Flux FP8 Dual CFG Workflow

이 ComfyUI 워크플로우는 AmericanPresidentJimmyCarter가 개발한 FLUX.1 dev 모델을 사용한 최적화된 LoRA 증강 이미지 생성을 위한 추론 방법론을 구현합니다. 이 워크플로우는 두 개의 KSampler를 사용하여 추론 과정을 분할하고, 각기 다른 타임스텝에서 다른 CFG 스케일을 적용합니다.

이 방법은 현재 AndroFlux를 사용하는 가장 최적의 방식입니다.

이 워크플로우에서는 모든 기능을 통합한 Flux 체크포인트를 사용하거나, 두 개의 KSampler를 복사하여 자신의 워크플로우에 붙여넣기만 하면 됩니다.

주요 방법론:

• 이중 KSampler 구성:

  1. 초기 KSampler (타임스텝 0-2):

     • CFG: 1.0 (비활성화)

     • 스텝: 3

     • Denoise: 1.00

     • VAE 디코딩: False

  2. 개선 KSampler (타임스텝 3-30):

     • CFG: 3.0

     • 스텝: 27

     • Denoise: 0.93 (총 스텝에 따라 조정)

     • VAE 디코딩: True

통찰:

• 추론 최적화: 이 설정은 Jimmy의 flux_lora_cfg.py에서 사용하는 CFG 조정 전략을 모방합니다. 이미지 기반을 확립하기 위해 초기에는 중립적인 CFG를 사용하고, 이후 세부 사항을 개선하고 프롬프트에 대한 준수를 강화하기 위해 더 강력한 가이던스를 적용합니다.

• FP8 양자화 체크포인트: 이 워크플로우는 FLUX.1 [dev]의 FP8 양자화 버전을 사용하며, VAE 및 텍스트 인코더를 하나의 파일로 통합합니다. 이 통합 모델(flux1-dev-fp8.safetensors)은 사용이 편리하지만, 양자화로 인해 품질이 약간 저하됩니다.

이전 워크플로우와의 차이점:

• 통합 체크포인트: 이전의 워크플로우가 모델 구성 요소를 별도의 파일로 사용한 것과 달리, 이 버전은 단일 통합 체크포인트를 사용합니다. 사용이 더 편리하지만, 이 FP8 버전은 원래 비양자화 파일보다 약간 낮은 품질을 가질 수 있음을 유의해야 합니다.

• 동적 CFG 전략: 이중 KSampler 접근법은 생성 과정에 더 세밀한 제어를 가능하게 하며, Flux LoRA에 대한 최적의 CFG 타이밍에 대한 Jimmy의 발견을 직접 구현합니다.

ComfyUI에서 Flux 워크플로우에 대한 자세한 정보는 공식 ComfyUI Flux 문서를 참조하세요.