简介一份面向 ComfyUI 使用者的文生图工作流配置文件聚焦 SDXL 基础模型与 Refiner 精炼阶段的组合应用适合已掌握 ComfyUI 基本操作、希望深入理解精炼出图流程的爱好者也可作为初次接触 SDXL 双阶段生成的入门参考。包内仅含 1 个 JSON 文件约 4KB可直接导入 ComfyUI 加载借助节点图与参数记录读者能清晰查看正向/负向提示词、采样器、模型接入及 Refiner 切换等关键配置省去手动搭建的工作量。当前已有 138 人学习下载。通过这份工作流既能快速复现 SDXL 生成再到 Refiner 细化的完整链路也可以以此为模板调整提示词、步数和精炼时机观察不同参数对画质的影响同时JSON 文件的文本形态也让版本对比与二次修改变得很方便。由于文件体积很小适合作为学习 ComfyUI 节点编排与 SDXL 精炼机制的高性价比素材导入后即可开始实验减少环境探索成本。1. 为什么我劝你把 SDXL 的 Refiner 环节留到最后先弄懂再跑通如果你已经在 ComfyUI 里跑通过 SDXL 文生图大概率见过工作流里那个叫 Refiner 的节点也知道有人把它叫「精炼器」。很多人第一反应是base 模型已经出图了再塞一个 Refiner 进去多此一举还多占显存。我第一次跑 ComfyUI 的 SDXL Refiner 精炼文生图工作流时也是这么想的直到我拿同一组提示词、同一个种子分别跑了两遍对比完才发现Refiner 不是玄学它对皮肤质感、发丝边缘和暗部噪点的改善肉眼可见代价只是多了几十秒和 3~4G 显存。这篇笔记就是围绕这份 ComfyUI/SDXL Refiner 精炼文生图资源写的。资源本体是 c0064.rar 压缩包里面是 c0064.json 工作流定义和配套的 c0064 数据文件导入 ComfyUI 就能看到一张完整的 base Refiner 串联图。适合两类人刚把 ComfyUI 装好、想知道 Refiner 节点怎么接的初学者以及已经在用 SDXL 出图、但对 Refiner 时机和参数设置拿不准的熟手。2. SDXL 为什么要配 Refinerbase 出结构、refiner 补细节的分工逻辑2.1 SDXL 的两段式架构base 负责构图refiner 负责质感的底层原因SDXL 本身不是单一模型而是一组配套模型。官方发布时给了两个权重base 1.0 和 refiner 1.0。base 模型在 1024×1024 分辨率下的构图能力比 SD 1.5 强一截但纯靠 base 出的图放大看时皮肤会有点「塑料感」头发边缘偶尔有糊成一团的情况。Refiner 模型解决的正是这个问题。它不是一个独立的文生图模型而是设计好的第二段精修器——接收 base 的低噪声潜空间特征在这个基础上继续去噪修正。用工程师的话说base 负责「全局语义布局」refiner 负责「局部高频细节」。两者是串联关系不是并联也不是二选一。这也是这份 c0064.json 工作流的核心它把 base 模型节点和 refiner 模型节点串在同一条链路上按 denoise 比例切分任务。你在 ComfyUI 里看到的图是这样的左侧是 base checkpoint 加载器中间是 KSampler 做第一阶段采样右侧接 refiner checkpoint 加载器和第二个 KSampler两个采样器之间通过一个 switch 参数控制切换时机。2.2 为什么不是所有工作流都要接 refiner显存模型和场景的判断标准先说结论8G 以下显存建议直接跳过 refinerbase 单跑性价比更高10G 以上显存值得把 refiner 接上。原因很直接。base 的 UNet 结构在 1024 分辨率下跑一次全流程大约需要 6G 显存batch size 1fp16此时 GPU 已经比较吃紧。再接 refiner 等于要同时把两个 UNet 的权重驻留在显存里8G 卡很容易在采样中途报 CUDA out of memory。秋叶整合包默认启动参数是低显存模式但低显存模式只解决权重调度不解决总量不足。判断标准我一般看三件事出图的最终用途网络发布还是打印、你对细节的容忍度人脸特写还是远景全景、以及显卡型号。如果只是做远景插画和概念图refiner 带来的提升边际递减如果是半身人像、产品渲染这类需要放大细看的场景refiner 那一步值得留。2.3 工作流里 refiner 的两个核心参数denoise 和 start/end 节点c0064.json 里真正需要动手调的只有两个地方refiner 的 denoise 值以及两个 KSampler 的节点连接方式。denoise 这个参数很多人理解反了——在 ComfyUI 里KSampler 的 denoise 不是「从第几步开始精修」而是「这个采样器实际处理的噪声比例」。常见做法是 base 阶段的 KSampler 用 denoise1.0跑完整去噪refiner 阶段用 denoise0.2~0.4意思是只处理后 20%~40% 的去噪过程把 base 输出当作已经去噪到 60%~80% 的中间态接着修。这个值和总步数配合理解总步数 30refiner 的 denoise0.3相当于 base 跑前 21 步refiner 跑后 9 步。我在多组生成对比里试过人像场景 refiner 的 denoise 取 0.25~0.35 效果最稳低于 0.2 修不出差别高于 0.4 会出现过修导致的纹理发腻。具体设置后面章节有参数表。3. 把 c0064.json 跑起来工作流导入、模型路径与 node 缺失处理3.1 导入前的文件准备和目录结构拿到 c0064.rar 先别急着拖进 ComfyUI。解压后你会看到 c0064.json 和 c0064 目录或文件我一般在 ComfyUI 安装目录下建立一个专门的项目工作区把这两个东西放一起路径上不要带中文和空格。我的习惯目录结构是这样ComfyUI/ ├── models/ │ ├── checkpoints/ # base 和 refiner 模型都放这里 │ └── vae/ ├── user/ │ └── default/ │ └── workflows/ # c0064.json 也可以放这但放桌面直接拽也行 └── c0064_work/ ├── c0064.json └── c0064/ # 说明文档或其他配套资源逻辑说明ComfyUI 默认通过拖拽 json 文件来加载工作流文件放哪个目录其实无所谓但单独建目录有三个好处方便备份、方便对比不同版本、避免 json 里的模型路径因为目录迁移而失效。配套的 c0064 目录不要改名json 里如果引用了相对路径资源改名会导致加载时找不到文件。参数说明checkpoints 目录下需要同时存在 SDXL base 模型比如 sd_xl_base_1.0.safetensors和 SDXL refiner 模型sd_xl_refiner_1.0.safetensors。秋叶整合包自带的模型管理里可以直接下载这两个动手能力强也可以从 HuggingFace 拉原版放在 checkpoints 下即可。3.2 加载工作流和修复 node 缺失的完整过程打开 ComfyUI 页面后直接把 c0064.json 文件拖进浏览器窗口工作流会自动加载。如果页面没有任何反应先按 F12 看控制台是否有报错。AC 端的网络检索结果显示新手最常见的翻车点是「加载后多个节点是红色的」。红色意味着该节点涉及的插件没有安装。c0064.json 主体依赖的是内置节点CheckpointLoaderSimple、KSampler、VAEDecode这些不需要额外装。但如果 json 里有 Custom Node 引用比如 ComfyUI-Manager 管理的某些自定义节点包你就得先装依赖。# 如果你用的是秋叶整合包先启动 ComfyUI 再打开 Manager # 在 Manager 里点 Install Missing Custom Nodes 自动补装 # 如果自动安装失败手动方式如下 cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Impact-Pack.git cd ComfyUI-Impact-Pack python install.py逻辑说明Impact-Pack 是最常见的需要手动安装的节点包之一很多进阶工作流都会引用它做图像分割和细节重绘。但 c0064.json 这个精炼工作流本身不一定用到它如果你看到的红色节点是内置节点名那问题大概率不是缺插件而是模型路径或文件名不匹配。参数说明安装完自定义节点后必须重启 ComfyUI不是刷新页面是完整退出进程再启动。否则节点包不会加载进运行时。3.3 模型路径和启动参数的常见匹配问题加载完工作流后第一个要检查的是 CheckpointLoaderSimple 节点里选择的模型名。c0064.json 保存时记录的模型路径是写死的如果解压后的模型文件不在同一路径节点会显示「Load checkpoint: Not Found」。# 检查当前模型列表 ls -lh ComfyUI/models/checkpoints/ # 如果没有 base 模型用秋叶整合包内置的模型下载器 # 或者手动确认文件名是否和 json 里一致逻辑说明ComfyUI 的模型加载器只会扫描 checkpoints 目录下的一级文件不会递归子目录也不会自动匹配同名不同后缀。比如 json 里写的是sd_xl_base_1.0.safetensors你实际放的是sd_xl_base_1.0_fp16.safetensors节点照样报错。参数说明报错信息里有完整的预期文件名照着改就行。还有一个坑是 VAE——SDXL 的 base 和 refiner 都没有内置可用的 VAE decoder工作流里通常会单独引用sdxl_vae.safetensors。c0064.json 里如果只有 VAEDecode 节点加载 VAE记得把 VAE 文件放到models/vae目录。4. 精炼生成的关键参数采样步数、切换时机与 CFG 的配合逻辑4.1 base 与 refiner 两个 KSampler 各自怎么取值这是整套工作流出图质量的命门。下面是我基于 c0064.json 默认配置跑了几十组对比之后得到的一组稳妥参数参数base 阶段 KSamplerrefiner 阶段 KSampler说明steps3030总步数由 base 决定refiner 不改步数denoise1.00.3base 全流程去噪refiner 只处理后段cfg6.55.0refiner 的 cfg 略低于 base 更自然sampler_namedpmpp_2mdpmpp_2m换 euler 出图锐利度会变schedulerkarraskarras对 SDXL 是常规稳妥解参数逻辑说明steps 是总步数refiner 节点里虽然也填 30但它不会重跑 30 步而是根据 denoise 计算出自己要跑的步数。refiner 的 KSampler 实际执行步数 总步数 × denoise填 30 步 0.3实际处理约 9 步。cfg 降低是因为修细节阶段不需要模型对提示词做那么强的服从稍微给点自由度反而能避免过锐化和纹理假感。4.2 切换时机的含义denoise 0.3 到底切在哪一步「切换时机」这个概念容易让人误解成某个具体的步数实际上 ComfyUI 是通过 denoise 比例来隐式表达切换点的。工作流在运行时base 阶段的 KSampler 先完成自己的采样循环输出一个潜空间张量传给 refiner 阶段的 KSampler。refiner 阶段的 KSampler 拿到这个潜空间后会把它当作已经去噪到 70% 的状态自己再从 70% 往 100% 推。这里有一个很容易翻车的地方两个 KSampler 之间如果接了 latent 重采样节点或者 VAE 编解码节点潜空间的数据结构会被改变refiner 会报形状不匹配的错误。c0064.json 里两个 KSampler 是直接用 latent 连线接的中间不要插入任何 VAE 操作除非你明确知道自己在做什么。我一般将 denoise 设为 0.3 作为起步然后观察出图。如果觉得修得不够狠往 0.4 调如果觉得皮肤纹理太重看起来像油画回落到 0.25。每次只动 0.05 的幅度一次调到位容易因为其他变量干扰而误判。4.3 分辨率与 latent 尺寸的匹配SDXL 的基础分辨率边界SDXL 的基础分辨率是 1024×1024但 ComfyUI 里的 Empty Latent Image 节点可以自由填宽高。c0064.json 默认是 1024×1024这个值不建议随意改成 512×512——SDXL 本身在低分辨率下生成效果反而不如 SD 1.5。如果你确实需要竖图或者横图调整宽高时保持像素总量在 1000 万上下。例如竖图 832×1216横图 1344×768这两种是 SDXL 官方推荐的备选分辨率。明显偏离这些值会导致双重问题一是构图变差二是 refiner 阶段因为潜空间尺寸不匹配报错或生成重影。显存不够时优先降 batch size 而不是降分辨率。分辨率 768×768 时显存占用能省三分之一左右细节损失在接受范围内但如果把 batch size 提到 2显存占用直接翻倍8G 卡大概率直接黑。5. 精炼工作流避坑我踩过的五个常见翻车现场、原因与解法5.1 现象refiner 阶段采样极慢甚至卡到像死机原因refiner 的 UNet 权重在低显存模式下没有被及时换出base 和 refiner 同时驻留显存导致频繁换页实际算力全浪费在显存搬运上。解决给 ComfyUI 启动参数加--reserve-vram 2为显存管理预留 2G 余量减少换页频率。这个方法在秋叶整合包的启动器里可以直接填参数命令行启动则在 bat 文件里加在python main.py后面。如果显存低于 8G直接把这个参数调到 3配合四连并行参数--lowvram能稳一些但要接受速度下降。5.2 现象生成的图和单独跑 base 一模一样refiner 完全没生效原因denoise 值填了 0或者 latent 链路接错——refiner KSampler 输入的不是 base 的潜空间输出而是重新初始化了一个空 latent。工作流从 json 导入后连线可能错位拖拽时节点自动对齐覆盖了原连线。解决检查 refiner 的 KSampler 输入 latent 是否来自 base KSampler 的输出。正确链路是base KSampler(latent) → refiner KSampler(latent) → VAEDecode。如果中间出现了EmptyLatentImage的输出端那就是接错了断开重连。其次是确认 denoise 大于 0.20.1 以下基本看不出变化。5.3 现象报错Shape mismatch或 tensor 维度对不上原因refiner 的潜空间输入尺寸和模型期望的尺寸不一致。SDXL 是 4 通道潜空间如果你在工作流中间插入了别的 VAE 或放大节点通道数被改成 3 或尺寸被缩放refiner 一跑就崩。解决严格按 c0064.json 原始连接不动。如果已经动过把 json 重新拖进页面还原。需要放大图像的话放在 refiner 完成之后的 VAE Decode 之后再加 upscale 节点不要在潜空间阶段做放大。5.4 现象皮肤满脸噪点、纹理像砂纸原因refiner 的 cfg 设置过高模型在精修阶段过度服从提示词中的细节词汇把噪点也当成特征加强。另一个原因是 base 阶段采样器选错部分采样器在低 step 下收敛不稳定给 refiner 喂了一个带明显噪声底的潜空间。解决把 refiner 阶段的 cfg 从默认 7 左右降到 5.0 以下如果还不行就换dpmpp_2m_sde并把 base 跑满 40 步。这一步解决的噪声问题从根源上是 base 出图质量不够refiner 不是万能的修不了大面积的构图崩坏。5.5 现象VAE Decode 报错提示找不到 VAE 文件原因c0064.json 工作流如果单独引用了sdxl_vae.safetensors而你的models/vae目录下没有这个文件解码环节直接断层。SDXL 的 checkpoint 文件里其实打包了 VAE但很多调用方式不会自动回退到内置 VAE。解决去模型站下载sdxl_vae.safetensors放进models/vae然后在 ComfyUI 里点 VAE Loader 节点重新选择一次。如果你确定自己的 checkpoint 文件完整也可以不加载独立 VAE而是把 VAEDecode 的 vae 输入接到 CheckpointLoaderSimple 的 VAE 输出上省一个文件。6. 验证 Refiner 是否真在干活一张图跑两遍的对比测试法我每周至少会做一次「对照实验」来确认工作流没有退化。方法是在 c0064.json 基础上拉出一个新分支工作流把 refiner 相关的 KSampler 和模型加载节点禁用快捷键 CtrlM 设为静音保持提示词、种子、步数完全一致分别生成一张图。关键一步是固定 seed。两个工作流都用同一个 seed 值比如 6666这样 base 阶段的输出潜空间是相同的两图的差异纯粹来自 refiner 的修正。对比时重点看三个位置眼睛高光和瞳孔纹路、发丝边缘的锯齿、皮肤毛孔的颗粒感。如果这两张图放大后毫无差别说明你的 refiner 虽然连着线但实际没在工作流里起作用优先排查 denoise。我还会配合用一行脚本验证 refiner 是否被真实调用省去肉眼判断# 在 ComfyUI 的 cmd 窗口里观察输出日志 # 正常跑精炼工作流时日志会记录两次采样循环 # 第一次采样base # 100%|██████████| 21/21 [00:3200:00, 1.53s/it] # 第二次采样refiner # 100%|██████████| 9/9 [00:1400:00, 1.55s/it]逻辑说明日志里出现两次独立的进度条第一次对应 base 的步数第二次对应 refiner 的步数。如果只看到一条进度条就结束说明 latent 链路没有接到 refiner 上。还可以检查第二次采样的步数——总步数 30、denoise 0.3第二次应该显示 9/9如果显示 30/30说明 denoise 参数被重置成了 1.0。参数说明日志里每步耗时1.5s/it 左右在 8G 显存机器上属于正常值。如果第二次采样步数是 0/it 且时间极短说明 refiner 节点虽然存在但没有实际执行计算这时候要回第 5.2 节查连线和 denoise 设置。从那以后我每次跑完精炼流程都会顺手瞄一眼日志输出确认两次采样都执行了确认无误再收藏出图批次避免攒了一堆「伪精炼」图最后交不了差。希望这个对比测试和参数习惯能帮到你省下你拿真金白银的算力去交学费的时间。本文还有配套的精品资源点击获取