Wan 2.2 - FFLF - XT 404 - Master UI
详情
下载文件
关于此版本
模型描述
这只是我的个人工作流程，我并不负责创建该模型或节点！！！
请使用下方描述中的节点和模型！！！
节点 > https://github.com/XT-404/XT-404_SKYNET
Lora Loader https://github.com/HenkDz/rgthree-comfy
模型 > https://civarchive.com/models/2244942?modelVersionId=2527274
🤖 XT-404 Skynet 套件：Wan 2.2 集成
ComfyUI 的“Omega 版本”
XT-404 Skynet 套件 是一套专为 ComfyUI 设计的高度专业化、经过实战检验的自定义节点集合，专为 Wan 2.1 和 2.2 视频扩散模型优化。
与标准节点不同，该套件聚焦于“视觉至高性”——以数学精度实现 8K、OLED 级别的画质。它摒弃了通用处理方式，采用启发式、上下文感知算法，保护信号完整性，精准管理 VRAM，并消除数字伪影。
⚠️ 系统要求
ComfyUI：推荐使用最新版本。
Wan 2.2 模型：请确保您已拥有 VAE、CLIP 和 UNet/Transformer 模型。
Python：3.10 或以上版本。
FFmpeg：Compressor 节点必需（通常通过
imageio-ffmpeg安装）。
注意
渗透协议（GGUF）：若要在 Cyberdyne 模型中心 中使用 GGUF 量化模型，必须安装 ComfyUI-GGUF 引擎。📥 下载引擎：city96/ComfyUI-GGUF。若未安装此引擎，Cyberdyne 模型中心将仅以 Safetensors 模式运行。
🚀 核心功能
零点噪声注入：消除视频生成中的静态“雪花”现象。
ARRI 渐变色调映射：即使在高对比度场景中也能防止白色过曝。
Nano-Repair（Genisys）：实时监控张量，防止因 TF32 精度导致的黑屏/NaN 问题。
OLED/8K 工作流：专为深黑、有机颗粒和微观细节幻觉设计的专用管道。
哨兵遥测：实时控制台日志（“The Mouchard”），逐帧分析饱和度、过曝和 VRAM 使用情况。
📦 安装步骤
进入您的 ComfyUI 自定义节点目录：
cd ComfyUI/custom_nodes/
克隆本仓库：
git clone https://github.com/YourUsername/XT-404-Skynet-Suite.git
安装依赖项：
pip install imageio-ffmpeg scikit-image
🛠️ 模块详解
1. 核心引擎（XT404_Skynet_Nodes.py）
生成过程的核心。以专为 Wan 的 Flow Matching 优化的混合引擎替代标准 KSamplers。
零点修复：确保
0 + 噪声 = 纯噪声，注入前清空潜在空间。Wan Sigma 计算器：使用 Wan 2.1/2.2 所需的特定偏移公式。
链式架构：通过在节点间传递主 sigma 时钟，实现“高分辨率修复”。
2. 通用加载器（cyberdyne_model_hub.py）
统一加载 Checkpoints、SafeTensors 和 GGUF 模型。
递归搜索：自动在子目录中查找模型。
GGUF 路由：自动识别 GGUF 文件并转发至对应后端。
智能卸载：积极将未使用的模型卸载至 RAM，为采样器释放 VRAM。
3. 视觉至高性套件（wan_visual_supremacy.py）
治愈“AI 塑料感”的“秘密配方”。
Latent Detailer X：在解码前注入微观细节，同时防止信号饱和。
Temporal Lock Pro：解码后稳定器，通过融合低差异帧消除闪烁。
OLED Dynamix（ARRI 渐变）：对数压缩曲线，保留高光纹理。
4. Nano-Repair 系统（wan_genisys.py）
节点：
Cyberdyne Genisys [OMNISCIENT]功能：通过计算张量漂移并在其达到 NaN 前钳制数值，解决 TF32/BF16 中的“黑屏”问题。
5. T-X 插值器（wan_tx_node.py）
功能：在起始图像与结束图像之间生成视频。
创新：使用逆结构排斥机制，强制模型幻化出转换路径，而非简单混合。
🎛️ 推荐工作流策略
为获得终极 8K OLED 效果，请按以下顺序连接节点：
加载器：
Cyberdyne 模型中心（加载模型与 VAE）。提示词：
Wan 文本缓存与Wan 视觉缓存。生成：
WanImageToVideoUltra→XT-404 Skynet 1（主控）。精修：
XT-404 Skynet 3（精修器）（去噪 0.3）。解码：
VAE 解码。视觉至高性堆栈：
Temporal Lock Pro（稳定像素）。OLED Dynamix（塑造光影）。Organic Skin（添加纹理）。
最终润色：
Wan Chroma Mimic（验证信号并锐化）。编码：
视频合成→Wan 压缩器。
📟 控制台 HUD（XT-Mouchard）
请勿忽视控制台！该套件会实时报告信号健康状况：
🟢 绿色：信号正常。
🟡 黄色：检测到高信号（渐变已激活）。
🔴 红色：严重饱和/过曝（请降低
specular_pop）。
示例日志：
[XT-MIMIC] 🎨 最终验证 | 动态范围: [0.000, 0.982]
└── 信号完整性：正常（过曝：0.00%）
这表明数学上完美的黑白，且最高亮度被限制在 98.2%，以保留显示时的光晕效果。
📜 致谢
架构师：XT-404 Omega
公司：Cyberdyne 系统
状态：黄金主版本（V3.8）
"命运并非注定，而是由我们亲手创造。"
由 Cyberdyne 研究部维护。如遇“渗透报告”，请提交 Issue。
🤖 XT-404 Skynet：Wan 2.2 哨兵套件（Omega 版）
Cyberdyne 系统公司 | T-800 系列 | 型号 101
"未来并非注定。命运，由我们亲手创造。"
⚠️ 关键系统依赖
注意
渗透协议（GGUF）：若要在 Cyberdyne 模型中心 中使用 GGUF 量化模型，必须安装 ComfyUI-GGUF 引擎。
📥 下载引擎：city96/ComfyUI-GGUF
若未安装此引擎，Cyberdyne 模型中心将仅以 Safetensors 模式运行。
🚀 为何选择 XT-404 Skynet？（竞品分析）
标准节点依赖通用实现。XT-404 Skynet 是专为 Wan 2.2 的特性量身打造的定制架构。
| 功能 | 标准节点 / 竞品 | 🤖 XT-404 Skynet 架构 |
|---|---|---|
| 精度 | 标准 FP16/BF16（易产生色带） | 混合 FP32/TF32 上下文切换（零色带） |
| 插值 | 基础线性淡入淡出（静态/冻结） | T-X 双相封装（原生 VAE 注入） |
| 色彩科学 | RGB 过曝 | LAB 空间转换 + OLED 动态（电影级） |
| 缓存 | 基础 TeaCache（有运动冻结风险） | T-3000 Genisys + 动量与 Nano-Repair |
| 缩放 | 双线性（模糊） | Lanczos/Bicubic FP32（像素级精准） |
| 内存 | 高 VRAM 占用（OOM 风险） | 手术级固定内存（DMA） + 激进清理 |
🌍 神经网络导航
🇺🇸 英文文档
🇫🇷 法文文档
查阅法文版以获取完整技术细节。
🇺🇸 英文文档
🎨 第零阶段：视觉工程（Wan Chroma Mimic）
文件：wan_chroma_mimic.py
终极色彩分级引擎。这并非简单滤镜。它在 GPU 上实时运行，将图像张量转换为 LAB 色彩空间，分离亮度与色彩信息，实现电影级参考而不破坏光照数据。
🔥 核心功能与配置
架构：100% PyTorch GPU，0% CPU 延迟。
形态学滤波器：在视频扩散产生的微小伪影（黑白点）扩散前予以清除。
OLED 动态：在 0.5 处应用非线性 S 曲线，加深黑色同时保留高光峰值。
参数 推荐值 描述reference_image 必需 源图像（风格参考）。情绪由此提取。effect_intensity 0.25 LAB 转移的混合强度。oled_contrast 0.00 “Netflix”风格。 增强动态范围。0.0 = 中性。skin_metal_smooth 0.25 智能表面模糊。 平滑皮肤/金属，同时检测边缘以保持锐度。detail_crispness 0.2 影院锐化。 使用高斯差分法增强微细节。
🛡️ 阶段 1：渗透（Cyberdyne 模型中心）
文件： cyberdyne_model_hub.py
一个统一加载器，连接 Safetensors 和 GGUF 架构。它自动解决 Wan 2.2 的“双UNet”需求。
- 递归扫描器： 在子文件夹中查找模型。
- 天网协议： 主动管理 VRAM。在加载前计算校验和（SHA256）并清除内存，以防止碎片化。
- 混合加载： 可同时加载高分辨率 FP16 模型和低分辨率 GGUF 模型。
🧠 阶段 2：神经网络核心（XT-404 采样器）
文件： XT404_Skynet_Nodes.py
“哨兵”引擎。与标准采样器不同，这些采样器硬编码了 Wan 2.2 所需的 simple（线性）调度器，避免了使用标准 KSamplers 时出现的“输出过曝”问题。
🔴 XT-404 Skynet 1（主控）
- 偏移值（5.0）： Wan 2.2 潜在时间的关键设置。
- Bongmath 引擎： 自定义纹理噪声注入系统。
True：添加模拟胶片颗粒一致性。False：纯数字纯净度。
🟡 XT-404 Skynet 2（链式）
- 种子锁定： 通过
options字典自动继承主控节点的种子，确保生成过程中的时间一致性。
🟢 XT-404 Skynet 3（精炼器）
- 重采样模式： 在链路末尾注入受控噪声，以幻觉高频细节。
💀 阶段 3：T-3000 Genisys（全知缓存）
文件： wan_genisys.py
优于 TeaCache。 标准 TeaCache 在差异过低时会冻结视频运动。T-3000 使用“动能动量”。
- 动能动量： 若检测到运动，则强制计算接下来的 X 帧，防止出现“人偶挑战”效应。
- 纳米修复： 检测张量流中的
NaN或Inf值（黑屏错误），并使用软钳位（-10/+10）而非硬裁剪进行外科手术式修复。 - HUD： 在控制台中实时显示信号完整性和漂移指标。
🎭 阶段 4：仿生渲染（I2V 超高清与保真度）
文件： nodes_wan_ultra.py / wan_fast.py
🌟 Wan Ultra（质量之王）
- 核级归一化： 使用双三次抗锯齿将输入图像严格标准化至 0.0–1.0 范围。
- 细节增强： 在 VAE 编码前应用锐化卷积矩阵，以抵消压缩模糊。
- 运动放大： 使用“软限幅器”（Tanh 曲线）放大运动向量，同时不破坏物理一致性。
⚡ Wan Fidelity（速度之王）
- 优化： 使用
torch.full替代拼接，以提升内存效率。 - 逻辑： 恢复原始 Wan 2.1 的上下文窗口逻辑，实现完美的时间连贯性。
🧪 阶段 6.5：多维合金（T-X 双相）[新增]
文件： wan_tx_node.py
插值奇点。 标准 I2V 模型难以精确到达特定末帧（常出现冻结或风格丢失）。T-X 引擎 使用原生 VAE 注入封装器，完美衔接时间轴。
- 关键帧注入： 临时覆盖 VAE 的内部逻辑，编码
[起始帧 -> 空白 -> 终止帧]，而不破坏潜在空间。 - 流畅变形： 强制 Wan 2.2 模型求解 A 点与 B 点之间的物理方程，防止出现“幻灯片”效果。
- 智能 VRAM 扫描器： 自动检测 GPU 容量，在“安全模式”（512px 分块）和“超高清模式”（1280px 分块）间切换。
参数 描述start_image 起始帧（第 0 帧）。end_image 目标帧（第 N 帧）。T-X 引擎强制收敛至该图像。motion_amp 放大关键帧间的潜在运动向量。detail_boost 预处理锐化，以在 VAE 压缩中保留纹理。
⚡ 阶段 5：传感器与加速器（Omega 工具）
🚀 Wan 硬件加速器（防烧毁 V4）
文件： wan_accelerator.py 性能的“秘密配方”。
- 问题： 在 Wan 2.2 上启用 TF32 通常因归一化错误导致图像“烧毁”（对比度问题）。
- 解决方案（上下文切换）： 此节点全局启用 TF32 以提升速度，但拦截
GroupNorm和LayerNorm层，强制其使用 FP32 精度。 - 结果： 获得 TF32 的 30% 速度提升，同时保持 FP32 的视觉质量。
👁️ Wan 视觉与文本缓存（DMA）
文件： wan_i2v_tools.py
- 固定内存： 使用 CPU 页锁定内存（DMA）将文本嵌入即时传输至 GPU。
- 视觉哈希： 对图像内容（包括步幅）进行哈希，避免重复编码相同的 CLIP 视觉输入。
🛠️ 阶段 6：后处理与自动化
- Wan 压缩器（Omega）： 线程安全的 H.265 编码。限制 CPU 线程数为 16，防止 Threadripper/i9 崩溃。
- Wan 循环终结器： 使用 Windows API
EmptyWorkingSet清除 RAM 待机列表（防止系统卡顿）。 - 自动 Wan 优化器： 智能重缩放器，强制执行
Modulo 16尺寸（Wan 所需），并防止 OOM（>1024px）。