实验性 Mochi
Mochi 原生支持最新版 ComfyUI，请执行 git pull 或更新。
采样器：
我建议将不同系列的采样器串联使用，以在每一步中获得各自的最佳效果，顺序很重要。我通常以 1 步 dpm_adaptive 开始以提高成功率，接着 1 步 sonar_dpmpp（学生-t）以增强创意性，最后用 3 步 ipndm 和 4 步 ddim 结束。
在我的示例中，采样器链为：1 步 dpm_adaptive > 1 步 sonar_dpmpp_sde（学生-t）> 1 步 lcm > 2 步 SamplerDynamicCFGpp > 4 步 heun
5gen/3d 风格视频的采样器链为：2 步 SamplerHeunCFGPP > 3 步 ipndm > 4 步 ddim
dpm_adaptive|fe_heun3|ae_dopri5(+Guide)
sonar_dpmpp_sde（student/pink|power/uniform）|dpmpp_dual_sde_momentumized| dpm_2_ancestral(+Color)
SamplerDPMCFGpp|heun_cfg_pp|distance_s4e1_cfg_pp|
SamplerCCCFGpp/SamplerDynamicCFGpp|SamplerHeunCFGPP|uni_pc
lcm
dpmpp_2m_sde/3m|*_gpu
tcd_w
ipndm/majority|heun
SamplerX0CFGpp
为加快生成速度，我通常先用 5 步生成，当发现不错的结果时，再以至少 9 步重新生成。
噪声类型：
3D 噪声（金字塔、perlin、分形、voronoi 等）或拉普拉斯噪声无效
有效：uniform、power、pink、studentt
无效：green_test、gaussian
VAE：
你可能会遇到内存溢出。在 Genmo Mochi 推出轻量级自编码器之前，请使用参数 "--cpu-vae" 避免此问题，但速度会慢 6 倍；或使用 "latent upscale by" 快速输出（但会出现模糊）；或保存潜变量，稍后解码。
CFG：
为获得成功生成，我建议 CFG 值大于 1。
使用良好的采样器链，即使 CFG 为 1 也能获得不错的图像。
调度器：
在找到你最喜欢的配置前，使用原始方法对 "BetaSamplingScheduler" 的 alpha 和 beta 参数进行随机化。
硬件规格：
我使用的是 NVIDIA GeForce GTX 1660 SUPER，6GB 显存（比 30**/40** 系列慢约 10 倍）。如果我能用它运行，你也可以。如果你有较好的显卡和显存，可尝试使用正确的分辨率、时长和 VAEDecode，我尚未测试，需自行实验。如果你只有 4GB 显存，可尝试降低时长和分辨率，但我在测试中未获得理想效果。
