.ai

i migliori modelli di IA open source

Cerca

Nodo KSampler in ComfyUI

KSampler esegue il ciclo di denoising: prende il modello, i prompt e un latente e produce l'immagine latente finita, controllata da seed, passi, cfg, sampler, scheduler e denoise.

Pacchetto di nodi: ComfyUI core

Categoria: Campionamento

Cosa fa KSampler

KSampler è il punto dove l'immagine viene effettivamente generata. Partendo dal latente in ingresso (rumore casuale da Empty Latent Image, o un'immagine codificata per img2img), chiede al modello di rimuovere il rumore per il numero di passi scelto, avvicinandosi al prompt positivo e allontanandosi da quello negativo in base al valore di cfg. Il risultato è un LATENT che VAE Decode trasforma in un'immagine.

sampler_name seleziona il metodo numerico (euler, euler_ancestral, dpmpp_2m, dpmpp_2m_sde, dpmpp_3m_sde, uni_pc, lcm, ...) e scheduler la curva del rumore (normal, karras, exponential, sgm_uniform, simple, beta). denoise controlla quanto del latente in ingresso viene sostituito: 1.0 per text-to-image, 0.3-0.7 per img2img e passaggi hires. KSampler (Advanced) espone i passi di inizio e fine per il campionamento a più stadi.

Ingressi

Nome	Tipo	Cos'è
model	MODEL	Il modello di denoising, dopo eventuali patch LoRA o ControlNet.
positive	CONDITIONING	Quello che vuoi (da CLIP Text Encode, possibilmente tramite ControlNet Apply).
negative	CONDITIONING	Quello che non vuoi.
latent_image	LATENT	Il latente di partenza: rumore vuoto o un'immagine codificata.
seed	INT	Seed del rumore. Stesso seed e impostazioni riproducono la stessa immagine. control_after_generate imposta fisso, incremento, decremento o random.
steps	INT	Numero di passi di denoising. 20-30 per la maggior parte dei modelli SD, 4-8 per Lightning, Turbo e modelli LCM.
cfg	FLOAT	Scala di classifier-free guidance. 5-8 per SD 1.5 e SDXL, 1.0 per Flux e modelli distillati.
sampler_name	COMBO	L'algoritmo di campionamento.
scheduler	COMBO	La programmazione del rumore.
denoise	FLOAT	Frazione del rumore da rimuovere. 1.0 = partire da zero; valori più bassi mantengono più dell'immagine in ingresso.

Uscite

Nome	Tipo	Cos'è
LATENT	LATENT	Il latente campionato per VAE Decode o un secondo sampler.

Salta la configurazione: workflow ComfyUI preinstallati sul cloud

BitVector esegue workflow ComfyUI pronti all'uso sulle proprie GPU. Niente installazione, niente nodi mancanti, niente riquadri rossi. Aprilo dal telefono o dal portatile e genera in un minuto.

Prova BitVector

Come usare KSampler

Collega MODEL, entrambi i CONDITIONING e un LATENT.
Imposta steps 25, cfg 7, dpmpp_2m con karras per SDXL; euler con simple, cfg 1 per Flux.
Imposta denoise a 1.0 per un'immagine nuova.
Collega LATENT a VAE Decode e poi a Save Image.
Metti in coda, poi fissa il seed quando vuoi iterare sul prompt.

Impostazioni e consigli

dpmpp_2m + karras è la scelta più versatile; euler_ancestral aggiunge varietà ma non converge mai; dpmpp_2m_sde dà più dettagli a costo di meno determinismo tra GPU.
I checkpoint Lightning, Hyper e Turbo hanno bisogno di impostazioni proprie: 4-8 passi, cfg 1-2, sgm_uniform o simple.
Per un passaggio hires, passa il primo latente attraverso Upscale Latent By e un secondo KSampler con denoise 0.4-0.55.
Tieni premuto Ctrl+Shift+V per incollare un nodo con le sue connessioni; utile quando duplichi sampler.
Un seed fisso con le stesse impostazioni è riproducibile sulla stessa GPU; schede diverse possono dare risultati leggermente diversi.

Risoluzione dei problemi di KSampler

Rumore, statico o una macchia sfocata invece di un'immagine

Perché succede

Le impostazioni non sono adatte al modello: cfg 7 su un modello distillato, 4 passi su un modello normale, un modello Flux senza Flux Guidance, o denoise molto sotto 1 su un latente vuoto.

Come risolverlo

Segui la pagina del modello: SD normale = 20-30 passi, cfg 5-8; Lightning/Turbo = 4-8 passi, cfg 1-2; Flux = cfg 1, guidance 3.5, 20+ passi. Usa denoise 1.0 quando il latente è vuoto.

Output sovraesposto, troppo contrastato o 'bruciato'

Perché succede

cfg è troppo alto per il modello o lo stack LoRA, o un sampler ancestrale con molti passi.

Come risolverlo

Abbassa cfg a 4-6, riduci le intensità LoRA, o passa da euler_ancestral a dpmpp_2m.

torch.OutOfMemoryError: CUDA out of memory durante il campionamento

Perché succede

Il latente è troppo grande per la scheda con questa dimensione batch, o un altro modello (ControlNet, upscaler) occupa VRAM contemporaneamente.

Come risolverlo

Abbassa la risoluzione o batch_size, aggiungi --lowvram, usa pesi fp8, o dividi il passaggio hires in una seconda coda così il primo modello si scarica.

Errore: le forme di mat1 e mat2 non possono essere moltiplicate

Perché succede

Il conditioning viene da un encoder testuale di famiglia diversa rispetto al modello (CLIP SD 1.5 in un modello SDXL, o viceversa).

Come risolverlo

Collega il CLIP dallo stesso checkpoint che fornisce il MODEL.

Le immagini cambiano a ogni esecuzione anche se il seed è fisso

Perché succede

control_after_generate è impostato su randomize, o si usa un sampler SDE / ancestrale con un backend non deterministico.

Come risolverlo

Imposta control_after_generate su fixed e preferisci dpmpp_2m o euler per ripetibilità esatta.

La stessa immagine si ripete su prompt diversi (seed bloccato)

Perché succede

control_after_generate è fisso e il rumore domina a cfg basso o pochi passi.

Come risolverlo

Impostalo su randomize o increment e alza un po' il cfg.

Esegui questo workflow dal telefono

Ogni workflow di questa pagina è preinstallato su BitVector con modelli e nodi personalizzati già al loro posto. Scegline uno, scrivi un prompt, fatto. Zero configurazione, niente da scaricare.

Prova BitVector

Domande su KSampler

Qual è la differenza tra KSampler e KSampler (Advanced)?

La versione Advanced aggiunge add_noise, start_at_step, end_at_step e return_with_leftover_noise, che ti permette di dividere il campionamento su due modelli, per esempio SDXL base e poi refiner.

Quale sampler è il più veloce?

euler e dpmpp_2m fanno una chiamata modello per passo; le varianti _2s e _3m ne fanno di più. I modelli LCM e Lightning sono veloci perché servono pochi passi, non per il sampler.

Cosa fa denoise con un latente vuoto?

Qualsiasi valore sotto 1.0 lascia parte del rumore originale nell'output e crea nebbia. Usa 1.0 per text-to-image.

Nodi correlati

KSampler (Advanced)

ComfyUI core

KSampler (Avanzato) è KSampler con controllo sull'intervallo di passi: add_noise, start_at_step, end_at_step e return_with_leftover_noise, usato per catene base + rifinitore e campionamento con due modelli.

Empty Latent Image

ComfyUI core

Empty Latent Image crea la tela latente vuota (larghezza, altezza, batch_size) da cui parte il campionamento testo-immagine; le dimensioni devono essere multipli di 8 e corrispondere alla famiglia del modello.

VAE Decode

ComfyUI core

VAE Decode trasforma il LATENT campionato in un'immagine a pixel usando il VAE; VAE Decode (Tiled) fa lo stesso a pezzi per immagini molto grandi.

CLIP Text Encode (Prompt)

ComfyUI core

CLIP Text Encode trasforma un prompt di testo in CONDITIONING usando l'encoder testuale del modello. Un nodo contiene il prompt positivo, un altro quello negativo.

Upscale Latent and Upscale Latent By

ComfyUI core

Upscale Latent ridimensiona un latent a una nuova dimensione (o per un fattore) così un secondo KSampler può aggiungere dettagli a risoluzione più alta: il classico fix per l’alta risoluzione.

Stanco di riparare nodi? Lascia fare al cloud

BitVector mantiene centinaia di workflow ComfyUI installati, aggiornati e testati su GPU cloud veloci. Niente Python, niente errori CUDA, niente limiti di VRAM. Funziona da qualsiasi browser.

Prova BitVector