简介：这份资源面向使用 ComfyUI 进行 AI 绘画的进阶用户，聚焦 SDXL 基础模型与 Refiner 精炼模型的两阶段文生图工作流，帮助解决单模型出图细节不足、画面质感欠佳的问题。资源包内共 1 个文件，为 json 格式的工作流配置文件，压缩包体积约 4KB，可直接导入 ComfyUI 加载使用，省去手动搭建节点的繁琐过程。该工作流将基础采样与精炼采样串联，通过 Refiner 对潜空间结果二次处理，从而提升图像清晰度与细节表现，适合已有 ComfyUI 环境、希望快速体验 SDXL 精炼流程的创作者参考。目前已有 138 人学习下载，可作为搭建高质量文生图管线的起点，便于在此基础上调整采样步数、切换比例与提示词策略，逐步形成自己的出图方案。
1. 为什么 SDXL 出图总差一口气，Refiner 到底补了什么
用 ComfyUI 跑 SDXL 文生图的人，十有八九经历过这个场景：底模一口气采样完，画面构图、光影、色彩都对，可放大一看，皮肤纹理发糊、发丝边缘发虚、材质细节像蒙了层雾。这不是你的提示词写得不好，而是 SDXL 的 base 模型和 refiner 模型分工不同导致的。base 负责在低噪声阶段把整体结构和语义搭出来，refiner 负责在高噪声阶段接手，专门打磨高频细节。跳过 refiner，等于让 base 一个人干两份活，细节自然撑不住。
这篇要讲的就是在 ComfyUI 里把 SDXL base + Refiner 这条链路跑通、跑稳、跑出可复现效果。适合已经装好 ComfyUI、能跑通基础文生图、但出图质量卡在“能用但不够好”这个阶段的从业者。核心问题有三个：refiner 在哪个时间点切入、切入时噪声水平怎么对齐、显存不够时怎么取舍。把这三个问题解决，SDXL 的出图质量会有肉眼可见的提升。
2. SDXL 双模型架构拆解：base 和 refiner 各自管什么
2.1 从噪声调度看两个模型的分工边界
SDXL 的采样过程是一条从纯噪声到清晰图像的轨迹。base 模型在整条轨迹上都能跑，但它的训练重点在低噪声区间——也就是从纯噪声到中等噪声这一段，它擅长把“这是什么”定下来。refiner 的训练重点在高噪声区间，也就是从中等噪声到接近清晰这一段，它擅长把“这长什么样”磨出来。
具体到参数上，base 和 refiner 的切换点通常设在总步数的 0.2 左右。假设总步数 30 步，base 跑前 24 步，refiner 接手后 6 步。这个比例不是拍脑袋定的，Stable Diffusion 官方在 SDXL 论文里给出的推荐值是 0.2，社区大量实测也验证了这个区间最稳。低于 0.1，refiner 介入太晚，细节提升有限；高于 0.3，refiner 介入太早，它还没足够的信息去判断该磨哪里，容易把结构磨坏。
这里有个容易翻车的点：base 和 refiner 的噪声调度必须对齐。ComfyUI 的 KSampler 节点里有个add_noise和start_at_step参数，如果 base 跑完直接接 refiner 而不做噪声水平匹配，refiner 会以为自己在处理一个完全不同的噪声状态，结果就是画面崩坏或者细节全丢。正确做法是用KSampler (Advanced)节点，把 base 的end_at_step和 refiner 的start_at_step设成同一个值，让两个采样器在同一个噪声水平上交接。
2.2 ComfyUI 里搭出 base + refiner 的最小节点图
先给一个能直接抄的最小工作流结构。你需要这些节点：
CheckpointLoaderSimple加载 SDXL base 模型CheckpointLoaderSimple加载 SDXL refiner 模型CLIPTextEncode正面提示词CLIPTextEncode负面提示词EmptyLatentImage设置出图尺寸KSampler (Advanced)跑 base 采样KSampler (Advanced)跑 refiner 采样VAEDecode解码最终 latentSaveImage保存
关键连接逻辑：base 的 KSampler 输出 latent 直接连到 refiner 的 KSampler 输入，refiner 的 KSampler 输出连到 VAEDecode。两个 KSampler 共用同一组提示词编码，但 refiner 那一路的提示词可以稍微调整——比如加一些细节描述词，因为 refiner 对细节类提示更敏感。
下面是一个可复现的参数配置，直接对应到节点里的数值：
# base KSampler (Advanced) 参数 base_sampler = { "seed": 42, "steps": 30, "cfg": 7.0, "sampler_name": "dpmpp_2m", "scheduler": "karras", "denoise": 1.0, "start_at_step": 0, "end_at_step": 24, # 总步数的 80% "add_noise": "enable", "return_with_leftover_noise": "enable" # 关键：保留噪声给 refiner } # refiner KSampler (Advanced) 参数 refiner_sampler = { "seed": 42, # 必须和 base 一致 "steps": 30, # 必须和 base 一致 "cfg": 7.0, "sampler_name": "dpmpp_2m", "scheduler": "karras", "denoise": 1.0, "start_at_step": 24, # 接上 base 的 end_at_step "end_at_step": 10000, # 跑完剩余步数 "add_noise": "disable", # 关键：不再加新噪声 "return_with_leftover_noise": "disable" }逻辑说明：base 的return_with_leftover_noise必须设为enable，这样它跑完 24 步后不会把 latent 完全去噪，而是保留当前噪声水平交给 refiner。refiner 的add_noise必须设为disable，因为它接手的是一个已经带噪声的 latent，再加噪声就乱了。两个采样器的seed和steps必须一致，否则噪声调度对不上。
参数说明：steps设 30 是 SDXL 的常用值，显存够可以拉到 40，但超过 40 收益递减明显。cfg7.0 是 SDXL 的甜点值，低于 5 画面偏灰，高于 9 容易过饱和。sampler_name用dpmpp_2m配karras调度器是社区验证过最稳的组合，换euler也能跑但细节稍弱。
2.3 显存不够时怎么砍：refiner 的取舍策略
SDXL base 模型 fp16 大概占 6.5GB 显存，refiner 再占 6.5GB，加上 latent 和中间激活，12GB 显存跑双模型会非常紧张。如果你的卡是 8GB 或 12GB，有几个降级方案：
方案一：base 用 fp16，refiner 用 fp8。ComfyUI 支持在CheckpointLoaderSimple里指定精度，refiner 用 fp8 后显存占用降到 3.5GB 左右，画质损失在可接受范围内。方案二：refiner 只跑最后 4 步而不是 6 步，减少 refiner 的激活显存。方案三：如果显存实在不够，可以只跑 base，然后用Ultimate SD Upscale做后期放大，但这不是真正的 refiner 精炼，细节提升方式不同。
我一般会先看显存余量再决定 refiner 的精度。用nvidia-smi监控，如果 base 跑完还剩 4GB 以上，refiner 用 fp16 没问题；剩 2-3GB，refiner 切 fp8；剩不到 2GB，要么降分辨率要么放弃 refiner。
3. 把 Refiner 接进工作流：从节点连线到参数对齐
3.1 用 KSampler (Advanced) 做噪声交接的完整步骤
很多人第一次接 refiner 会直接用两个普通KSampler节点串起来，结果发现画面要么没变化要么直接崩。问题出在普通 KSampler 没有start_at_step和return_with_leftover_noise这两个关键控制项。必须用KSampler (Advanced)，它在 ComfyUI 的节点菜单里叫KSampler (Advanced)，不是KSampler。
完整操作步骤：
第一步，在 ComfyUI 画布上添加两个KSampler (Advanced)节点。右键菜单 →sampling→KSampler (Advanced)。
第二步，把 base 模型的MODEL输出连到第一个 KSampler 的model输入，refiner 模型的MODEL输出连到第二个 KSampler 的model输入。
第三步，正面和负面提示词的CONDITIONING输出同时连到两个 KSampler 的positive和negative输入。如果想让 refiner 用不同的提示词，可以再加一组CLIPTextEncode单独连给 refiner。
第四步，EmptyLatentImage的LATENT输出连到第一个 KSampler 的latent_image输入。第一个 KSampler 的LATENT输出连到第二个 KSampler 的latent_image输入。
第五步，按 2.2 里的参数表设置两个 KSampler 的数值。重点检查：base 的end_at_step等于 refiner 的start_at_step，base 的return_with_leftover_noise是enable，refiner 的add_noise是disable。
第六步，第二个 KSampler 的LATENT输出连到VAEDecode，再连SaveImage。
跑之前建议先用 512x512 小图测试，确认噪声交接没问题再上 1024x1024。小图跑一次大概 15 秒，大图要 1-2 分钟，先小后大能省不少调试时间。
3.2 切换步数比例怎么定：0.2 不是唯一答案
官方推荐 0.2 的切换比例，但实际用下来，这个值跟你的提示词复杂度、采样器类型、甚至出图尺寸都有关系。我整理了一个实测对照表，基于 30 步总步数、dpmpp_2m + karras：
| 切换步数 | 切换比例 | 适用场景 | 细节表现 | 结构风险 |
|---|---|---|---|---|
| 21 | 0.3 | 简单主体、大色块 | 细节提升明显 | 偶发结构变形 |
| 24 | 0.2 | 通用场景 | 细节与结构平衡 | 低 |
| 27 | 0.1 | 复杂构图、多主体 | 细节提升有限 | 极低 |
| 18 | 0.4 | 纯纹理、材质特写 | 纹理极强 | 结构容易崩 |
我的习惯是：人像和产品图用 0.2，风景和建筑用 0.15，纯材质特写可以试 0.25 但要做好结构崩了重跑的心里准备。如果发现 refiner 接手后画面变糊，大概率是切换太早，refiner 还没足够信息；如果画面局部出现不合理的纹理堆积，是切换太晚，base 已经把细节定死了 refiner 改不动。
3.3 提示词要不要分两套：base 和 refiner 的编码差异
base 和 refiner 共用一套 CLIP 编码器，但它们的注意力重点不同。base 对主体、动作、场景类提示更敏感，refiner 对材质、光照、纹理类提示更敏感。所以一个实用技巧是：base 的提示词写清楚“画什么”，refiner 的提示词补上“什么质感”。
比如画一个陶瓷杯子：
# base 提示词 a ceramic coffee cup on a wooden table, soft daylight, minimalist composition # refiner 提示词（在 base 基础上追加） a ceramic coffee cup on a wooden table, soft daylight, minimalist composition, glossy ceramic surface, subtle reflections, fine grain texture on woodrefiner 那一路多加的glossy ceramic surface、subtle reflections、fine grain texture就是专门喂给 refiner 的高频细节描述。实测下来，这样分开写比两路用同一套提示词，细节丰富度能提升一档。但注意不要给 refiner 加太多主体描述词，否则它会试图重新理解画面内容，反而干扰 base 已经定好的结构。
4. 避坑与排查：Refiner 工作流里最容易翻车的五个地方
4.1 画面全黑或全灰：噪声交接没对齐
现象：base 跑完接 refiner，出图要么全黑要么一片灰雾，完全看不出内容。
原因：base 的return_with_leftover_noise没开，或者 refiner 的add_noise没关。base 如果完全去噪了，交给 refiner 的是一个干净 latent，refiner 按自己的噪声调度去处理，等于在干净图上加噪声再采样，结果就是崩。反过来 refiner 如果开了add_noise，它会在 base 的噪声 latent 上再加一层噪声，噪声水平翻倍，采样直接失控。
解决：检查两个开关。base 的return_with_leftover_noise必须是enable，refiner 的add_noise必须是disable。这两个是硬性条件，没有例外。
4.2 细节没提升反而更糊：切换步数设错了
现象：接了 refiner 之后，画面比只用 base 还糊，细节像被抹平了。
原因：切换步数太早，比如总步数 30 步，base 只跑了 15 步就交给 refiner。refiner 接手时噪声水平还很高，它没有足够的信息去判断该磨哪里，只能按自己的先验去猜，结果就是把 base 好不容易搭出来的结构又糊回去了。
解决：把切换步数往后调，从 0.2 比例开始试。如果 0.2 还糊，降到 0.15。同时检查 base 的end_at_step和 refiner 的start_at_step是否一致，不一致的话噪声水平对不上，也会糊。
4.3 显存爆了：refiner 加载时机不对
现象：跑 base 的时候显存正常，一接 refiner 就 OOM。
原因：ComfyUI 默认会把两个模型都加载到显存里。base 跑的时候 refiner 已经在显存里占着位置，两个模型加起来超过显存上限。
解决：在 ComfyUI 设置里开启--lowvram或--medvram启动参数，让 ComfyUI 按需加载模型。或者用CheckpointLoaderSimple的model输出接一个ModelSamplingDiscrete节点做精度转换，把 refiner 转成 fp8。如果还不行，考虑用--reserve-vram参数预留一部分显存给系统，避免爆显存导致进程被杀。
4.4 出图尺寸变了：latent 被 refiner 重采样
现象：base 出图是 1024x1024，接了 refiner 之后变成 512x512 或者比例不对。
原因：refiner 的 KSampler 如果denoise设成了小于 1.0 的值，它会按自己的方式重采样 latent，可能导致尺寸变化。或者EmptyLatentImage的尺寸没同步给 refiner 那一路。
解决：refiner 的denoise保持 1.0，不要动。EmptyLatentImage只连给 base 的 KSampler，refiner 的 latent 输入来自 base 的输出，不需要再连EmptyLatentImage。如果尺寸还是不对，检查VAEDecode是不是接在了 base 的输出上而不是 refiner 的输出上。
4.5 换了采样器就崩：调度器不匹配
现象：base 用 dpmpp_2m + karras 正常，换成 euler + normal 之后接 refiner 就崩。
原因：不同采样器和调度器的噪声调度曲线不同。base 和 refiner 必须用同一套采样器和调度器，否则两个模型的噪声水平定义不一致，交接时对不上。
解决：base 和 refiner 的sampler_name和scheduler必须完全一致。如果非要换，两个一起换，不要只换一个。实测 dpmpp_2m + karras 是最稳的组合，euler + normal 也能跑但细节稍弱，dpmpp_sde + karras 细节更强但显存占用更高。
5. 进阶：用 Refiner 做局部精炼和批量出图的技巧
5.1 只精炼人脸区域：用遮罩控制 refiner 的作用范围
refiner 全图跑一遍显存和时间成本都不低，如果只是人脸细节不够，可以只让 refiner 处理人脸区域。做法是在 base 跑完之后，用MaskFromSegmentation或者手动画一个遮罩，把 latent 的人脸区域抠出来，只对这块区域跑 refiner 的 KSampler，然后再合并回去。
具体节点组合：base 输出 latent →LatentCompositeMasked配合遮罩 → refiner KSampler 只处理遮罩区域 → 再LatentCompositeMasked合并回原 latent。这样 refiner 的步数可以设得更少，比如只跑 4 步，因为作用范围小，收敛更快。
我一般会在人像工作流里加这个分支，显存占用比全图 refiner 低 40% 左右，出图速度提升明显。遮罩不用画得很精确，比人脸大一圈就行，refiner 会自动在边缘做过渡。
5.2 批量出图时怎么固定 refiner 的效果
批量跑图最怕的是每张图 refiner 的效果不一致。要固定效果，关键是固定三个东西：seed、切换步数、refiner 的提示词。seed 固定后 base 的初始噪声就固定了，切换步数固定后交接点固定，refiner 提示词固定后细节方向固定。
如果要做 seed 遍历，比如同一个提示词跑 10 个不同 seed，建议把 refiner 的切换步数稍微调低到 0.15，因为不同 seed 下 base 的收敛速度略有差异，切换晚一点能让 refiner 更稳定地接手。另外批量跑的时候把SaveImage的filename_prefix设成带 seed 的格式，方便回溯哪张图对应哪个 seed。
5.3 验证 refiner 是否真的生效：一个简单的对比方法
跑完一张图，怎么确认 refiner 真的起作用了而不是白跑？最直接的方法是对比 latent 的数值变化。在 refiner KSampler 后面接一个LatentToRGB或者直接看VAEDecode前后的像素差异。更简单的方法：把 refiner 的end_at_step设成和start_at_step一样，等于 refiner 不跑，出一张图；再把 refiner 正常跑，出另一张图。两张图放一起对比，如果细节有肉眼可见的提升，说明 refiner 生效了；如果完全一样，检查 refiner 的模型是不是加载错了，或者add_noise和return_with_leftover_noise的设置是不是反了。
我自己的习惯是每次调完 refiner 参数，先跑一张 512x512 的对比图，确认细节有变化再上大图。这个习惯帮我省了很多次白跑大图的时间。希望帮到你。
本文还有配套的精品资源，点击获取
