Węzeł KSampler w ComfyUI
KSampler wykonuje pętlę odszumiania: bierze model, prompt i latent, i tworzy gotowy latent obrazu, kontrolowany przez seed, kroki, cfg, sampler, scheduler i denoise.
Co robi KSampler
KSampler to miejsce, gdzie obraz faktycznie powstaje. Zaczyna od wejściowego latenta (losowy szum z Empty Latent Image lub zakodowany obraz dla img2img), prosi model o usunięcie szumu przez wybraną liczbę kroków, przyciągając do pozytywnego promptu i odsuwając od negatywnego o wartość cfg. Wynikiem jest LATENT, który VAE Decode zamienia na obraz.
sampler_name wybiera metodę numeryczną (euler, euler_ancestral, dpmpp_2m, dpmpp_2m_sde, dpmpp_3m_sde, uni_pc, lcm, ...) a scheduler krzywą szumu (normal, karras, exponential, sgm_uniform, simple, beta). denoise kontroluje, ile z wejściowego latenta jest zastąpione: 1.0 dla text-to-image, 0.3-0.7 dla img2img i przejść hires. KSampler (Advanced) pozwala ustawić start i end steps dla wieloetapowego próbkowania.
Wejścia
Nazwa | Typ | Co to jest |
|---|---|---|
model | MODEL | Model do odszumiania, po wszelkich poprawkach LoRA lub ControlNet. |
positive | CONDITIONING | To, co chcesz uzyskać (z CLIP Text Encode, ewentualnie przez ControlNet Apply). |
negative | CONDITIONING | To, czego nie chcesz. |
latent_image | LATENT | Początkowy latent: pusty szum lub zakodowany obraz. |
seed | INT | Seed szumu. Ten sam seed i ustawienia dają ten sam obraz. control_after_generate ustawia fixed, increment, decrement lub randomize. |
steps | INT | Liczba kroków odszumiania. 20-30 dla większości modeli SD, 4-8 dla Lightning, Turbo i LCM. |
cfg | FLOAT | Skala classifier-free guidance. 5-8 dla SD 1.5 i SDXL, 1.0 dla Flux i modeli destylowanych. |
sampler_name | COMBO | Algorytm próbkowania. |
scheduler | COMBO | Harmonogram szumu. |
denoise | FLOAT | Ułamek szumu do usunięcia. 1.0 = start od zera; niższe wartości zachowują więcej z obrazu wejściowego. |
Wyjścia
Nazwa | Typ | Co to jest |
|---|---|---|
LATENT | LATENT | Wylosowany latent do VAE Decode lub kolejnego sampler. |
Jak używać KSampler
- Podłącz MODEL, oba CONDITIONING i LATENT.
- Ustaw steps na 25, cfg na 7, dpmpp_2m z karras dla SDXL; euler z simple, cfg 1 dla Flux.
- Ustaw denoise na 1.0, żeby zacząć od nowa.
- Podłącz LATENT do VAE Decode, a potem do Save Image.
- Dodaj do kolejki, potem ustaw seed na stały, gdy chcesz iterować nad promptem.
Ustawienia i wskazówki
- dpmpp_2m + karras to uniwersalny wybór; euler_ancestral dodaje różnorodność, ale nigdy nie zbiega się do jednego wyniku; dpmpp_2m_sde daje więcej detali, ale kosztem powtarzalności między GPU.
- Checkpointy Lightning, Hyper i Turbo potrzebują własnych ustawień: 4-8 kroków, cfg 1-2, sgm_uniform lub simple.
- Dla przejścia hires, podaj pierwszy latent przez Upscale Latent By i drugi KSampler z denoise 0.4-0.55.
- Przytrzymaj Ctrl+Shift+V, żeby wkleić node z połączeniami; przydatne przy duplikowaniu samplerów.
- Stały seed z tymi samymi ustawieniami jest powtarzalny na tym samym GPU; różne karty mogą dawać trochę inne wyniki.
Rozwiązywanie problemów z KSampler
Szum, statyczny obraz lub rozmazana plama zamiast obrazu
Dlaczego tak się dzieje
Ustawienia nie pasują do modelu: cfg 7 na modelu destylowanym, 4 kroki na normalnym modelu, model Flux bez Flux Guidance, albo denoise dużo poniżej 1 na pustym latencie.
Jak to naprawić
Dopasuj do strony modelu: normalny SD = 20-30 kroków, cfg 5-8; Lightning/Turbo = 4-8 kroków, cfg 1-2; Flux = cfg 1, guidance 3.5, 20+ kroków. Używaj denoise 1.0, gdy latent jest pusty.
Przepalone, przesycone, zbyt kontrastowe wyjście
Dlaczego tak się dzieje
cfg jest za wysokie dla modelu lub stosu LoRA, albo sampler ancestral z dużą liczbą kroków.
Jak to naprawić
Obniż cfg do 4-6, zmniejsz siłę LoRA lub zmień euler_ancestral na dpmpp_2m.
torch.OutOfMemoryError: CUDA out of memory podczas próbkowania
Dlaczego tak się dzieje
Latent jest za duży dla karty przy tym batch size, albo inny model (ControlNet, upscaler) zajmuje VRAM w tym samym czasie.
Jak to naprawić
Zmniejsz rozdzielczość lub batch_size, dodaj --lowvram, użyj wag fp8 lub podziel przejście hires na drugą kolejkę, żeby pierwszy model się zwolnił.
Błąd: mat1 i mat2 mają niezgodne kształty do mnożenia
Dlaczego tak się dzieje
Conditioning pochodzi z enkodera tekstu innej rodziny niż model (SD 1.5 CLIP do modelu SDXL lub odwrotnie).
Jak to naprawić
Podłącz CLIP z tego samego checkpointu, co MODEL.
Obrazy zmieniają się przy każdym uruchomieniu, mimo stałego seeda
Dlaczego tak się dzieje
control_after_generate jest ustawione na randomize lub używany jest sampler SDE / ancestral z niedeterministycznym backendem.
Jak to naprawić
Ustaw control_after_generate na fixed i wybierz dpmpp_2m lub euler dla dokładnej powtarzalności.
Ten sam obraz powtarza się przy różnych promptach (seed zablokowany)
Dlaczego tak się dzieje
control_after_generate jest fixed, a szum dominuje przy niskim cfg lub małej liczbie kroków.
Jak to naprawić
Ustaw na randomize lub increment i lekko podnieś cfg.
Pytania o KSampler
Jaka jest różnica między KSampler a KSampler (Advanced)?
Advanced dodaje add_noise, start_at_step, end_at_step i return_with_leftover_noise, co pozwala podzielić próbkowanie między dwa modele, np. bazowy SDXL, a potem refiner.
Który sampler jest najszybszy?
euler i dpmpp_2m wykonują jedno wywołanie modelu na krok; warianty _2s i _3m więcej. Modele LCM i Lightning są szybkie, bo potrzebują mało kroków, nie przez sampler.
Co robi denoise z pustym latentem?
Wszystko poniżej 1.0 zostawia część oryginalnego szumu w wyjściu i tworzy mgłę. Dla text-to-image trzymaj 1.0.
Powiązane węzły
KSampler (Advanced)
ComfyUI core
KSampler (Advanced) to KSampler z kontrolą zakresu kroków: add_noise, start_at_step, end_at_step i return_with_leftover_noise, używany do łańcuchów base + refiner i próbkowania dwoma modelami.
Empty Latent Image
ComfyUI core
Empty Latent Image tworzy pusty latentny obraz (szerokość, wysokość, batch_size), od którego zaczyna się generowanie obrazu z tekstu; wymiary muszą być wielokrotnością 8 i pasować do rodziny modelu.
VAE Decode
ComfyUI core
VAE Decode zamienia wylosowany LATENT na pikselowy OBRAZ za pomocą VAE; VAE Decode (Tiled) robi to samo, ale w kafelkach dla bardzo dużych obrazów.
CLIP Text Encode (Prompt)
ComfyUI core
CLIP Text Encode zamienia tekstowy prompt na CONDITIONING używając modelu enkodera tekstu. Jeden node trzyma pozytywny prompt, drugi negatywny.
Upscale Latent and Upscale Latent By
ComfyUI core
Upscale Latent zmienia rozmiar latentnego obrazu na nowy rozmiar (lub przez współczynnik), żeby drugi KSampler mógł dodać szczegóły w wyższej rozdzielczości: to klasyczna poprawka hires.
Więcej węzłów ComfyUI
ComfyUI Manager
ComfyUI-Manager
ComfyUI Manager to rozszerzenie, które instaluje, aktualizuje i naprawia niestandardowe paczki węzłów i modele bezpośrednio z interfejsu, rozwiązuje brakujące węzły w importowanych przepływach pracy i robi migawki twojej konfiguracji.
Load Checkpoint
ComfyUI core
Load Checkpoint (CheckpointLoaderSimple) otwiera plik modelu .safetensors lub .ckpt i udostępnia trzy części potrzebne w każdym workflow: MODEL dyfuzji, enkoder tekstowy CLIP oraz VAE.
Save Image
ComfyUI core
Save Image zapisuje tensor IMAGE do ComfyUI/output jako PNG, z całym workflow osadzonym w metadanych pliku, dzięki czemu obraz można przeciągnąć z powrotem do ComfyUI i przywrócić graf.
Load Image
ComfyUI core
Load Image wczytuje obraz z folderu wejściowego ComfyUI (lub z przesłanego pliku) i daje na wyjściu tensor IMAGE oraz MASKĘ z kanału alfa, czyli punkt startowy dla img2img, inpaintingu, ControlNet i IP-Adapter.
Load LoRA
ComfyUI core
Load LoRA (LoraLoader) nakłada plik LoRA na MODEL i CLIP z osobnymi siłami, dzięki czemu styl, postać lub koncepcja mogą być dodane do dowolnego checkpointu bez łączenia.
Load Diffusion Model
ComfyUI core
Load Diffusion Model (UNETLoader) ładuje samą sieć denoisingową, taką jak Flux, SD3.5, Wan czy HunyuanVideo z folderu models/diffusion_models, z opcją weight_dtype dla fp8, żeby zaoszczędzić VRAM.