什么是 LLM / MLLM？
LLM（大语言模型），简单来说就是像 ChatGPT 一样，读取文本并以文本作答的 AI。
MLLM 则是在此基础上，还能接受图像等多种输入的 LLM。顾名思义，就是"多模态"LLM。
在 ComfyUI 中用来做什么？
在 ComfyUI 中，LLM 与其说是用来对话，不如说更多是作为"幕后助手"——为图像生成模型准备好输入素材。
- 提示词扩展与翻译
- 将人类粗略的指令，扩展为 AI 更容易理解的详细英文提示词
- 标签生成与图像描述
- 输入图像，让它输出描述该图像的标签或文字
- 可用于训练用描述文本，也可将其作为提示词重新生成图像
- 物体检测与分割
- 部分 MLLM 能执行更专业的任务
- 基于 MLLM 的物体检测尤为实用，因为可以用自然语言指定目标
在 ComfyUI 中使用 LLM 的三种方式
ComfyUI 是专为图像生成设计的引擎，核心功能中并不包含运行 LLM 的能力——两者的底层机制完全不同。
因此，通常需要通过自定义节点或外部集成来使用。
在 ComfyUI 内部完结
与图像生成模型一样，下载模型文件并在本机运行。
主要使用针对特定任务优化的轻量模型，如描述生成或物体检测。
代表性支持模型
- JoyCaption
- Florence-2
- Qwen3 VL
外部 LLM 服务器集成
将 LLM 推理交给 Ollama 或 LM Studio 等专用引擎，从 ComfyUI 通过 API 调用。
即使在同一台 PC 上运行，VRAM 的竞争依然存在，但最大的优势在于将推理环境与 ComfyUI 完全隔离。
- 不污染 ComfyUI 的依赖环境，维护性更高
- 在另一台 PC 上运行并通过网络连接，还能彻底解决 VRAM 争抢问题
官方付费 API 节点
ComfyUI 官方提供的节点，用于通过 API 调用 ChatGPT 或 Gemini 等闭源服务。
说句实话，这些服务比本地模型聪明得多，也快得多。
- PC 负载完全为零。在跑图的同时让它在后台润色提示词，完全不影响生成速度
- 不过，当然需要按量付费，且 NSFW（成人向）内容会被安全机制拦截，需注意
→ API 节点
题外话：其实你已经在用了？
最近的图像生成模型（如 Qwen-Image、Z-Image 等）内置了 Qwen 或 Gemma 等 MLLM 作为文本编码器——也就是理解提示词的那个组件。
它们用 MLLM 来理解文本提示词和参考图像，进而完成生成与编辑任务。但反过来说，也只是用于这一目的，算是一种"奢侈的用法"。
如果有朝一日能直接将其作为通用 MLLM 使用，那就有趣了……