Wan2.1 14B i2v (Native|GGUF) Self-Forcing(lightx2v) Single/Dual Sampling
详情
下载文件
关于此版本
模型描述
感谢 definitelynotadog 提供的 Dual KSampler 工作流。
感谢 Ada321 在 CivitAI 上上传的 Self-Forcing(Lightx2v) LoRA。
*25/7 更新 🟨 Dual Sampler 工作流至 V3（更新此版本供有兴趣尝试者使用，它更慢且稍复杂——基础结构无变化）
*24/7 新增 🟩 Single Sampler 工作流 V3
为所有工作流添加了 视频预览
为 Expanded 和 Compacted 工作流添加了 后处理模块
将部分 输入项移至 Expanded 和 Compacted 工作流的 后处理模块
Expanded 和 Compacted 工作流中的 Seed 节点 默认设置为 “New Fixed Random”
将 VRAM 清理 替换为 Easy-Use Custom Node Clean VRAM
添加了 图标，调整了部分 视觉效果，并编辑/新增了若干 注释
对 Interpolation+Upscaler 工作流进行了轻微视觉调整
后处理模块（Expanded & Compacted）：
当在 Seed 节点使用 "New Fixed Random" 时，生成视频后，您可以更改/编辑输入参数或选择其他选项，然后重新生成，同时跳过采样过程/步骤。
示例： 假设您点击 ComfyUI 的 RUN 按钮生成了一个视频，但忘记设置插值倍数或选择插值+超分选项。视频生成完成后，您可以调整插值倍数和/或选择插值+超分选项，再次点击 ComfyUI 的 RUN 按钮，由于使用了相同的种子编号，且未更改 后处理模块之外的任何输入，系统将跳过采样步骤。
要生成新的种子视频，请在 Seed 节点点击 "New Fixed Random"，然后点击 ComfyUI 的 RUN 按钮。
此方法也能加速视频草稿制作，避免浪费时间在您可能并不想要的视频上进行插值或超分。
工作流内附简要文字说明。
17/7 - 新增 🟩 Single Sampler 工作流 V2.1，用于配合新的 Self-Forcing(Lightx2v) LoRA。
Single Sampler 下载包含以下工作流：
Expanded（显示所有连接——主要用于学习与探索）
Compacted（仅显示必要部分，隐藏其他内容）
Simplified（“标准化”工作流，适合希望对输入有更多控制的用户）
Interpolation + 2x Upscaler（适合先生成大量视频，再择优进行插值+超分）
Joiner/Merger（将两个视频合并）
此 Single Sampler 工作流包含：
用于 Diffuser 模型和 Clip 的 GGUF 加载器（建议搭配使用 GGUF 模型 + Clip）
用于内存管理的 Block Swap
Sage Attention（加速生成时间）——我忘了我是怎么安装的
Torch Compile（加速生成时间）——仅当您的系统支持时启用
NAG（标准化注意力引导）——在使用 CFG 1 时智能调整负提示的影响
Stack LoRA 加载器
按宽度缩放以调整图像尺寸
视频速度控制
帧插值以平滑运动
根据视频长度、速度与插值倍数自动计算帧数与帧率
保存最后一帧（用于视频序列）
颜色匹配（适用于视频序列或保持视频颜色统一）
VRAM 清理
超分（最高 2x）
在我的 3090 Ti 24GB 上生成耗时 5分30秒：
- 720x960 图像 - 4 步 - 81 帧（5秒）- 4倍插值 - 超分 - GGUF - Torch Compile - Sage Attention
上述视频未做速度调整。
包含嵌入式工作流。（下载视频，拖入 ComfyUI）
工作流内附模型/LoRA 文件链接。
请始终从本页面下载文件，因可能有小幅更新。
（使用发布的视频作为设置示例）
我仅测试了少数 LoRA，效果良好。如您使用的 LoRA 效果不佳，可尝试替代品，必要时仍可切换回 Dual Sampler（功能正常但耗时更长）。也可尝试降低 Self-Forcing(lightx2v) 的强度。
🟨 Dual Samplers 模块：
*V2.1 小幅更新
将 VAE 解码（分块） 改为 普通 VAE 解码，以解决视频超过 5 秒或 81 帧时出现的“突然闪烁”问题。
更新所有工作流中的 CausVid v2 链接，或从 此处 获取。（感谢 01hessiangranola851）
*如果您已在使用该工作流：
生成超过 5 秒视频时出现闪烁/亮度突变？请尝试在 VAE 解码（分块）中将
temporal_size设为 64，或切换至普通“非分块”VAE 解码。前几帧出现变灰？请降低 CausVid 强度，或直接设为 0.3。
*V2 更新
为 GGUF Diffusion 模型和 Clip 添加了 GGUF 加载器及下载链接。（请选择 Native 或 GGUF，禁用或删除未使用的版本）
“修复”了 Torch Compile，并添加了 fp16 累积选项。
颜色匹配（适用于视频序列或保持颜色统一）
外部视频合并器/连接器模板（在 Expanded 版本中）
CausVid 强度（范围：0.3 - 1）
微调了视觉效果与注释
此 i2v 工作流设计初衷为：
专为使用 Self-Forcing(lightx2v) LoRA 而构建（但不仅限于此）
用于学习与探索
实验性用途
模块化结构（可添加、扩展、替换或提取工作流部分）
展开视图——查看所有连接（在 Expanded 版本中）
此 Dual Sampler 工作流包含：
用于内存管理的 Block Swap
Sage Attention（如已安装请开启）
Torch Compile
Stack LoRA 加载器
按宽度缩放以调整图像尺寸
视频速度控制
帧插值以平滑运动
根据视频长度、速度与插值倍数自动计算帧数与帧率
保存最后一帧
预览初始 KSampler 潜在空间与最终视频图像
使用两个 KSampler 进行双重采样
VRAM 清理
超分（最高 2x）
外部帧插值模板（在 Expanded 版本中）
推荐使用的模型：
工作流可使用 wan2.1 14B 480p 或 720p 模型（i2v）。
推荐使用 720p 模型及更高分辨率图像，可获得更佳画质，尤其在运动中的人眼和牙齿表现。
示例：
前 5 步 / 后 3 步 / 81 帧
480p 模型 - 480x640 图像
480p 模型 - 720x960 图像
720p 模型 - 480x640 图像
720p 模型 - 720x960 图像
在我 3090 Ti 24GB 上，使用 Sage Attention 但不使用 GGUF 时的生成速度（前 5 步 + 后 3 步，共 8 步，81 帧，4 倍帧插值）：
720 x 960 图像：约 750 秒（12-13 分钟）
480 x 640 图像：约 350 秒（5-6 分钟）
注意：
某些 LoRA 可能导致脸部或角色变形。请降低 LoRA 强度或改用其他 LoRA。
有时需多次生成才能获得更佳运动种子，请耐心尝试。
我未测试所有 LoRA，您需自行测试并摸索。
（480p/720p 模型、图像尺寸、LoRA 强度、起始 CFG）
*如果您发现使用的其他 LoRA 在此工作流中过于激进（运动过强、色彩变化剧烈、曝光突变），请降低起始 CFG。建议在 3 与 5 之间交替测试，选择更佳值。
我上面发布的部分视频使用了较低 CFG，因为其他 LoRA 在高 CFG 下过于激进。
使用其他 LoRA 进行运动草稿：
使用较小图像尺寸以加快生成，测试您使用的 LoRA 是否能产生运动。
一旦满意 LoRA 与提示词，再改用您期望的图像尺寸。
其他建议：
您还可以使用其他 V2V 工作流来清理扭曲/模糊。
例如：
/model/1714513/video-upscale-or-enhancer-using-wan-fusionx-ingredients
或使用人脸替换来修正面部扭曲。
🟨 Dual KSampler
推荐步骤：
5 起始步 / 3 结束步（我测试时最常使用）
4 起始步 / 3 结束步
旧版 T2V Self-Forcing(lightx2v) 有时会阻碍、减慢或减少某些 LoRA 的运动效果。
为获得某些 LoRA 更强的运动，需设置更高的 CFG 值（大于 1），但使用 Self-Forcing(lightx2v) 时，必须将 CFG 设为 1。
这时，Dual KSampler 就派上用场了。
第一个 KSampler 使用较高的 CFG 值（3-5），结合 CausVid LoRA 生成更佳“运动潜空间”，以更少步数增强运动。
第二个 KSampler 使用较低的 CFG 值（1），仅用 3 步，以 Self-Forcing(lightx2v) LoRA 快速完成视频。步数过多会使 Self-Forcing(lightx2v) 过度影响，反而减少运动。
为将“运动潜空间信息”传递给第二个采样器，第一个采样器的步数必须超过总步数的一半。
示例：
5 前步 / 3 后步 / 8 总步
4 前步 / 3 后步 / 7 总步
配置为上述方式后，您会在潜在空间预览中看到图像逐渐成形：
此时信息可传递至第二个 KSampler，以少量步数完成生成，而不会过度干扰。
（若第一个采样步数小于或等于总步数的一半，您将看到非常杂乱、无法辨识的图像。）
本质上，7-8 步的生成被拆分为两个 KSampler。
第二个 KSampler 从第一个 KSampler 的结束点继续生成。
（使用两个普通采样器将无法得到相同结果，因为第二个采样器不知道从哪一步继续，它会忽略第一个采样器的输出，从第 0 步重新开始。）
由于初始 KSampler 在 3-5 CFG 下生成较慢，但其优势在于与其它 LoRA 搭配时能获得更强的运动。这比使用 20-30 步无 CausVid 或 Self-Forcing(lightx2v) 的方式快得多。
遗憾的是，带起止步设置的 KSampler 仅适用于 Native 模型，不适用于 WanWrapper。
太多 GET 和 SET 节点了……
!!! 仅在安装 ComfyUI-Easy-Use 自定义节点时可用。*
您可使用 节点映射搜索（Shift+m）功能。
在您的 ComfyUI 界面面板（通常在左侧）中，寻找一个图标：一个方块在上，三个方块在下，称为 Nodes Map。
假设您看到一个 "Set_FrameNum" 节点，想找到对应的 "Get_FrameNum" 在哪。
在搜索栏输入：
Get_FramN....
--! 区分大小写 !--
系统将筛选出结果。
双击该结果，即可跳转至对应节点。
同理，查找 Get 节点：
以 "Set_FrameNum" 为例，搜索：
Get_FrameNum
--! 区分大小写 !--
筛选后，双击跳转。
自定义节点
ComfyUI-Custom-Scripts
rgthree-comfy
ComfyUI-KJNodes
ComfyUI-Frame-Interpolation
ComfyUI-mxToolkit
ComfyUI-MemoryCleanup
ComfyUI-wanBlockswap
MediaMixer
ComfyUI-Easy-Use（请手动安装于您的自定义节点管理器中）
后记：
您可以自由扩展、使用部分、编辑、合并并发布本工作流，无需署名。
我未使用 GGUF 的原因是每次尝试安装都会导致我的 ComfyUI 崩溃。
在此点之后，我已无更深入的理解。