Mac M4 上 Z-image 模型采样器实战优化

🔗 节点连接逻辑#

🛠️ 采样器配置经验#

假设我们希望总的去噪步数控制在 18 步，并且第二个采样器（Refiner）的有效重绘幅度（Denoise）为 $0.3$ 到 $0.35$ 左右。

计算 Sampler 2 的 start_at_step：

如果 Sampler 2 的 steps 参数设置为整个工作流的总步数（即 18），且希望其重绘幅度为 $0.3$ 到 $0.35$。我们可以取一个中间值，比如 $0.33$。

则 Sampler 2 开始介入的步数应为： $start\_at\_step = \text{总步数} \times (1 - \text{目标重绘幅度}) = 18 \times (1 - 0.33) \approx 18 \times 0.67 \approx 12$。

这意味着第一个采样器将负责前 12 步的去噪，然后第二个采样器从第 12 步开始接手，完成剩余的 $18 - 12 = 6$ 步。此时有效重绘幅度为 $6 / 18 \approx 0.333$。

1. 第一级 (Base) Sampler (K采样器 (高级) 配置)： 负责“无中生有”并奠定基础构图。

   • sampler_name: euler_ancestral (或 euler_a)。
     • 经验与注意点: euler_ancestral 在每步采样中引入少量随机噪声，赋予图像独特的“灵气”和多样性，非常适合在第一阶段探索多样化的构图和创意，避免 AI 生成图像常见的呆板感 comfyui-wiki.com。
   • scheduler: beta。
     • 经验与注意点: beta 调度器能提供平衡稳定的降噪过程，与 euler_ancestral 配合，有助于在低步数下快速形成可辨识的初始画面。
   • steps (总步数上下文): 12 步。
     • 经验与注意点: 根据上述计算，第一级采样器需完成 12 步的去噪，以便为第二级采样器留出 6 步（总共 18 步完成）的精修空间。
   • cfg: 1.0。
     • 经验与注意点: 严格遵循 Z-image 模型的要求，CFG 锁定为 1.0。这是为了确保两个采样器能平滑衔接，避免在第二阶段出现色彩溢出或“焦黑”等伪影。
   • noise_seed: 建议在探索阶段设置为 -1 (随机)。
     • 经验与注意点: 若希望每次生成不同构图以探索创意，可将此项设置为 -1 (随机)。一旦发现满意的构图，务必记录下该次生成的种子值**，并将其固定在此处以实现精确复现。**
   • add_noise: enable。
   • start_at_step (开始降噪步数): 0。
     • 经验与注意点: 对于第一个采样器，它应始终从去噪过程的起点 (0) 开始。
   • end_at_step (结束降噪步数): 12。
     • 经验与注意点: 应与该采样器的 steps 参数值一致，表示它完成其分配的 12 步去噪。
   • return_with_leftover_no...: enable。
     • 经验与注意点: 确保将部分去噪后的 Latent 图像以及任何剩余的噪声信息（如果采样器算法需要）传递给后续的采样器。
   • latent_image: 连接自 Empty Latent Image 节点，用于设定图像的初始尺寸（例如，SDXL 模型推荐使用 1024x1024）。

2. 第二级 (Refiner) Sampler (K采样器 (高级) 配置)： 负责填充细节，提升画面质感。

   • sampler_name: er_sde (通常指 dpmpp_sde 或其 _gpu 优化版本)。
     • 经验与注意点: dpmpp_sde 系列采样器擅长生成高细节、具有摄影感的效果，尤其在处理纹理、光影等复杂细节方面表现卓越 comfyui-wiki.com。它能有效地将第一级粗略的构图转化为具有“工业级细节”的图像，弥补低步数 Z-image 在质感上的不足。
   • scheduler: beta。
     • 经验与注意点: 继续使用 beta 调度器，以维持整个工作流的连贯性和稳定性。
   • steps (总步数上下文): 18 步。
     • 经验与注意点: 这设置了整个去噪过程的“总概念步数”。此采样器将根据 start_at_step 和 end_at_step 在此总步数范围内工作。
   • cfg: 1.0。
     • 经验与注意点: 继续保持 1.0 CFG，确保第二级采样器在第一级的基础上进行细化，而不是重新解释提示词。
   • noise_seed: 建议设置为一个固定数字 (例如 0)。
     • 经验与注意点: 为了验证精修阶段的稳定性和效果，通常会将其设置为固定数字，或者设置为与第一级采样器当时生成时使用的相同种子值**（如果第一级是随机生成的话）。将此种子固定，有助于保持精修过程的内部一致性。**
   • add_noise: disable。
     • 经验与注意点: 由于输入是部分去噪的 Latent 并且我们通过 start_at_step / end_at_step 控制重绘，此阶段不应额外添加噪声。
   • start_at_step (开始降噪步数): 12。
     • 经验与注意点: 这是实现约 $0.33$ 重绘幅度的关键。它表示第二个采样器将从总去噪过程的第 12 步开始接手工作。
   • end_at_step (结束降噪步数): 18。
     • 经验与注意点: 应与该采样器的 steps 参数值（即整个工作流的总步数）一致，表示它在此总步数内完成去噪过程。

方法 A：Latent 潜空间放大（类似 Hires.fix）#

这种方式在采样器之间插入一个 Upscale Latent 节点，速度最快，适合对原图进行一定的二次创作。

🔗 连接逻辑：

• Sampler 1 (K采样器 (高级) 配置)： 负责生成一张高质量底图。

  • sampler_name: dpmpp_2m_sde (或 dpmpp_2m_sde_gpu)。
    • 经验与注意点: dpmpp_2m_sde 系列采样器在多轮采样中具有出色的稳定性，能够生成结构极其稳健的图像。这对于后续的潜空间放大至关重要，能确保放大后图像的基础结构不发生崩坏。
  • scheduler: beta。
  • steps (总步数上下文): 5-8 步。
    • 经验与注意点: 保持 Z-image 的低步数优势，生成一个足够精致的初始潜像。例如，可设置为 6 步。
  • cfg: 1.0。
  • noise_seed: 建议使用固定整数，确保生成的底图可复现。
  • add_noise: enable。
  • start_at_step (开始降噪步数): 0。
  • end_at_step (结束降噪步数): 应与该采样器的 steps 参数值一致。例如，6。
  • latent_image: 连接自 Empty Latent Image 节点。

• Upscale Latent 节点 (中间环节)：

  • 经验与注意点: 此节点直接在潜空间中执行放大操作，因无需 VAE 编解码而速度极快。请设置合适的 scale_factor (例如 1.5 或 2.0)。

• Sampler 2 (K采样器 (高级) 配置)： 在 Latent 放大后，介入修复模糊感并补充高频细节。

  • sampler_name: er_sde (或 dpmpp_sde 变体)。
    • 经验与注意点: 再次利用其强大的细节生成能力，修复潜空间放大可能带来的轻微模糊，并添加放大的图像所缺少的高频细节。
  • scheduler: beta。
  • steps (总步数上下文): 例如，设置总步数为 18。
  • cfg: 1.0。
  • noise_seed: 可以使用与第一级相同的种子，或略微增加以增加细微随机性。
  • add_noise: disable。
  • start_at_step (开始降噪步数): 根据目标重绘幅度 0.3 - 0.4 进行计算。例如，如果总步数是 18，目标重绘幅度是 $0.35$，则 $start\_at\_step = 18 \times (1 - 0.35) = 18 \times 0.65 = 11.7 \approx 12$。
  • end_at_step (结束降噪步数): 应与该采样器的 steps 值一致。例如，18。

方法 B：模型放大 + 像素重采样（极致清晰）#

这种方式将图片转为像素空间，通过 Upscale 模型放大后再重新编码回潜空间，能够获得最锐利的边缘。

🔗 修正后的连接逻辑：

• Sampler 1 (K采样器 (高级) 配置)： 负责生成一张高质量底图。

  • sampler_name: dpmpp_2m_sde (或 dpmpp_2m_sde_gpu)。
  • scheduler: beta。
  • steps (总步数上下文): 5-8 步。例如，6 步。
  • cfg: 1.0。
  • noise_seed: 固定整数。
  • add_noise: enable。
  • start_at_step (开始降噪步数): 0。
  • end_at_step (结束降噪步数): 应与该采样器的 steps 参数值一致。例如，6。
  • latent_image: 连接自 Empty Latent Image 节点。

• B1((VAE Decode (瓦片式))) (第一个 VAE 解码器)：

  • 经验与注意点: 用于将 Sampler 1 的 Latent 输出解码成像素形式的“原始图像”，因为 Upscale Image via Model (C 节点) 是在像素空间操作的。
  • Mac 专属优化: 右键点击 VAE Decode 节点，选择 Enable Tiling (启用瓦片式)。参数配置推荐 tile_size=512, overlap=64。

• Upscale Image via Model 节点 (中间环节)：

  • 经验与注意点: 此节点需要加载一个独立的超分模型 (例如 4x-UltraSharp, ESRGAN 等)。请确保您已将相应的 upscale_loader 文件放置在 ComfyUI 的 models/upscale_models 目录下，并在节点中选择正确的模型。这个模型负责在像素空间中增加图像的分辨率和锐度。

• D1((VAE Encode (瓦片式))) (VAE 编码器)：

  • 经验与注意点: 将经过模型放大后的“高清图像”（像素）重新编码回 Latent 潜空间，作为 Sampler 2 的输入。由于这里的像素图像已经是高分辨率的了（例如 2048x2048 或更大），所以此处强烈建议使用 VAE Encode (瓦片式)。
  • Mac 专属优化: 同样，右键点击 VAE Encode 节点，选择 Enable Tiling (启用瓦片式)。参数配置推荐 tile_size=512, overlap=64。

• Sampler 2 (K采样器 (高级) 配置)： 接收高清 Latent，进行最终的精修。

  • sampler_name: er_sde (或 dpmpp_sde 变体)。
  • scheduler: beta。
  • steps (总步数上下文): 例如，设置总步数为 18 (或根据实际需求调整)。
    • 经验与注意点: 鉴于图像已经过模型放大，细节已大幅提升，因此第二级的步数通常可以适中，做轻微的优化。
  • cfg: 1.0。
  • add_noise: disable。
  • noise_seed: 使用与第一级相同的种子，或略微增加。
  • start_at_step (开始降噪步数): 根据重绘幅度 0.25 - 0.35 进行计算。例如，如果总步数是 18，目标重绘幅度是 $0.3$，则 $start\_at\_step = 18 \times (1 - 0.3) = 18 \times 0.7 = 12.6 \approx 13$。
  • end_at_step (结束降噪步数): 应与该采样器的 steps 值一致。例如，18。

• G1((VAE Decode (瓦片式))) (第二个 VAE 解码器)：

  • 经验与注意点: 用于将 Sampler 2 (E 节点) 输出的最终优化过的高清 Latent 解码成像素形式的“最终大图”。
  • Mac 专属优化: 由于这是处理已经过放大且由 Sampler 2 优化过的高清 Latent，其解码出的像素图像分辨率会很高。强烈建议在此 VAE Decode 节点上右键点击，选择 Enable Tiling (启用瓦片式)。参数配置推荐 tile_size=512, overlap=64。