Como escalar vídeo no ComfyUI com SeedVR2 e FlashVSR: o guia honesto (2026)

Você digitou alguma variação de comfyui seedvr2 vs flashvsr qualidade 2026 e a dúvida real não é se os dois modelos existem como nós — eles existem, e mantidos. A dúvida é outra, e é ela que ninguém responde direito em português: se você montar o grafo, aceitar o teto de VRAM e encarar a fila, o render da sua máquina entrega o mesmo que o motor hospedado? E quantas horas da sua semana isso custa para descobrir? A resposta curta e honesta, tirada dos READMEs e tabelas públicas dos próprios repositórios e não de achismo: a comparação de qualidade tem uma resposta chata (mesmos pesos, mesma linhagem, mesma classe de resultado), e a comparação que importa é a de mecânica — piso de VRAM, comportamento de batch, instalação que quebra e de quem é a fila. Este guia é a resposta longa, com cada número apontando para a fonte pública de onde ele saiu.

Uma nota de transparência antes de qualquer número: eu dirijo a Moosky, e o lado hospedado desta comparação é nosso. O lado ComfyUI não é meu nem um pouco: os números de VRAM e de tempo vêm dos READMEs e das tabelas de benchmark dos nós da comunidade, linkados para você conferir contra o que eu afirmo aqui.

O caso que virou o meu teste de bancada

O material de referência é o clipe do bloquinho de Carnaval da rua da minha tia: quarenta e poucos segundos de celular, reencaminhado pelo WhatsApp, que chegou destruído. As fantasias derretidas, o confete virou mancha, o asfalto molhado parecia cera. Foi esse arquivo que pagou inteiro o loop abaixo, grafo montado, com os dois caminhos — o DIY e o hospedado — medidos de mãos dadas. Todo preço que eu cito aqui saiu da cotação real do composer, e todo número de render saiu da tabela pública do nó.

A pergunta de qualidade, respondida logo e deixada de lado

SeedVR2 é o modelo de restauração da ByteDance Seed, e o FlashVSR é o super-resolvedor por difusão em streaming apresentado no projeto do FlashVSR (arXiv 2510.12747). Os dois têm implementações vivas no ComfyUI, e a lane hospedada de FlashVSR da Moosky roda a mesma família de modelo pela API WaveSpeed do Comfy Org: o grafo caseiro e o produto hospedado são parentes, não concorrentes de qualidade. Então "qual é melhor, o local ou o hospedado?" é o eixo errado. Pergunte o que cada montagem consome, porque é aí que os dois caminhos realmente divergem.

O que de fato existe no ecossistema de nós

Duas famílias de custom nodes carregam essa lane, e vale a pena saber qual você está instalando:

• SeedVR2 chega ao ComfyUI como nó da comunidade (ComfyUI-SeedVR2_VideoUpscaler, um fork na linhagem do trabalho do numz sobre o release da ByteDance Seed). O README do próprio nó é direto sobre o piso de hardware: até a variante 3B "precisa de muita VRAM, pelo menos 18GB", e a consistência temporal — o que impede o rosto de ferver entre os quadros — exige um batch_size de pelo menos 5; abaixo disso, "o valor bom é 1 sem consistência temporal". A tabela de benchmark RTX 4090 do README é pública: o modelo 3B em fp8, levando uma entrada de 512×768 na direção de uma saída de ~1080×1620, marcou 0,22 fps com batch 1. Faça essa divisão você mesmo antes de comprar qualquer peça: um clipe de 30 segundos a 24 fps são 720 quadros, e 720 divididos por 0,22 passam de 50 minutos de GPU em uma única passada — antes de você errar um parâmetro e rodar de novo.
• FlashVSR chegou ao ComfyUI por alguns caminhos: o nó ComfyUI-FlashVSR do AILab (variantes full / tiny / tiny-long, SageAttention opcional com ganho declarado de 20–30%, passagem de áudio, modelos baixados sozinhos do Hugging Face) e a listagem comunitária ComfyUI-FlashVSR_Stable com os controles de otimização de VRAM. O número-título do paper — mais ou menos 17 fps em 768×1408 — foi medido numa A100 de datacenter, e os números da comunidade são a tradução honesta para placa de consumidor: uma corrida documentada de 200 quadros de 276×206 levados a 552×412 (um 2x modesto) pico de 12,4 GB de VRAM em 130 segundos. Empurre isso para uma saída 1080p ou 4K e a conta sai da conversa de placa doméstica.

A lista de hardware, lida nos READMEs

Se o seu plano é o caminho local, esta é a realidade que os repositórios descrevem, item por item:

1. Uma placa de 24 GB é o piso confortável, não o teto. Os 18 GB são o mínimo do nó para o modelo 3B, e o README recomenda preserve_vram abaixo de 24 GB — que descarrega modelos no meio da corrida, "mais lento mas funciona". A listagem Stable publica a escada prática: 24 GB ou mais roda o modo full sem tiling; 16 GB pede tiny com VAE em tiles; 12 GB exige DiT em tiles e chunks de ~50 quadros; 8 GB cai para tiny-long com chunking, e não é um lugar divertido para morar.
2. O barranco de dependência é real. Esses nós pedem uma pilha moderna de PyTorch e CUDA 12.x, e os caminhos de atenção mais rápidos (flash_attn, SageAttention) são instalações opcionais que caem de volta ou falham no hardware errado. Toda atualização do ComfyUI é uma pequena sessão de recertificação.
3. Tamanho de batch é parâmetro de qualidade, não de velocidade. No nó SeedVR2, batch 5 ou mais é o que liga a consistência temporal. Se a sua placa não segura batch 5 na resolução de destino, o ajuste é a resolução de destino — baixe a saída antes de baixar o batch.
4. A fila e a central de suporte é você. Ninguém passa na sua frente; ninguém resolve o seu OOM às duas da manhã também.

A ordem de execução que sobrevive ao contato com o grafo

A sequência que mantém as horas perdidas baixas, espelhada do que os próprios repositórios recomendam:

1. Corte antes de carregar. No local não existe piso de cobrança, mas todo quadro perdido custa minutos de GPU nos fps de cima. Carregue o clipe já podado, não a gravação inteira.
2. Sonde em 5–10 segundos primeiro. Rode o trecho curto e olhe movimento — o giro de um rosto, o letreiro de uma placa, os quadros em torno de um corte — não um quadro congelado. No local este passo protege horas, não créditos.
3. SeedVR2 em batch ≥ 5 só quando o material se mexe. Um único quadro-herói não precisa de consistência temporal; um clipe precisa, ou o cintilar come o ganho de detalhe.
4. FlashVSR para o volume, SeedVR2 para o quadro. Stream o clipe pelo modelo de vídeo, restaure o quadro-chave pelo modelo de imagem — a mesma divisão que o guia SeedVR2 vs FlashVSR em português desdobra para o caminho hospedado, passo a passo, com a conta de créditos aberta.
5. Exporte o JSON do grafo no instante em que algo funciona. Sua instalação de ComfyUI não tem histórico de plataforma; o arquivo que você salvou hoje é o seu único rollback.

A conta honesta: GPU própria versus clipe pago

O argumento clássico do local é sempre "depois de comprar a placa sai de graça". Preço a placa com os números de cima: uma confortável para SeedVR2 (a 4090 em que o README faz o benchmark) lançou por volta de US$ 1.600 de preço sugerido (o anúncio da NVIDIA à época dizia "a partir de US$ 1.599"), mais luz, mais as horas de montagem e reinstalação que você vai doar, mais a fila — a 0,22 fps, o clipe de 30 segundos do começo é perto de uma hora da sua única 4090 por passada. As lanes hospedadas da Moosky saem de um saldo pré-pago único (cem créditos por dólar, sem assinatura), cotam antes de despachar e estornam a corrida que falha; a escada por segundo e os exemplos de 30 segundos já feitos moram em como melhorar a qualidade de um vídeo com IA, então não vale reabrir essa discussão aqui. O ponto de virada é real e simples: lotes noturnos de material de vários minutos numa placa de 24 GB ociosa que você já tem, ou arquivos que nunca podem sair da sua casa, é onde o grafo se paga. Um único clipe de trinta segundos para domingo é onde a conta do pago-por-clipe vence, e a página de comparação é o mapa de qual motor pega qual trabalho. Se você quiser a lane hospedada do clipe, ela é o escalador de vídeo FlashVSR; a passada do quadro-chave é o escalador de imagem SeedVR2. E se depois de ler isto o setup ainda não existe na sua casa, a conta honesta de créditos diz quanto o clipe da sua tia sairia sem montar nada.

Perguntas que aparecem antes da primeira instalação

O nó do ComfyUI entrega a mesma qualidade que o motor hospedado? Mesma linhagem de modelo, então a mesma classe de resultado; a diferença prática vem dos parâmetros — batch, resolução de destino, fp8 versus fp16 — não do motor. Julgue o seu clipe, não screenshots.

Consigo dar SeedVR2 quadro a quadro para escalar o vídeo? Pode, não deve: sem a consistência temporal do nó de vídeo (batch ≥ 5) o cintilar entre quadros come o ganho de detalhe. Se o que importa é o movimento, FlashVSR ou o nó de vídeo; o SeedVR2 brilha no quadro parado.

De quanta VRAM eu preciso no mínimo? Os READMEs do SeedVR2 pisam em uns 18 GB para a 3B com tudo ligado; o FlashVSR pode começar um pouco abaixo, mas os relatórios de uso real (2x modesto com pico de 12,4 GB) dizem que uma placa de 24 GB é o que torna o caminho local suportável, não divertido.

E a versão 7B? Dá para rodar; a própria tabela do README mostra que ela é várias vezes mais lenta que a 3B no mesmo hardware (0,07 fps onde a 3B marcou 0,22 em ajustes parecidos). Num clipe só, tudo bem. Num lote, é um trabalho de virar a noite por passada.

O áudio sobrevive no caminho de vídeo? O nó FlashVSR do 1038lab passa o áudio original e mantém a sincronia; renderize um clipe de sondagem e confira o mux mesmo assim — para isso serve a passada de 5–10 segundos.

O que quebra primeiro quando o ambiente se move? Costuma ser uma atualização de um nó vizinho ou do núcleo do ComfyUI, e é por isso que o hábito de exportar o JSON importa. No lado hospedado, essa classe de falha termina como estorno, não como um domingo perdido.

E se eu quiser comparar sem montar nada? Os dois motores vivem na Moosky sobre um único saldo, com a cotação na tela antes de despachar: rode o seu pior clipe nos dois na sondagem em 720p (uns 1,6 crédito por segundo) e julgue movimento, não pôster. A letra miúda do saldo promocional está no guia do que é realmente grátis, e a escada completa das duas implementações hospedadas, na página SeedVR2 vs FlashVSR — que é a mesma versão em que confiamos, só que sem o driver de vídeo na sua conta de luz.

Esse guia existe em outros idiomas? Existe, e cada um com o seu caso de teste: a versão em inglês é o guia do render na garagem (EN), a versão em espanhol é o guia da bancada ao entardecer (ES). Os três citam as mesmas tabelas públicas — o que muda é o clipe de bancada e a fila de quem espera.

Instale pelos repositórios linkados, sonde um clipe curto, e deixe o tempo de fila — não a expectativa do anúncio — dizer se o grafo é o seu hobby ou o seu pedágio.