.ai

najlepsze otwarte modele AI

Szukaj

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.

Pakiet węzłów: ComfyUI core

Kategoria: Samplowanie

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.

Pomiń konfigurację: workflow ComfyUI zainstalowane w chmurze

BitVector uruchamia gotowe workflow ComfyUI na własnych GPU. Bez instalacji, bez brakujących węzłów, bez czerwonych ramek. Otwórz na telefonie lub laptopie i generuj w minutę.

Wypróbuj BitVector

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.

Uruchom ten workflow z telefonu

Każdy workflow z tej strony jest zainstalowany na BitVector razem z modelami i węzłami niestandardowymi. Wybierz, wpisz prompt, gotowe. Zero konfiguracji, nic do pobrania.

Wypróbuj BitVector

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.

Masz dość naprawiania węzłów? Zostaw to chmurze

BitVector utrzymuje setki workflow ComfyUI zainstalowanych, aktualnych i przetestowanych na szybkich GPU w chmurze. Bez Pythona, bez błędów CUDA, bez limitów VRAM. Działa w każdej przeglądarce.

Wypróbuj BitVector