 11.07 GiB / 776 张量（全 F8_E4M3）
· text_encoders 4.67 GiB / 418 张量（T5 4.44 GiB + clip_l 235.84 MiB）
· vae 319.75 MiB / 244 张量（全 F32）
· 精度分布：995 个 F8_E4M3 = 96.62% 字节；246 个 F32 = 1.95%；197 个 F16 = 1.43%

【只读 UNet 段 vs 全量（省多少）】
· sd_xl_base_1.0：2.31 s → 1.67 s，省 27.6%
· flux1-schnell-fp8：5.46 s → 3.46 s，省 36.7%
· wan2.2_ti2v_5B_fp16：3.37 → 3.27，省 3.1%
· minimax_h3_int8：7.17 → 7.00，省 2.3%
· wan2.2_t2v_14B_fp8：4.61 → 4.70，−2.0%
· wan2.2_s2v_14B_fp8：5.46 → 5.55，−1.7%

【ComfyUI 0.33.0 源码链路】
· nodes.py:982 UNETLoader.load_unet → comfy.sd.load_diffusion_model
· comfy/sd.py:2335 load_diffusion_model → comfy.utils.load_torch_file(unet_path)
· comfy/utils.py:158 load_torch_file → safetensors.safe_open，无过滤
· 后续 unet_prefix_from_state_dict 按前缀过滤，非 UNet 张量被丢弃

【T5 版本差定位（打包版 vs 独立文件）】
· 打包版 text_encoders.t5xxl 合计 4.44 GiB / 220 张量；独立 t5xxl_fp8_e4m3fn 4.56 GiB / 220 张量，差 125.5 MiB
· 差异不在精度：打包版存 text_encoders.t5xxl.transformer.shared.weight [32128,4096] F8_E4M3 = 131,596,288 B
· 独立文件同时存 shared.weight 与 encoder.embed_tokens.weight，各 131,596,288 B，偏移相差 131,600,384 B（两份独立物理数据）
· ⇒ 打包版把重复词表合并了，反而更省 125.5 MiB

失效边界
本结论为本机实测（2026-10-21；RTX 5090D / D 盘 NVMe / ComfyUI 0.33.0）。读头与读全量耗时均在文件已进入系统页缓存的条件下测得，代表解析开销而非冷盘首读。只读 UNet 段实验用绝对偏移直接 seek 读取，跳过了非 UNet 张量，因此负收益档位（Wan2.2 三个）的差异来自多次 seek 的额外开销，属测量误差量级，不代表「分开读更慢」的结论。本文只讨论文件结构、读取量与内存占用，不含任何画质或生成质量判断。T5 词表两份是否逐字节相同未做全量比对（1.3 亿字节），故只用「很可能相同」表述。

← 返回全部排错方案