展开本页目录
开始前准备什么
- 已有本地 ComfyUI 环境；按所用模型官方说明准备硬件和权重。
- 下载本页材料，检查模型家族、目录与来源；模型权重未打包。
- 保留原文件与实际版本，UI workflow 与 API prompt 分开。
- 准备最小工作流和模型
- 读懂模型和文本连接
- 写单一可检查的场景
- 设置单图尺寸与随机起点
- 提交并观察当前任务
- 检查真实输出的基础属性
- 保存下一次可重跑的版本
含 UI/单独 API JSON、原输入、模型清单、校验脚本和真实负例；无权重及本次推理输出。
按官方 0.4 格式整理；仅结构核验，需在你的目标版本实际导入。
从本页工作流 Loader 字段读取；按官方来源准备兼容权重。
空结果栏，供你填写实际输出与故障；不预填虚构成功结果。
1. 准备最小工作流和模型
下载官方派生 workflow.json，按 models.csv 获取对应 SD1.5 模型并放到 checkpoints。本站材料未打包权重；先确认文件不是下载错误页，Loader 下拉实际能选中它。
2. 读懂模型和文本连接
Load Checkpoint 的 MODEL 接 KSampler，CLIP 接正向与负向两个 CLIP Text Encode，VAE 接 VAE Decode。用节点表核对输入名，而不是凭相邻位置判断连线。
3. 写单一可检查的场景
把正向文本改为 a blue ceramic mug on a wooden table, soft window light；负向约束写 blurry, extra handles。先只要求一个主体，记录原文；提示词不能保证文字和杯把准确。
4. 设置单图尺寸与随机起点
Empty Latent 使用 512×512、batch_size=1；KSampler 固定 seed=24680、20 steps、euler、normal。先别一次提升尺寸和步数，避免无法定位耗时与显存来源。
5. 提交并观察当前任务
点击 Queue 后查看任务和控制台，确认错误发生在加载、采样还是解码。若模型未找到，回到 Loader；若是 OOM，保存日志后按专门教程缩小 latent 与 batch。
6. 检查真实输出的基础属性
在 Save Image 下载 PNG，查看尺寸、主体数量、杯把和构图，再读取其中工作流元数据。用 acceptance.csv 记录真实文件名和人工判断，不用官方例图代替自己的成功结果。
7. 保存下一次可重跑的版本
修改 Save Image filename_prefix 为 practice/mug-v1，保存最终 UI JSON 与环境版本。官方截图只说明节点连接方式，本页未执行模型生成；实际效果和速度由你的运行结果核验。
8. 下载工作流、输入和结构检查
完整包包含官方来源 JSON、按本页整理的 UI workflow、单独的 API prompt、真实输入 PNG、模型与参数清单、空验收表、故障负样本和离线脚本。先执行 python check.py，再在自己的 ComfyUI 安装中导入与实际运行。包内权重未下载，结构检查不能替代前端兼容与推理验收。
怎样确认已经完成
- MODEL、CLIP、VAE 三种输出连接到各自正确输入。
- 初始任务为单图 512×512，保留固定 seed 和完整提示词。
- 输出的 PNG 尺寸、元数据与最终 JSON 可对应到同一次运行。
常见问题
正向和负向提示词为什么都需要 CLIP？
两者都需要对应 checkpoint 的文本编码器产生 conditioning。不要接另一个架构的 CLIP 以为只是文案区别。
调高 steps 一定更清楚吗？
不一定。先保留模型建议与基础参数，按同一任务比较构图、瑕疵和耗时，不能把更高数字当成保证。