简单理解：GGUF 是 ComfyUI 的**“模型压缩包”**——把 23GB 的 Flux 大模型压到 4–8GB，让 6GB 显存的笔记本也能跑高质量图像生成。（如从 FP16 转为 INT8/INT4/Q4_K_M 等），大幅减小模型体积和显存占用，使原本需要高端显卡运行的模型能在消费级甚至 CPU 环境下工作。llama.cpp 优化的量化方案（Q4_K_M、Q5_K_M 等），质量损失

Flux模型变体：dev(开发版，质量最高)/schnell(快速版，4步生成)/fill(图像修复)/canny(边缘控制)/depth(深度控制)混元变体：t2v_720p(文生视频720P)/i2v_720p(图生视频720P)/t2v_540p(540P轻量版)WAN变体：t2v_14B(文生视频14B)/i2v_14B(图生视频14B)/fun_inp(视频修复)/Q4量化版。CogVi

Flux模型变体：dev(开发版，质量最高)/schnell(快速版，4步生成)/fill(图像修复)/canny(边缘控制)/depth(深度控制)混元变体：t2v_720p(文生视频720P)/i2v_720p(图生视频720P)/t2v_540p(540P轻量版)WAN变体：t2v_14B(文生视频14B)/i2v_14B(图生视频14B)/fun_inp(视频修复)/Q4量化版。CogVi

模型版本：audioldm-s(小)/audioldm-l(大)/audioldm2(二代)/audioldm2-music(音乐专用)/audioldm2-large(大版)htdemucs_ft(微调版，4轨)/htdemucs(标准4轨)/htdemucs_6s(6轨，含钢琴/吉他)/mdx_extra(扩展)/mdx_extra_q(快速)drums(鼓)/bass(贝斯)/vocals(

—从InsightFace人脸识别、ReActor精准换脸、InstantID高保真身份保持，到LivePortrait表情驱动、GFPGAN/CodeFormer面部修复，覆盖了面部检测、识别、替换、修复、动画的完整管线。face(全脸)/skin(皮肤)/eyes(眼睛)/mouth(嘴部)/hair(头发)/full_segmentation(全部分割)检测(detection)/识别(re

20个节点组合使用，可以实现"这个人（IP-Adapter）摆出这个姿势（ControlNet OpenPose），在这个场景（ControlNet Depth）中，用这种风格（IP-Adapter 风格参考）"的精准控制。权重类型：original（原始）、linear（线性衰减）、channel penalty（通道惩罚）ControlNet 管"结构"（怎么摆），IP-Adapter 管"长

从风格迁移到人物一致性，从换脸到多图融合，IP-Adapter 让 AI 绘画从"纯文字描述"进化到"图文并茂"，是实现精准视觉控制的核心技术之一。简单理解：IP-Adapter 是 ComfyUI 中的**“看图说话”**——你给 AI 一张参考图，AI 按照这张图的风格、人物或特征来生成新图像。IP-Adapter 管"长什么样"，ControlNet 管"什么姿势"，互不冲突。LoRA 是"

—Load Checkpoint 是主语，CLIP Text Encode 是谓语，KSampler 是动词，VAE Decode 是宾语，Save Image 是句号。——它把 2GB–23GB 的 AI 模型载入内存，拆分为 MODEL/CLIP/VAE 三条动脉，供养整个生成流程。加载独立的 VAE（变分自编码器）模型，替代或补充 Checkpoint 内置的 VAE。MODEL（叠加后的模

10 分钟高质量短视频的 ComfyUI 工作流，全量展开约 600–1700 个节点，但经过模型共享、批量处理和子图封装优化后，可控制在 200–500 个节点。：共享模型加载 → 批量 KSampler → 批量 Upscale → 输出序列。：共享视频模型 → 批量 I2V → 批量插帧 → 输出片段。第二阶段：分镜图像生成（每镜 8–12 节点，× 分镜数）：使用批量生成节点、共享模型加载

当前开源文生音乐首选，旋律连贯性顶尖，Melody 版支持参考旋律条件，生态丰富，ComfyUI 节点较成熟。早期开源标杆，文本理解准确，音效丰富，AudioLDM 2 扩展至音乐/语音/音效三模态，社区节点支持中等。音乐质量高，生成时长可达 3 分钟，商用友好，但 ComfyUI 集成一般，多通过 API 使用。开源声音转换首选，实时推理，音色克隆自然，ComfyUI 节点较成熟，虚拟主播/配音