圖像生成、視頻創(chuàng)作、照片精修需要找不同的模型完成也太太太太太麻煩了。

有沒有這樣一個“AI創(chuàng)作大師”，你只需要用一句話描述腦海中的靈感，它就能自動為你搭建流程、選擇工具、反復修改，最終交付高質(zhì)量的視覺作品呢？

這一切，現(xiàn)在通過一個由港科大（廣州）和字節(jié)聯(lián)合出品的全新的開源框架——ComfyMind實現(xiàn)了。

ComfyMind是一個通用視覺生成框架，它旨在用一套系統(tǒng)，統(tǒng)一處理從文本到圖像、從圖像到視頻等所有主流視覺生成任務。

在多個行業(yè)基準測試中，ComfyMind的性能全面超越現(xiàn)有開源方法，達到了與閉源的GPT-4o-Image相媲美的水平。

從“手工作坊”到“智能工廠”

無論是讓棱鏡散射出物理精確的彩虹，還是給蛋糕切上一塊，甚至將一個Logo無縫融入產(chǎn)品，ComfyMind都能輕松勝任。

來看看效果。

結(jié)合光學知識，生成一張玻璃棱鏡的光散射的圖像：

給一張蛋糕的圖像，將給定蛋糕切角：

給一張Logo圖像，將Logo嵌入杯子：

生成一個長度為8秒的海邊燃燒的篝火的視頻：

雖然視覺生成模型突飛猛進，但真正能“一套系統(tǒng)包打所有任務”的開源框架依舊脆弱，難以支撐真實生產(chǎn)訴求；

相對地，閉源GPT-Image-1（即GPT-4o-Image）雖效果出眾，卻無法被社區(qū)自由擴展或調(diào)優(yōu)。

ComfyUI的節(jié)點式設計為“可視化、模塊化”奠定了基礎，理論上任何任務都能通過組合節(jié)點完成；

然而，當工作流跨越多模態(tài)、多階段時，手工搭建不僅耗時費力，更對專業(yè)知識要求極高，成為創(chuàng)作的門檻。

ComfyAgent等LLM-驅(qū)動方案已經(jīng)開始嘗試自動生成工作流，但它們依賴扁平JSON 解碼，既難以表達模塊層級，又缺乏執(zhí)行端反饋，導致節(jié)點缺漏與語義漂移。

人類藝術(shù)家在構(gòu)建復雜流程時，會先拆解任務，再局部試錯、局部修正。

借鑒這一策略，該團隊提出ComfyMind：以“原子工作流”為最小單位，以自然語言描述接口，結(jié)合樹狀規(guī)劃加局部反饋執(zhí)行，將視覺內(nèi)容創(chuàng)作轉(zhuǎn)化為分層決策問題，從而在保持靈活性的同時，顯著提升穩(wěn)健性與擴展性。

給Comfyui裝上大腦，會規(guī)劃，更會“返工”

上圖展示了ComfyMind系統(tǒng)pipeline。

整體架構(gòu)：“ComfyUI × 多代理協(xié)同”

ComfyMind將ComfyUI僅視為底層執(zhí)行引擎：所有高層決策由規(guī)劃-執(zhí)行-評估三代理協(xié)作完成。

規(guī)劃代理自頂向下拆解任務；

執(zhí)行代理把每一步映射成JSON工作流并結(jié)合ComfyUI進行具體生成；

評估代理在生成流程結(jié)束時使用VLM判定生成質(zhì)量與指令一致性，并把診斷信息返回給上一層級。

語義工作流接口：把節(jié)點圖“函數(shù)化”

論文提出的語義工作流接口將社區(qū)驗證的T2I、I2V、Mask生成等模板封裝為“原子工作流”，并以自然語言標注其功能和必選/可選參數(shù)。

規(guī)劃代理因此能夠在純語義空間像調(diào)用高階函數(shù)那樣組合模塊，無需接觸易錯的JSON語法，徹底消除“漏節(jié)點”“拼接錯誤”等結(jié)構(gòu)性故障。

所有SWI描述集中于單一文檔直接注入LLM上下文，擺脫對3200+節(jié)點檢索數(shù)據(jù)集的依賴，實現(xiàn)零-RAG的快速擴展能力。

樹狀規(guī)劃＋局部反饋：「分塊-修補」策略

復雜指令被遞歸拆分為子目標，形成 語義搜索樹；每個節(jié)點代表局部規(guī)劃，邊對應一次SWI調(diào)用。

系統(tǒng)在節(jié)點處僅執(zhí)行鏈首函數(shù)并即時評估——若失敗，錯誤與重規(guī)劃被限制在當前層級，已通過的分支原地保留，避免全鏈重跑與策略振蕩。

全面的性能評估，在三大基準對比

ComfyBench自動工作流構(gòu)建

ComfyMind在ComfyBench全難度任務上取得100%的通過率，消除JSON級失敗。

同時，將問題解決率在Vanilla、Complex、Creative難度上分別較ComfyAgent提升100%、292%和283%，凸顯多代理-ComfyUI體系在通用生成與編輯任務上的卓越泛化能力與輸出質(zhì)量。

Geneval文生圖

在GenEval中，ComfyMind獲得0.90總分，較開源基線SD3與Janus-Pro-7B分別領先0.16和0.10，并在六大維度中的五項及總體成績超越GPT-Image-1。

定性對比進一步顯示，在各類約束下，本系統(tǒng)同時滿足了指令并生成視覺連貫的高質(zhì)量圖像。

Reason-Edit圖像編輯

在Reason-Edit基準上，ComfyMind以0.906的GPT-score較前開源SOTA SmartEdit提升+0.334，并接近GPT-Image-1（0.929）。

定性對比亦表明，ComfyMind相較于在精準完成復雜編輯指令的同時還保持了非編輯區(qū)域的細節(jié)與風格一致。

而GPT-Image-1常出現(xiàn)紋理丟失、色調(diào)漂移或比例失真等瑕疵。

總結(jié)

論文提出了基于ComfyUI平臺構(gòu)建的全新框架ComfyMind。

ComfyMind將視覺內(nèi)容創(chuàng)建概念化為一個模塊化、語義結(jié)構(gòu)化的規(guī)劃流程，并將基于樹的規(guī)劃與局部反饋執(zhí)行相結(jié)合。

ComfyMind框架性能超越了之前的開源方法，并取得了與GPT-Image-1相當?shù)慕Y(jié)果。

相關(guān)論文，在線Demo, 代碼，項目主頁等均已公開公布。

感興趣的小伙伴可以進一步體驗和探索。

論文鏈接: https://arxiv.org/abs/2505.17908

項目主頁鏈接: https://litaoguo.github.io/ComfyMind.github.io/

在線Demo鏈接: https://envision-research.hkust-gz.edu.cn/ComfyMind/