ComfyUI_VLM_nodes

收录理由

如果你已经在用 ComfyUI，又不想为视觉语言功能额外搭一套运行环境，这套节点能直接把图像描述、开放词汇检测和分割接进现有工作流。它把 Qwen3-VL、SmolVLM2、InternVL、Gemma 3 等一批现代视觉语言模型收进统一的节点接口，生产用的模型选择刻意保持精简，同时保留一个兼容旧工作流的遗留层级，之前存好的流程不会失效。同一套安装里还包含 grounding 式检测、SAM2/SAM3 分割和视频时序理解，一个环境就能覆盖多种视觉任务，不必为每个任务单独找工具。维护者优先采用官方模型仓库和原生 Transformers 接口，而不是未经核验的社区量化版本，这对看重可复现性的用户是个实在的加分项。节点也遵循 ComfyUI 自身的设备和模型驻留机制，在 CUDA、ROCm、Apple Metal 或 CPU 上都能跑，不会强迫你切换运行时。