Freefield: o clone open source do Higgsfield com 120 apps e pesos abertos

Em 20 de outubro de 2026, um desenvolvedor chamado neuregex criou um repositório no GitHub chamado Freefield. Quatro dias depois, ele era público. Em 14 de novembro, quando fechamos esta análise, o projeto tinha 1.365 estrelas, 264 forks, licença MIT e uma entrada no ranking dos projetos mais ativos do ecossistema ComfyUI.

A proposta aparece logo na descrição do repositório, e é uma frase que costuma esconder o tamanho do trabalho: “Open-source Higgsfield on ComfyUI: 120 image, video, VFX and audio apps, every model open weights”. Traduzindo: um clone funcional do Higgsfield, a plataforma americana de criação de vídeo e imagem com IA, reconstruído sobre ComfyUI, com 120 aplicações, e com a regra inegociável de que nenhum modelo é acessado por API paga. Tudo é arquivo que você baixa e roda na sua GPU.

Isso importa mais do que parece. Higgsfield fatura em torno de US$ 5,4 bilhões de valor e vive de créditos: planos de US$ 15 a US$ 129 por mês, com cada geração consumindo créditos que variam conforme modelo, duração e resolução. Um Seedance 2.5 de cinco segundos em 1080p custa 80 créditos. Um clipe de trinta segundos custa 210. Freefield inverte a equação: você roda os modelos abertos na sua máquina, e a assinatura vira GPU.

Vamos ao que interessa: o que tem dentro, quanto custa em hardware, o que ainda não funciona e por que este projeto é uma das coisas mais relevantes do open source de IA criativa do momento.

O que é o Freefield, em uma frase

Freefield é um estúdio de criação com IA que replica a interface e o catálogo do Higgsfield, mas onde cada aplicação é um workflow do ComfyUI rodando com pesos abertos. A diferença de fundo em relação a um “clone de interface” comum está em uma decisão de arquitetura que elimina trabalho repetitivo.

Não existe código por aplicação. Cada app é uma pasta em apps/ contendo um manifesto app.json e um workflow do ComfyUI em formato API. A interface web, o runner, o download dos modelos, o mapa de VRAM e os testes são todos derivados desses manifestos. Isso significa que adicionar um app novo é escrever uma pasta e um workflow, não programar uma feature.

O fluxo de requisição é curto e fica dentro da API do ComfyUI:

Camada	Componente	Papel
1	Browser	Menu e formulários desenhados a partir de apps/*/app.json
2	web/ + server/ (Node, Comfy SDK)	Interface e orquestração
3	Gateway (:8000)	Checagem de token e descarga da GPU quando o app muda
4	comfy-api-proxy (:8189)	Comfy API v2 na frente do ComfyUI
5	ComfyUI (:8188)	Sua GPU, no Modal ou local

O detalhe do gateway não é cosmético. Quando dois apps seguidos usam modelos diferentes, o gateway chama o POST /free do ComfyUI para descarregar tudo antes do próximo. Sem isso, o peso do app anterior ficaria ocupando VRAM e a segunda aplicação não entraria na placa.

Os números do projeto

Métrica	Valor
Aplicações	120, sendo 119 prontas e 1 em rascunho (moss-image)
Cobertura do catálogo do Higgsfield	95 das 129 ferramentas listadas pela plataforma
Modelos	Todos com pesos abertos, sem nenhum nó de API ou parceiro
Exemplos	118 apps com exemplo feito em GPU de verdade, com tempo e pico de VRAM
Código de laboratório	48 execuções em GPU entre 20 e 26 de outubro, 710 de 733 casos com sucesso
Casos de teste de LoRA	334, com semente fixa, cada um com seu veredito na nota
Licença do código	MIT
Dependências	Node 22.6+, Python 3.10+, conta Modal ou GPU própria
Catálogo de pesos	104 arquivos, cerca de 355 GB
Repositório criado	20 de outubro de 2026

Sobre o MIT: cobre o código, não os pesos. Cada modelo mantém sua própria licença, listada no app.json do app correspondente e exibida na interface ao lado do nome do modelo. Isso é a diferença entre “open source” no sentido usual e “open weights” no sentido estrito, e o projeto é explícito sobre a diferença.

As aplicações que recriam o Higgsfield

O mapeamento cobre o catálogo inteiro do Higgsfield, agrupado do mesmo jeito que a plataforma original agrupa. As 46 aplicações de vídeo se distribuem em Create, Edit, Motion control e Templates. O resto se divide entre imagem, efeitos e áudio. Os exemplos abaixo são os que têm a recriação mais fiel e os mais interessantes tecnicamente.

App do Freefield	Recria	Modelo por trás
create-image	Create Image	FLUX 3 Image Klein (int8) com upsampler de prompt de 9B opcional
cinema-studio	Cinematic Cameras	FLUX 3 Image Klein com gênero, época, corpo de câmera, lente, abertura, luz e paleta
cinema-video	Cinema Studio (vídeo)	FLUX 3 Klein desenha o primeiro quadro, LTX-2.5 anima, com até 3 movimentos de câmera
relight	Relight	Qwen Image Edit 2509 com LoRAs de Relight e Lightning
morph	Efeitos (transformações)	FLUX 3 Klein redesenha a foto como a transformação, LTX-2.5 faz a transição
mixed-media	Mixed Media	FLUX 3 Klein redesenha o primeiro quadro em 16 estilos, LTX-2.5 com Union Control
effects	Efeitos	Wan 2.1 image-to-video 14B com 24 LoRAs de efeito
camera-moves	Camera Controls	Wan 2.2 Fun Camera com presets rápidos de 4 passos
genjutsu	Genjutsu	LTX-2.5 com Ingredients IC-LoRA
dub	Lipsync Studio	LTX-2.5 com DubIt IC-LoRA, port do workflow da Lightricks
recast	Troca de personagem	SCAIL-2 com tracking do SAM 3.1
reshoot	Ângulos de câmera	MiniMax H3 com MoGe e CrossView
h3-video	Create Video com áudio	MiniMax H3 a partir dos templates do ComfyUI
character	Soul ID	FLUX 3 Image Klein, sem treinar nada
music	Áudio	MiniMax Music 3

E tem os 72 apps de template, que são o equivalente open source dos “efeitos rápidos” do Higgsfield. Cada um é um prompt fixo sobre uma das pipelines base: poster, headshot, face-swap, try-on, bullet-time, rap-video, ai-influencer. Um gerador de template é o que produz essas pastas automaticamente, a partir de uma tabela de uma linha por app.

Soul ID sem treinar modelo nenhum

Uma das funções mais usadas do Higgsfield é o Soul ID, que traina um modelo da pessoa a partir das fotos dela para repetir o mesmo rosto em gerações diferentes. Freefield faz a mesma coisa sem treinar nada.

Os apps character (uma foto) e character-3 (três fotos) copiam a pessoa a partir das referências em cada execução. O laboratório mediu 13,0 segundos de tempo de L40S para isso, o que dá cerca de US$ 0,007 no preço base do Modal de US$ 1,95 por hora. Um LoRA de personagem, por outro lado, mantém a GPU ocupada por dezenas de minutos: a estimativa do autor é de 30 minutos de H100 a US$ 3,95 por hora, ou cerca de US$ 2 por pessoa.

O motivo do choice não é só custo. O demo hospedado do Freefield não tem contas de usuário, então não tem como armazenar um LoRA do rosto de alguém por usuário, nem como registrar o consentimento de quem autorizou. O caminho de treinamento ficou para depois, e o README descreve como fazer manualmente com os nós do próprio ComfyUI 0.42: VAEEncode, TrainLoraNode sobre o FLUX 3 Klein e SaveLoRA no volume do Modal.

Fica uma pergunta em aberto que o próprio projeto registra: ainda não se sabe se o TrainLoraNode treina sobre o arquivo int8 do Klein que o Freefield baixa, que tem 5,83 GB, ou se exige os pesos completos.

Qual modelo de imagem o projeto escolheu, e por quê

Uma das decisões mais bem documentadas do projeto é a escolha do FLUX 3 Image Klein como motor padrão das pipelines de imagem, no lugar do Z-Image Turbo que era usado até 24 de outubro.

O critério foi a arena de texto para imagem do Artificial Analysis em outubro de 2026, que colocava o Klein em primeiro entre os modelos open weights, com 1043 Elo. Qwen-Image-2.1 vinha com 1042, o Fibo 2.0 da Bria com 1039, o Krea 2 até 1034, e o Z-Image Turbo em 936. O Klein também era o arquivo que os apps de edição já baixavam, o que evita duplicar download.

Mas o laboratório não parou no ranking. Rodou seis prompts em cinco modelos com a mesma semente, na execução 20261024-230058-l40s. O Klein acertou as contagens, três maçãs e cinco limões, onde o Z-Image desenhou quatro maçãs. Escreveu o rótulo que o Krea 2 deixou em branco. Manteve o ângulo de cima que o Krea perdeu. E leu o prompt em JSON como uma cena, onde o Z-Image imprimiu as chaves no letreiro.

Quanto de VRAM cada aplicação gasta

Esta é a tabela que decide se o projeto é útil para você. O mapa de VRAM é gerado a partir dos manifestos, com os tamanhos de peso vindos do Hugging Face Hub e as ativações não incluídas. A referência local do projeto é uma placa de 24 GB (RTX 3090 Ti) mantendo 4 GB de folga.

Situação	Quantidade	Leitura
Cabe inteiro na placa	70 apps	Roda sem resistência
Cabe por fases	42 apps	Com carregamento e descarga entre etapas
Precisa de GPU maior	6 apps	Exigem Modal ou 48 GB
Sem modelo	2 apps	Testes de fumaça, servem de referência

Os 70 apps que cabem inteiro são liderados pelos leves: smooth com 0,1 GB, remove-bg com 0,4 GB, depth-map com 0,7 GB e upscale com 4,0 GB. Todo o bloco de edição e template em cima do FLUX 3 Klein fica em 11,0 GB, porque o int8 do Klein tem 5,83 GB e o resto é o encoder de texto e as ativações.

Se você ainda não tem o ComfyUI instalado, o guia de ComfyUI para modelos locais no RodarIA cobre a instalação e o uso básico. E se a dúvida for sobre hardware, o post Freefield no RodarIA traz a mesma análise com o mapa de VRAM detalhado, os custos por execução e o que muda para quem mantém um servidor.

Os 6 apps que exigem GPU maior são exatamente os que têm o encoder de texto do MiniMax H3, com 27,1 GB, ou o dub, que precisa de 24,0 GB na fase de denoise. São eles: h3-video, h3-photo, extend-video, reshoot, cinema-video e dub.

E há uma ressalva que o README deixa explícita e que vale mais que qualquer tabela: os picos medidos em H100 de 80 GB não são o mínimo que o app precisa. Em uma GPU de 80 GB o ComfyUI consegue manter os modelos das etapas anteriores carregados em vez de descarregá-los, então o pico medido ali subestima o consumo real em uma placa menor.

Rodar local ou no Modal

São dois caminhos suportados, e o README documenta os dois passo a passo.

No Modal, o caminho de menor atrito. Você instala Node e Python, cria a conta, aceita as licenças dos modelos no Hugging Face, baixa os pesos por pack, faz o deploy do backend e sobe a interface web. O tools/doctor.py diz o que está faltando antes de você tentar rodar.

Na sua GPU, usando o tools/local_backend.py, que roda o mesmo backend sobre o ComfyUI no commit fixado, com os custom nodes fixados e o comfy-api-proxy ao lado. O passo de setup baixa ComfyUI, os nós e o proxy numa pasta, e o download dos modelos é separado, por pack, com a opção --dry-run para ver o que falta e quanto vai ocupar.

Um detalhe útil para quem já tem ComfyUI: existe um segundo repositório, o ComfyUI-freefield, que é o caminho mais curto. Ele instala como custom node e aparece como aba no lado esquerdo do ComfyUI, com os 117 apps listados por categoria, download dos modelos em um botão e abertura do app como workflow normal, com o exemplo do laboratório já preenchido. Nenhum nó novo. O que você abre é ComfyUI comum, editável e compartilhável.

Esse repositório tem um teste independente que vale destacar: em 5 de novembro de 2026, 72 dos 117 apps rodaram com o exemplo do catálogo em um PC Windows com RTX 3090 Ti de 24 GB e 104 GB de RAM, sob ComfyUI 0.42.0 com VRAM dinâmica, PyTorch 2.11 e CUDA 13.0, todos sem erro. Entre os que rodaram estão o dub (135 s) e o cinema-video (144 s), que pela estimativa de pesos precisariam de 48 GB. A razão é que o ComfyUI pode manter parte dos pesos na RAM do sistema.

Os outros 45 apps ainda não foram testados numa placa de 24 GB, entre eles os quatro do MiniMax H3, cujo encoder de texto sozinho tem 27 GB. Para quem tem mais de uma placa, o post dois GPUs em um PC no RodarIA mede quando a segunda GPU realmente ajuda nos LLMs locais.

O laboratório: como o projeto se prova

Este é o aspecto mais incomum do Freefield e o que o separa de um repositório qualquer de workflows. Existe um laboratório com 334 casos de teste com semente fixa, e 48 execuções documentadas em GPU entre 20 e 26 de outubro, em L40S e H100.

710 dos 733 casos passaram. As 22 falhas eram a primeira execução dos IC-LoRAs, antes das licenças restritas serem aceitas, e mais um caso do recast no primeiro dia. O README do laboratório registra o que cada execução mudou. E há decisões registro de que Effect foi removido e por quê.

Essa última parte é o que torna o projeto sério. Das 24 LoRAs de efeito, 20 são do Remade-AI. Nove foram deixadas de fora: as que despiam alguém, disparam uma arma, fazem duas pessoas se beijarem, ou colocam personagem de franquia ou figura religiosa em cena. Quatro mais saíram erradas em três rodadas de laboratório. E quatro foram retiradas para manter o app SFW. Duas outras LoRAs, do joyfox, funcionaram mas ficaram de fora pelo mesmo motivo: uma veste as pessoas com o traje dos exemplos, a outra coloca mãos com luvas nos ombros de alguém.

Existe ainda um mecanismo de curadoria: um polegar para baixo em qualquer exemplo do laboratório marca ele como medíocre. As marcas vivem em lab/flags.json, a interface lista os marcados em Library → Lab examples → Mediocre, e é assim que um revisor diz ao laboratório que aquele resultado precisa de outro modelo, outra LoRA ou outro prompt.

Os limites, ditos pelo próprio projeto

Um post sobre open source que só elogia não serve para nada. Estes são os pontos que o próprio README registra como pendentes ou limitados.

• Não é um produto pronto. O projeto tem 25 dias de vida neste momento, um único autor com 82 commits, e o último push foi em 6 de novembro. Ainda não há release com tag.
• A cobertura é de 95 em 129 ferramentas. Faltam apps do catálogo original, e a lista de pendências é do próprio autor.
• Seis apps não rodam em 24 GB sem Modal ou GPU de 48 GB, por causa do encoder de texto de 27,1 GB do MiniMax H3.
• O treinamento de personagem ficou de fora. A cópia de referência funciona, mas treinar LoRA de rosto não está implementado no produto.
• As licenças dos pesos não são MIT. O FLUX Kommunity permite uso comercial livre só para receita anual abaixo de US$ 5 milhões. LTX-2.5, Krea 2, SAM, Stable Audio e MiniMax H3 têm licenças comunitárias próprias. Algumas LoRAs são só para pesquisa ou não comerciais, e uma não declara licença nenhuma no card do modelo. Sobre o peso do MiniMax H3 em particular, o post MiniMax H3-Image no RodarIA mostra o tamanho real de download que um modelo open-weight traz junto.
• Um app do catálogo é rascunho. O moss-image está travado na interface até você ligar FREEFIELD_DRAFTS=1.
• Não há índice nem API. A interface é a interface. Para integrar em código, você usa o workflow do ComfyUI diretamente.

Um ponto importante: o projeto declara explicitamente que é independente e não tem afiliação, endosso ou patrocínio do Higgsfield. O catálogo do Higgsfield é usado como referência de interface e as listas de movimentos de câmera vêm do open-higgsfield-ai, sob MIT. É uma reimplementação, não uma parceria.

A conta: assinatura contra GPU

Vamos à comparação que interessa para quem decide.

Aspecto	Higgsfield	Freefield
Preço	US$ 15 a US$ 129 por mês em créditos	MIT no código, mais a sua GPU ou o custo do Modal
Modelos	Seedance, Veo, Kling, Nano Banana e outros, fechados	FLUX 3 Klein, LTX-2.5, MiniMax H3, Wan 2.1 e 2.2, todos abertos
Custo por geração	1 a 210 créditos conforme modelo, duração e resolução	Energia e depreciação da sua placa
Uso comercial	Permitido nos planos pagos	Depende da licença de cada modelo, FLUX Kommunity corta em US$ 5 milhões de receita
Velocidade	Fila da plataforma	Sua GPU, sem fila
Extensibilidade	Fechado	Workflow comum do ComfyUI, editável

A conta do Modal dá uma referência útil. O laboratório registrou o custo de character em US$ 0,007 por execução, e o preço base é US$ 1,95 por hora de L40S. Uma RTX 3090 Ti usada, com 24 GB, sai por uma fração do preço de uma assinatura Ultra do Higgsfield. A conta fecha para quem tem volume ou quer o resultado bruto dos modelos abertos.

Mas há um custo invisível que o projeto não esconde: 355 GB de pesos para o catálogo completo. Você não baixa tudo, baixa por pack, mas mesmo assim o pack de vídeo com LTX-2.5 é pesado. E o tempo de setup, com este passo a passo, é o que separa quem usa de quem desiste na primeira tarde.

E há a questão que ninguém responde: os modelos abertos ainda são piores que os fechados do Higgsfield na maioria das tarefas. O Klein tem 1043 Elo, o que é ótimo para open weights, mas o Seedance 2.5 e o Veo 3 que o Higgsfield empacota são modelos de uma categoria diferente. Freefield entrega a mesma interface com motores um degrau abaixo. O que ele entrega de verdade é o controle, a abertura dos pesos e a possibilidade de encadear as pipelines como você quiser.

O que esperar daqui

O Freefield foi uma das 10 menções honrosas do desafio Open Source Higgsfield, organizado pela Comfy Org, com US$ 250 em créditos para cadafinalista. O prêmio de US$ 10.000 foi para outro projeto, e as categorias por perfil também foram para outros. Ficou em terceiro lugar na lista de menções honrosas, atrás de Reshoot 4D e OneShot MV.

Isso importa por um motivo que vai além do prêmio. O desafio existia porque a Comfy queria o catálogo do Higgsfield reconstruído com pesos abertos, e o resultado é que uma empresa com anos de modelo de negócio de créditos fechados gerou um clone funcional em quatro dias de desenvolvimento intenso, com 120 aplicações e um laboratório de testes com 334 casos. É uma demonstração de que a barreira não era técnica, era de modelo de negócio.

Para acompanhar, o caminho é o repositório principal, que tem o histórico completo do laboratório, e o ComfyUI-freefield, que é a forma mais rápida de testar em um ComfyUI que você já tem. O vídeo de demonstração de dois minutos está na página do projeto.

Vale colocar este projeto no contexto do que vem saindo dos laboratórios. O panorama de 19 modelos de IA em quatro meses mostra o ritmo de lançamentos da fronteira, e o post do Qwen4-Max-Preview mostra o outro extremo: um modelo de fronteira fechado, sem pesos e sem benchmarks, só na prévia do Token Plan. Freefield é a resposta prática a esse segundo caso, porque roda os modelos abertos no seu hardware, sem depender de nenhum desses serviços.

Perguntas frequentes

Freefield é oficial do Higgsfield?

Não. O projeto declara explicitamente ser independente, sem afiliação, endosso ou patrocínio do Higgsfield. É uma reimplementação que usa o catálogo da plataforma original como referência de interface.

Preciso de GPU para usar?

Precisa de uma GPU em algum lugar. Pode ser a sua, via o backend local com ComfyUI, ou de terceiros via Modal. O projeto foca no Modal por causa do baixo atrito de setup, mas o caminho local é documentado com o mesmo nível de detalhe.

Quanto custa em hardware?

70 dos 120 apps cabem inteiros em uma placa de 24 GB. Outros 42 cabem por fases, com carregamento e descarga entre etapas. Seis exigem GPU maior por causa do encoder de texto de 27,1 GB do MiniMax H3. A referência do projeto é uma RTX 3090 Ti de 24 GB com 4 GB de folga.

Posso usar comercialmente?

Depende do modelo. O código é MIT. Os pesos têm licenças próprias: o FLUX Kommunity permite uso comercial livre para receitas anuais abaixo de US$ 5 milhões, e LTX-2.5, Krea 2, SAM, Stable Audio e MiniMax H3 têm licenças comunitárias. Algumas LoRAs são só de pesquisa. A licença está no app.json de cada app e aparece na interface ao lado do modelo.

Como adiciono um app que não existe lá?

Dois caminhos. Se for um prompt fixo sobre uma pipeline que já roda, é uma linha na tabela de tools/template_apps.py. Se for qualquer outro workflow do ComfyUI, o tools/import_workflow.py gera o rascunho do manifesto e do workflow a partir do JSON, e depois roda o validador.

Funciona com o ComfyUI que eu já tenho?

Sim, com ressalvas de versão. O projeto fixa o ComfyUI 0.42.0 e os custom nodes ComfyUI-LTXVideo e ComfyUI-CrossViewWarp. O nó ComfyUI-freefield avisa na aba dele quando falta algum tipo de nó na sua instalação. Em 5 de novembro, 72 dos 117 apps rodaram em um PC Windows com RTX 3090 Ti de 24 GB e 104 GB de RAM sem erro.

Os exemplos mostrados são reais?

São. Cada exemplo no site vem de uma execução real do laboratório, com o tempo e o pico de VRAM medidos na GPU. Não há imagem gerada só para a screenshot. A comparação entre modelos de imagem, por exemplo, saiu de uma execução de seis prompts em cinco motores com a mesma semente.

Quem está por trás do projeto?

Um desenvolvedor, o neuregex, que tem 42 seguidores no GitHub e 28 repositórios públicos, entre eles um node do ComfyUI para o próprio Freefield, um scanner de segurança para custom nodes do ComfyUI e contribuições para o Bernini-R da ByteDance. Dele, 82 commits.

Referências

• neuregex/freefield: o repositório principal, com o README completo e o histórico do laboratório
• neuregex/ComfyUI-freefield: o nó para usar os apps em um ComfyUI que você já tem
• Open Source Higgsfield: o desafio da Comfy Org e as menções honrosas
• Mapa de VRAM: o tamanho de cada app, por fase, com os picos medidos
• Lab runs: as 48 execuções em GPU, uma a uma, e o que cada uma mudou
• Manifesto do Cinema Studio Video, mostrando como os controles viram prompt
• Higgsfield: preços, planos e como os créditos são consumidos
• Black Forest Labs: FLUX 3 Image Klein, 5,6 bilhões de parâmetros com pesos abertos
• BFL: notas de lançamento e preços da API do FLUX 3 Image Klein
• FLUX 3 Image Klein no Hugging Face, com o texto da licença