第一个Kolors文生图工作流：ComfyUI-Kolors-MZ从零到出图，12个节点逐个讲透
【免费下载链接】ComfyUI-Kolors-MZKolors的ComfyUI原生采样器实现(Kolors ComfyUI Native Sampler Implementation)项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Kolors-MZ
这篇文章带你用ComfyUI-Kolors-MZ（Kolors 的 ComfyUI 原生采样器插件）完成第一个Kolors 文生图工作流：从插件安装、模型下载到 12 个节点逐个拆解、KSampler 参数调优，全程无需写代码，跟着做就能在 ComfyUI 里稳定出 Kolors 的图。
🧩 Kolors是什么？ComfyUI-Kolors-MZ解决了什么问题
Kolors 是快手可灵开源的文生图大模型，基于 SDXL 架构，但用ChatGLM3作为中文文本编码器，对中文提示词的理解能力远超原生 SDXL。
问题在于：ComfyUI 原生无法识别 Kolors 的模型结构。ComfyUI-Kolors-MZ 通过钩子机制（hook_comfyui_kolors_v2.py）把 Kolors 的 UNet 配置注入 ComfyUI 的模型检测流程，让 Kolors直接走 ComfyUI 原生采样管线——不需要自定义采样器代码，工作流里用的全是标准节点。
✅ 插件的核心能力一览：
- 原生采样：KSampler 直接可用，不用 wrapper 节点
- 中文编码器：内置 ChatGLM3 加载与编码节点，支持 4bit/8bit 量化
- 生态扩展：配套 ControlNet、局部重绘、IPAdapter/FaceID 全套节点
📥 安装步骤：3分钟装好 ComfyUI-Kolors-MZ 插件
打开终端，进入 ComfyUI 的自定义节点目录执行（仅此处涉及仓库地址）：
cd ComfyUI/custom_nodes git clone https://gitcode.com/gh_mirrors/co/ComfyUI-Kolors-MZ python main.py然后重启 ComfyUI。之后在节点搜索栏输入MinusZone，就能看到本插件的全部节点，它们统一归类在MinusZone - Kolors分类下（节点注册见init.py）。
🗂 模型下载：3类Kolors模型该放哪个文件夹
Kolors 文生图需要 3 个文件，存放位置非常关键：
| 模型 | 存放位置 | 作用 |
|---|---|---|
Kolors UNet（diffusion_pytorch_model.fp16.safetensors） | models/unet/ | 文生图主模型 |
ChatGLM3（chatglm3-fp16.safetensors） | models/LLM/ | 中文文本编码器 |
| SDXL VAE | models/vae/ | 潜空间解码成图片 |
💡UNet 放错位置的坑：Kolors 的 UNet 有两种用法——放在
models/unet/就用MZ_KolorsUNETLoaderV2加载；放在models/checkpoints/则用MZ_KolorsCheckpointLoaderSimple加载。不确定就两种都试一下（官方 FAQ 原话）。
🖼 工作流总览：第一个Kolors文生图的12个节点
基础文生图工作流如下图（工作流 JSON 就嵌在 PNG 里，直接把这张图拖进 ComfyUI 画布即可导入整条工作流）：
在基础 9 节点之上，加上 3 个可选的进阶开关节点，就是完整的12 节点版Kolors 文生图工作流：
| 阶段 | 节点 | 作用 |
|---|---|---|
| ① 加载模型 | 1-3：UNET加载 / VAE加载 / ChatGLM3加载 | 把3个模型送进内存 |
| ② 文本编码 | 4-6：正向/负向 TextEncodeV2 / Embeds2Conditioning | 中文提示词 → 条件向量 |
| ③ 进阶开关 | 7-8：ApplyCUDAGenerator / ApplySDXLSamplingSettings | 种子复现、调度器微调 |
| ④ 生成出图 | 9-12：空Latent / K采样器 / VAE解码 / 预览图像 | 噪声 → 图片 |
🔌 阶段一：节点1~3，把三类模型加载进来
节点1：MinusZone - KolorsUNETLoaderV2（Kolors主模型加载器）
从models/unet/加载 Kolors 主模型。它和普通 UNET Loader 的区别在于：内部会临时套用 Kolors 专用配置（context_dim: 2048、adm_in_channels: 5632等），并在 UNet 中注入encoder_hid_proj线性层，把 ChatGLM3 的 4096 维编码压缩到 2048 维供注意力层使用，实现逻辑见 mz_kolors_core.py 与 hook_comfyui_kolors_v2.py。
节点2：VAE Loader（ComfyUI标准节点）
选择models/vae/下的SDXL VAE。Kolors 沿用 SDXL 的 VAE，这一步和普通 SDXL 工作流完全一样。
节点3：MinusZone - ChatGLM3Loader（中文文本编码器）
从models/LLM/加载 ChatGLM3 的 safetensors 文件，配置来自 configs/text_encoder_config.json，模型实现内置在 chatglm3/ 目录中。
- 显存紧张？选4bit/8bit 量化版（文件名含
4bit/8bit会自动触发量化加载，4bit 需额外pip install cpm_kernels） - 报
RuntimeError: Only Tensors of floating point dtype...？换 fp16 版本
✍️ 阶段二：节点4~6，把中文提示词变成模型能懂的"条件"
节点4 & 5：MinusZone - ChatGLM3TextEncodeV2（正向 + 负向）
同一节点用两次：一次接正向提示词（比如"画着樱花的女孩，红色外套，城市夜景"），一次接负向提示词（比如"低质量，变形，模糊"）。输出标准的 CONDITIONING 条件，直接喂给 KSampler。
V2 相比旧版ChatGLM3TextEncode的改进：不再需要单独拉一根hid_proj线（旧版见 mz_kolors_legacy.py），投影逻辑已并入 UNet，连线更干净。
🎲 小技巧：提示词里写{选项A|选项B}会每次随机二选一，方便批量探索构图（随机逻辑见 mz_kolors_core.py）。
节点6（可选）：MinusZone - ChatGLM3Embeds2Conditioning
面向2048 高分辨率场景：一次输出 positive/negative 两路条件，并携带width / height / crop_w / crop_h / target_width / target_height尺寸信息，让模型更准确地理解目标比例。普通 1024 出图可以跳过这个节点。
🎛 阶段三：节点7~8，两个进阶开关（可选但推荐）
节点7：MinusZone - ApplyCUDAGenerator（同种子=同图）
Kolors 官方实现与 ComfyUI 默认的 CPU 噪声生成有细微差异，会导致"同种子不同图"。这个节点把噪声生成切换到 CUDA 生成器，实现跨实现种子级复现（原理见 mz_kolors_core.py）。做对比测试、风格微调时非常有用。
节点8：MinusZone - ApplySDXLSamplingSettings（调度器微调）
把采样调度器参数切回 SDXL 官方设定（linear beta、1000 步标度）。默认 Kolors 参数（1100 步标度）下效果就不错，此节点属于口味级调节，不接也不会出错。
下图是官方同种子对比测试工作流（含 MZ-V2 完整 12 节点布局与 Wrapper 方案对照），可拖入画布直接体验：
🚀 阶段四：节点9~12，一键出图
节点9：Empty Latent（空潜空间）
决定画面尺寸。推荐 1024×1024（方形）或 960×1280（竖版），批次大小 1。注意：这里的分辨率会参与 Kolors 的尺寸条件编码，比例别偏离 1:1 / 3:4 / 4:3 太远。
节点10：KSampler（K采样器）——出图核心
所有条件在此汇合：正向/负向条件 + 模型 + Latent，执行去噪采样。
节点11：VAE Decode（VAE解码）
把去噪后的 Latent 解码成像素图像。
节点12：Preview Image（预览图像）
在画布上实时预览出图结果。
📋 Kolors文生图KSampler参数速查表
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 随机种子 | 固定或随机 | 配合节点7可跨端复现 |
| 步数 | 20~25 | 20 步已足够，25 步细节更稳 |
| CFG | 4~7（5~6 为佳） | 偏低更自然，偏高更"听话"但易过饱和 |
| 采样器 | ddimpp_2m_sde_gpu/ddim_uniform | 官方工作流默认搭配 |
| 调度器 | karras | 与上面采样器搭配 |
| 降噪 | 1.00 | 文生图固定 1.0 |
🛠 常见问题：5个报错及快速修复
| 报错/现象 | 快速修复 |
|---|---|
| 模型加载失败、类型检测不到 | UNet 在unet/目录用 V2 加载器，在checkpoints/用MZ_KolorsCheckpointLoaderSimple |
name 'round_up' is not defined | 执行pip install -U cpm_kernels |
module 'comfy.model_detection' has no attribute... | 把 ComfyUI 本体更新到最新版 |
Only Tensors of floating point dtype... | ChatGLM3 换 fp16 版本 |
'ChatGLMModel' object has no attribute 'transformer' | 检查models/LLM/里模型文件是否下载完整 |
📈 进阶方向：出图之后的三大扩展
跑通基础文生图后，ComfyUI-Kolors-MZ 还为 Kolors 补全了整条创作链路，示例工作流同样内嵌在 PNG 里，拖入画布即可使用：
① ControlNet 结构控制（深度/Canny/姿态）：用MZ_KolorsControlNetLoader加载官方 Kolors ControlNet，再接MZ_KolorsControlNetPatch注入 Kolors 专用的编码器投影，即可控制构图和姿势：
② 局部重绘 Inpainting：加载 Kolors-Inpainting 模型到models/unet/，配合 VAE 编码与蒙版即可精准修改局部（如换衣服、换背景），出图时采样器换ddim_uniform效果更好：
③ IPAdapter / FaceID 参考生图：借助 ComfyUI_IPAdapter_plus 的 Kolors 适配节点，实现以图生图、参考构图甚至人脸一致：
🎯 小结
- ComfyUI-Kolors-MZ 让 Kolors 以原生采样方式接入 ComfyUI，12 个节点即可从零出图
- 记住三步：装插件 → 模型放对文件夹（
unet/、LLM/、vae/）→ 拖入工作流图 - KSampler 记住20~25 步 + CFG 5~6 + karras，基本不会翻车
- 出图只是起点：ControlNet、局部重绘、IPAdapter/FaceID 工作流都在 examples/ 目录中，拖图即用
【免费下载链接】ComfyUI-Kolors-MZKolors的ComfyUI原生采样器实现(Kolors ComfyUI Native Sampler Implementation)项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Kolors-MZ
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
