ComfyUI SDXL 進階實戰如何正確玩轉 Text_G 與 Text_L 雙 CLIP 編碼【免費下載鏈接】ComfyUI_WorkflowsA repository of well documented easy to follow workflows for ComfyUI項目地址: https://gitcode.com/gh_mirrors/co/ComfyUI_WorkflowsComfyUI_Workflows項目是一套文檔詳盡、易于上手的開源 ComfyUI 工作流合集。本文帶你完整解析SDXL 雙 CLIP 編碼如何正確編寫 Text_G 與 Text_L 雙提示詞、Base 與 Refiner 兩段式采樣器如何配合以及如何快速找到最佳分辨率與步驟分配讓你少走彎路。一、為什么 SDXL 需要雙 CLIP 編碼SD1.5 只有一個 CLIP 文本編碼器而SDXL 引入了兩個新的 CLIP Text Encode 節點Base 階段一個、Refiner 階段一個每個節點都提供text_g和text_l兩個提示詞輸入外加寬高尺寸條件Text G自然語言提示詞——像跟人說話一樣描述畫面例如 a professional photo of a cat astronaut wearing a detailed spacesuit inside a spaceshipText L概念關鍵詞提示詞——熟悉的 SD1.x 風格用逗號分隔概念例如 cat, astronaut, spacesuit, spaceship, high resolution, detailed, 4k項目文檔中的實驗結論G 和 L 填寫相同文本時模型通常更懂你當然也可以故意寫兩份不同的提示詞做對比實驗下文演示。上圖是 basic/SDXL_simple.json 的完整節點結構執行流從左到右加載模型 → 設定 Latent → 雙 CLIP 編碼 → 兩段采樣 → VAE 解碼。二、快速上手Base Refiner 兩段式采樣 加載兩個檢查點sd_xl_base_1.0.safetensorsBase與sd_xl_refiner_1.0.safetensorsRefiner放入ComfyUI/models/checkpointsLatent 尺寸設為1024×1024SDXL 的訓練分辨率總步數 25其中19 步給 Base剩 6 步由 Refiner 收尾——讓 Base 干 80% 的活是實用法則使用KSampler Advanced節點Base 設end_at_step19并務必將return_with_leftover_noise設為enable讓 Refiner 接著未完成的 Latent 繼續Refiner 設start_at_step19并沿用與 Base 相同的采樣器/調度器VAE Decode Save Image 出圖常用分辨率速查表SDXL 偏愛百萬像素附近的分辨率常用比例如下比例分辨率比例分辨率0.6768×12801.01024×10240.78896×11521.381152×8320.88960×10881.671280×7681.291152×8962.01408×704完整 24 組比例可直接打開 basic/SDXL_text_g-l.json 查看畫布左下角的 Note 節點里附了全部列表。三、Text_G 與 Text_L 雙提示詞怎么寫??項目專門提供了實驗工作流 basic/SDXL_text_g-l.json它用Primitive 節點把提示詞和參數外部化改一處文本即可驅動整條鏈路方便反復試驗Prompt: Main subject→ Base 階段的text_g自然語言描述第二個Prompt: Main subject→ Base 階段的text_l概念關鍵詞Prompt: Negative→ 同時接入 Base 與 Refiner 的負向提示詞實測對比相同提示詞 vs 雙提示詞分寫下圖是同一工作流的真實對比結果左側G 和 L 使用相同提示詞右側text_g 與 text_l 分別填寫不同內容——細節、姿態與構圖都有可感知的差異。小技巧寬高條件讓細節更銳利 官方測試發現把width/height與target_width/height都設為4096細節往往更銳一點當畫面寬高比極端時建議將 CLIP 寬高設為Latent 尺寸的 4 倍來保持正確的長寬比。另外用CLIP Set Last Layer節點做 CLIP skip負值-2 表示跳過最后一層可以在某些模型上獲得更好的構圖理解四、進階實驗同一工作流對比 4 種采樣器 提示詞寫對之后采樣器選擇同樣關鍵。項目提供了對比工作流 basic/experiments/compare_samplers.json同一檢查點、步數與 CFG 下同時運行 4 種采樣器結果一目了然。通用建議euler ancestral與dpmpp_2m karras是全能選擇而 SDXL 工作流默認使用dpmpp_2msgm_uniform。五、總結3 點必記清單 雙提示詞Text_G 寫自然語言、Text_L 寫概念關鍵詞沒把握時兩邊填同一文本兩段式采樣Base 管構圖約 80% 步數Refiner 管細節別忘return_with_leftover_noise兩個數字Latent 用 1024×1024CLIP 寬高條件用 4096學完本文建議繼續探索 basic/README.md 中的批量出圖與 CLIP skip 技巧或 upscale/README.md 的高清放大方案。本倉庫所有工作流均按從左到右、從上到下的可讀性設計把圖片直接拖進 ComfyUI 畫布即可還原完整節點結構邊看邊練即可?！久赓M下載鏈接】ComfyUI_WorkflowsA repository of well documented easy to follow workflows for ComfyUI項目地址: https://gitcode.com/gh_mirrors/co/ComfyUI_Workflows創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 ComfyUI SDXL 進階實戰：如何正確玩轉 Text_G 與 Text_L 雙 CLIP 編碼？
ComfyUI SDXL 進階實戰如何正確玩轉 Text_G 與 Text_L 雙 CLIP 編碼【免費下載鏈接】ComfyUI_WorkflowsA repository of well documented easy to follow workflows for ComfyUI項目地址: https://gitcode.com/gh_mirrors/co/ComfyUI_WorkflowsComfyUI_Workflows項目是一套文檔詳盡、易于上手的開源 ComfyUI 工作流合集。本文帶你完整解析SDXL 雙 CLIP 編碼如何正確編寫 Text_G 與 Text_L 雙提示詞、Base 與 Refiner 兩段式采樣器如何配合以及如何快速找到最佳分辨率與步驟分配讓你少走彎路。一、為什么 SDXL 需要雙 CLIP 編碼SD1.5 只有一個 CLIP 文本編碼器而SDXL 引入了兩個新的 CLIP Text Encode 節點Base 階段一個、Refiner 階段一個每個節點都提供text_g和text_l兩個提示詞輸入外加寬高尺寸條件Text G自然語言提示詞——像跟人說話一樣描述畫面例如 a professional photo of a cat astronaut wearing a detailed spacesuit inside a spaceshipText L概念關鍵詞提示詞——熟悉的 SD1.x 風格用逗號分隔概念例如 cat, astronaut, spacesuit, spaceship, high resolution, detailed, 4k項目文檔中的實驗結論G 和 L 填寫相同文本時模型通常更懂你當然也可以故意寫兩份不同的提示詞做對比實驗下文演示。上圖是 basic/SDXL_simple.json 的完整節點結構執行流從左到右加載模型 → 設定 Latent → 雙 CLIP 編碼 → 兩段采樣 → VAE 解碼。二、快速上手Base Refiner 兩段式采樣 加載兩個檢查點sd_xl_base_1.0.safetensorsBase與sd_xl_refiner_1.0.safetensorsRefiner放入ComfyUI/models/checkpointsLatent 尺寸設為1024×1024SDXL 的訓練分辨率總步數 25其中19 步給 Base剩 6 步由 Refiner 收尾——讓 Base 干 80% 的活是實用法則使用KSampler Advanced節點Base 設end_at_step19并務必將return_with_leftover_noise設為enable讓 Refiner 接著未完成的 Latent 繼續Refiner 設start_at_step19并沿用與 Base 相同的采樣器/調度器VAE Decode Save Image 出圖常用分辨率速查表SDXL 偏愛百萬像素附近的分辨率常用比例如下比例分辨率比例分辨率0.6768×12801.01024×10240.78896×11521.381152×8320.88960×10881.671280×7681.291152×8962.01408×704完整 24 組比例可直接打開 basic/SDXL_text_g-l.json 查看畫布左下角的 Note 節點里附了全部列表。三、Text_G 與 Text_L 雙提示詞怎么寫??項目專門提供了實驗工作流 basic/SDXL_text_g-l.json它用Primitive 節點把提示詞和參數外部化改一處文本即可驅動整條鏈路方便反復試驗Prompt: Main subject→ Base 階段的text_g自然語言描述第二個Prompt: Main subject→ Base 階段的text_l概念關鍵詞Prompt: Negative→ 同時接入 Base 與 Refiner 的負向提示詞實測對比相同提示詞 vs 雙提示詞分寫下圖是同一工作流的真實對比結果左側G 和 L 使用相同提示詞右側text_g 與 text_l 分別填寫不同內容——細節、姿態與構圖都有可感知的差異。小技巧寬高條件讓細節更銳利 官方測試發現把width/height與target_width/height都設為4096細節往往更銳一點當畫面寬高比極端時建議將 CLIP 寬高設為Latent 尺寸的 4 倍來保持正確的長寬比。另外用CLIP Set Last Layer節點做 CLIP skip負值-2 表示跳過最后一層可以在某些模型上獲得更好的構圖理解四、進階實驗同一工作流對比 4 種采樣器 提示詞寫對之后采樣器選擇同樣關鍵。項目提供了對比工作流 basic/experiments/compare_samplers.json同一檢查點、步數與 CFG 下同時運行 4 種采樣器結果一目了然。通用建議euler ancestral與dpmpp_2m karras是全能選擇而 SDXL 工作流默認使用dpmpp_2msgm_uniform。五、總結3 點必記清單 雙提示詞Text_G 寫自然語言、Text_L 寫概念關鍵詞沒把握時兩邊填同一文本兩段式采樣Base 管構圖約 80% 步數Refiner 管細節別忘return_with_leftover_noise兩個數字Latent 用 1024×1024CLIP 寬高條件用 4096學完本文建議繼續探索 basic/README.md 中的批量出圖與 CLIP skip 技巧或 upscale/README.md 的高清放大方案。本倉庫所有工作流均按從左到右、從上到下的可讀性設計把圖片直接拖進 ComfyUI 畫布即可還原完整節點結構邊看邊練即可?！久赓M下載鏈接】ComfyUI_WorkflowsA repository of well documented easy to follow workflows for ComfyUI項目地址: https://gitcode.com/gh_mirrors/co/ComfyUI_Workflows創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考