ERNIE-Image SGLang-Diffusion 最新优化：Cache-DiT 与 ComfyUI 集成实现 2.5x 推理加速

背景：SGLang-Diffusion 的演进

2025 年 11 月，LMSYS Org 发布了 SGLang-Diffusion——将 SGLang 的高性能推理引擎引入扩散模型的里程碑式项目。ERNIE-Image 是首批获得 SGLang day-0 支持的模型之一。

到了 2026 年 1 月，经过两个月的密集优化，SGLang-Diffusion 的推理速度相比最初发布版本提升到了 2.5 倍。这背后是一系列关键技术的成熟：Cache-DiT 缓存机制、Layerwise Offload、Sequence Parallel 和 Tensor Parallel 混合并行、以及 ComfyUI 深度集成。

对于 ERNIE-Image 用户来说，这意味着什么呢？在 2026 年 5 月 EI-034 中，我们介绍了 SGLang 的基本部署方法；而今天，我们将深入探讨 SGLang-Diffusion 最新的优化技术栈，让 ERNIE-Image 的推理速度达到新的高度。

Cache-DiT：扩散 Transformer 缓存加速

原理：减少冗余计算

扩散模型的推理过程需要多次去噪步骤（ERNIE-Image 基础版 50 步，Turbo 版 8 步）。在每一步中，模型都会对整张图像进行完整的前向传播。但研究发现，相邻去噪步骤之间的特征图变化很小——这意味着大部分计算是冗余的。

Cache-DiT 的核心思想很简单：缓存并复用相邻步骤的中间特征，跳过不必要的计算。当特征变化足够小时，直接使用上一步的缓存结果，而不是重新计算。这种"懒惰求值"策略可以大幅减少推理时间，而对最终图像质量的影响几乎不可察觉。

开启 Cache-DiT

在 SGLang 中开启 Cache-DiT 只需设置两个环境变量：

SGLANG_CACHE_DIT_ENABLED=true \
SGLANG_CACHE_DIT_SCM_PRESET=fast \
sglang generate --model-path=baidu/ERNIE-Image-Turbo \
  --prompt="一只黑白相间的中华田园犬在草地上奔跑" \
  --save-output

参数	可选值	说明
SGLANG_CACHE_DIT_ENABLED	true / false	开启/关闭 Cache-DiT
SGLANG_CACHE_DIT_SCM_PRESET	fast / balanced / quality	缓存策略：速度优先、平衡、质量优先

性能提升

配置	推理时间	加速比
无 Cache-DiT	基线 100%	1.0x
Cache-DiT (quality)	~60%	1.67x
Cache-DiT (balanced)	~50%	2.0x
Cache-DiT (fast)	~37%	2.69x

📊 以上数据基于 LMSYS Org 官方基准测试。实际加速效果因 GPU 型号、图像分辨率和步骤数而异。

与 torch.compile 的协同

Cache-DiT 与 PyTorch 的 torch.compile 完全兼容。两者结合使用时，可以叠加加速效果：

import torch
import sglang as sgl
启用 torch.compile + Cache-DiT
sgl.cache_dit.enable()

model = sgl.ErnieImagePipeline.from_pretrained(

"baidu/ERNIE-Image-Turbo",

torch_dtype=torch.bfloat16

)

model.transformer = torch.compile(model.transformer, mode="reduce-overhead")
image = model("夜间城市天际线，蓝色霓虹灯，赛博朋克风格").images[0]

image.save("cyberpunk_city.png")

torch.compile 通过 JIT 编译优化计算图，而 Cache-DiT 通过运行时缓存减少计算量——两者从不同维度加速，互不冲突。

混合并行：Sequence Parallel + Tensor Parallel

对于生产部署场景，单 GPU 的推理吞吐量可能不足以满足高并发需求。SGLang-Diffusion 支持多种并行策略的组合：

Sequence Parallel（序列并行）

将一张图像的序列维度（patch/token 序列）切分到多个 GPU 上。适用于大分辨率图像生成（如 ERNIE-Image 支持最高 2048×2048 分辨率）。

Tensor Parallel（张量并行）

将模型权重切分到多个 GPU 上，每个 GPU 负责一部分参数的计算。适用于减少单 GPU 的显存压力。

混合使用

SGLang 支持 Ulysses Parallel + Ring Parallel + Tensor Parallel 的任意组合：

sglang serve --model-path baidu/ERNIE-Image-Turbo \
  --tp 2 \
  --sp 2 \
  --host 0.0.0.0 --port 30000

上述命令使用 4 张 GPU：2 路 Tensor Parallel + 2 路 Sequence Parallel。对于 ERNIE-Image-Turbo（8B 参数），4× 4090（24GB）的配置可以实现接近实时的批量推理。

Layerwise Offload：低显存场景的救命稻草

对于只有 16GB VRAM 甚至 12GB VRAM 的消费级 GPU，ERNIE-Image 的 8B 参数（bfloat16 约 16GB）很难完整加载。SGLang-Diffusion 的 Layerwise Offload 机制解决了这个问题：

from sglang.srt.managers.diffusion_offload import LayerwiseOffloadManager
from sglang.srt.models.ernie_image import ErnieImageDiT
offload_manager = LayerwiseOffloadManager(model, offload_per_layer=True)

model.transformer.enable_offload(offload_manager)

工作原理：

1. 模型仍然存储在 CPU 内存中（系统 RAM 充足）
2. 推理时，逐层将权重从 CPU 传输到 GPU
3. 计算完成后，立即将结果传输回 CPU，释放 GPU 显存
4. 下一个 batch 处理时重复上述过程

Layerwise Offload 使 ERNIE-Image 可以在 8GB VRAM 的 GPU 上运行（如 RTX 3070），虽然推理速度会因 PCIe 数据传输而降低，但至少让低显存用户也能本地部署。

ComfyUI 集成：在 ComfyUI 中使用 SGLang 推理引擎

SGLDiffusion ComfyUI 插件

SGLang 团队提供了一个 ComfyUI 自定义节点，它可以替换 ComfyUI 内置的 denoising forward pass，使用 SGLang 优化的推理引擎。这意味着你可以在 ComfyUI 中保持完整的工作流灵活性，同时享受 SGLang 带来的性能提升。

安装方法：

1. 进入 ComfyUI 的 custom_nodes/ 目录
2. 克隆 SGLDiffusion 仓库：

cd ComfyUI/custom_nodes/
git clone https://github.com/sgl-project/sglang.git
# 或直接复制插件文件
cp -r sglang/python/sglang/multimodal_gen/apps/ComfyUI_SGLDiffusion ./

3. 重启 ComfyUI

使用方法：

在 ComfyUI 中，将默认的 KSampler 节点替换为 SGLDiffusion KSampler 节点。在节点参数中配置：

• Model: 选择 SGLang 托管的模型端点
• Enable Cache-DiT: 勾选以启用缓存加速
• Cache Mode: fast / balanced / quality
• LoRAs: 可选，加载 HuggingFace 上的 LoRA 模型

配合 ERNIE-Image 的优势

在 ComfyUI 中使用 SGLang 推理引擎，可以在保持 ERNIE-Image 完整工作流的同时获得 2-2.5x 的推理加速：

• 快速迭代：一张 1024×1024 的 ERNIE-Image-Turbo 图像，原本 8 步推理约 1.5-2 秒；开启 Cache-DiT 后约 0.7-1 秒
• 批量生成：结合 Sequence Parallel，批处理 4 张图像的总时间仅增加 30-40%
• 高阶工作流：ControlNet + IP-Adapter + 多步骤精修等复杂管线，每步都受益于加速

生产部署最佳实践

GPU 选型建议

GPU 型号	VRAM	推荐配置	预期性能
RTX 4090	24GB	单卡部署，Batch=4	0.7s/张 (Turbo, Cache-DiT)
RTX 5090	32GB	单卡部署，Batch=8	0.5s/张 (Turbo, Cache-DiT)
2× RTX 4090	48GB	TP=2, 大分辨率	2048×2048 实时生成
4× A100 80G	320GB	TP=4, SP=2, 生产	~2000 张/小时
RTX 3070	8GB	Layerwise Offload	可用但较慢

服务部署命令

基础部署：

sglang serve --model-path baidu/ERNIE-Image-Turbo \
  --port 30000 \
  --host 0.0.0.0

启用 Cache-DiT 的生产部署：

SGLANG_CACHE_DIT_ENABLED=true \
SGLANG_CACHE_DIT_SCM_PRESET=balanced \
sglang serve --model-path baidu/ERNIE-Image-Turbo \
  --tp 1 \
  --sp 1 \
  --port 30000 \
  --host 0.0.0.0 \
  --max-running-steps 64

多 GPU 高并发部署：

SGLANG_CACHE_DIT_ENABLED=true \
sglang serve --model-path baidu/ERNIE-Image-Turbo \
  --tp 2 \
  --sp 2 \
  --port 30000 \
  --host 0.0.0.0 \
  --enable-mix-parallel

性能调优清单

优化项	预期提升	实施难度
开启 Cache-DiT (fast)	2.69x	低
开启 torch.compile	1.2-1.5x	中
使用 SageAttention2/3	1.3-1.8x	低
启用 Layerwise Offload (低显存)	使 8GB GPU 可用	中
Sequence Parallel (多 GPU)	线性扩展	高
调整 batch size	提升吞吐量	低

ERNIE-Image SGLang 生态的完整能力矩阵

功能	SGLang 支持状态	说明
ERNIE-Image Base（50步）	✅ 完整支持	SGLang day-0 支持
ERNIE-Image Turbo（8步）	✅ 完整支持	蒸馏模型优化
Cache-DiT 缓存	✅ 完整支持	最高 2.69x 加速
torch.compile	✅ 完整支持	JIT 编译优化
LoRA 加载	✅ 支持	通过 API 动态加载
混合并行	✅ 支持	Ulysses + Ring + TP
SageAttention3	✅ 支持	最新注意力后端
低显存部署	✅ Layerwise Offload	8GB VRAM 可用
ComfyUI 集成	✅ 自定义节点	替换原生 KSampler
FP8/INT4 量化	✅ 基础支持	进一步降低显存

与 Diffusers 部署的对比

对比维度	SGLang-Diffusion	Diffusers + PyTorch
推理速度	2-3x 更快（含 Cache-DiT）	基线
多 GPU 支持	原生并行支持	需手动实现
LoRA 动态加载	✅ API 支持	需重启
生产级服务	✅ 内置	需额外框架
学习曲线	中等	低
社区生态	快速增长	成熟但稳定
ComfyUI 集成	✅ 深度集成	原生支持
量化支持	FP8/INT4	FP8/INT4/GGUF

总结

SGLang-Diffusion 的发展速度令人瞩目。从 2025 年 11 月的初始发布，到 2026 年 1 月实现 2.5 倍于初版的推理性能，SGLang 团队在短短两个月内完成了 Cache-DiT 集成、混合并行、LoRA 支持、ComfyUI 插件等一系列重大更新。

对于 ERNIE-Image 用户来说，这意味着：

• 本地用户：开启 Cache-DiT 即可获得 1.67x-2.69x 的加速，无需额外硬件投入
• 低显存用户：Layerwise Offload 让 8GB VRAM 的 GPU 也能运行 8B 模型
• 生产部署：混合并行 + SageAttention + Cache-DiT 可以将服务吞吐量提升数倍
• ComfyUI 用户：SGLDiffusion 自定义节点让你在熟悉的工作流中享受高性能推理

如果你还在使用 Diffusers 的默认推理管线，现在就是迁移到 SGLang-Diffusion 的最佳时机——特别提示：Cache-DiT 只需设置两个环境变量即可开启，没有任何模型兼容性问题，是性价比最高的 ERNIE-Image 推理优化手段。