ComfyUI-DareMerge 插件完全教程

插件简介

插件地址： https://github.com/54rt1n/ComfyUI-DareMerge

ComfyUI-DareMerge 是一个专门用来合并AI模型的插件，就像把两个不同口味的蛋糕混合成一个新口味一样。这个插件使用了一种叫做 DARE-TIES 的先进技术，可以让你把两个不同的AI模型巧妙地融合在一起，创造出全新的效果。

这个插件能给我们带来什么效果？

把两个不同风格的绘画模型合并，创造出独特的新风格
精确控制合并的程度，就像调节音量大小一样
保护重要的模型部分不被破坏，就像给珍贵物品加保护套
生成详细的合并报告，让你知道发生了什么变化

如何安装

打开你的ComfyUI文件夹
进入 custom_nodes 文件夹
在这里打开命令行窗口
输入命令：git clone https://github.com/54rt1n/ComfyUI-DareMerge.git
重启ComfyUI即可使用

节点详细解析

3.1 Model Merger (Advanced) - 高级模型合并器

这个节点就像一个精密的调音台，可以让你精确控制两个模型的合并过程。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model_a	model_a	MODEL类型	-	第一个要合并的模型，就像主菜	作为基础的模型输入	连接你想要保留主要特征的模型
model_b	model_b	MODEL类型	-	第二个要合并的模型，就像调料	要融合进来的模型输入	连接你想要添加特征的模型
gradient	gradient	LAYER_GRADIENT类型	-	控制每一层合并比例的配方单	层级梯度控制参数	连接梯度生成节点的输出
method	method	comfy/lerp/slerp/gradient	comfy	合并的方法，就像烹饪方式	模型融合算法选择	comfy适合大多数情况
model_mask	model_mask	MODEL_MASK类型	可选	保护罩，决定哪些部分参与合并	可选的模型掩码	不连接就是全部合并

3.2 Model Merger (Advanced/DARE) - 高级DARE模型合并器

这是使用DARE技术的高级合并器，就像有了智能筛选功能的混合器。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model_a	model_a	MODEL类型	-	第一个要合并的模型	基础模型输入	连接主要模型
model_b	model_b	MODEL类型	-	第二个要合并的模型	融合模型输入	连接辅助模型
gradient	gradient	LAYER_GRADIENT类型	-	合并比例控制器	层级梯度参数	连接梯度节点
drop_rate	drop_rate	0.0-1.0	0.90	丢弃率，像筛子的密度	DARE算法的稀疏化比例	0.9表示丢弃90%的变化
ties	ties	sum/count/off	sum	冲突解决方式	TIES算法的聚合方法	sum表示求和方式
rescale	rescale	off/on	off	是否重新缩放	参数重缩放开关	一般保持off
seed	seed	0-99999999999	1	随机种子，像骰子的点数	随机数生成种子	相同种子产生相同结果
method	method	comfy/lerp/slerp/gradient	comfy	合并算法	融合计算方法	comfy最常用
iterations	iterations	1-100	1	重复次数，像搅拌圈数	迭代合并次数	1次通常就够了
model_mask	model_mask	MODEL_MASK类型	可选	保护区域设定	可选模型掩码	控制合并范围

3.3 Model Merger (Block) - 块状模型合并器

这个节点按照模型的不同区块来合并，就像分区域装修房子。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model_a	model_a	MODEL类型	-	主要模型	基础模型输入	连接主模型
model_b	model_b	MODEL类型	-	辅助模型	融合模型输入	连接辅助模型
time	time	0.0-1.0	1.0	时间层的混合比例	时间嵌入层权重	1.0表示完全保留model_a
label	label	0.0-1.0	1.0	标签层的混合比例	标签嵌入层权重	控制文本理解部分
input	input	0.0-1.0	1.0	输入层的混合比例	输入块权重	影响图像接收部分
middle	middle	0.0-1.0	1.0	中间层的混合比例	中间块权重	影响核心处理部分
output	output	0.0-1.0	1.0	输出层的混合比例	输出块权重	影响最终生成部分
out	out	0.0-1.0	1.0	最终输出的混合比例	最终输出层权重	控制最后的输出效果
method	method	comfy/lerp/slerp/gradient	comfy	合并方法	融合算法选择	comfy最稳定
model_mask	model_mask	MODEL_MASK类型	可选	保护区域	可选模型掩码	精确控制合并区域

3.4 Model Merger (Block/DARE) - 块状DARE模型合并器

结合了块状合并和DARE技术的合并器。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model_a	model_a	MODEL类型	-	主要模型	基础模型输入	连接主模型
model_b	model_b	MODEL类型	-	辅助模型	融合模型输入	连接辅助模型
drop_rate	drop_rate	0.0-1.0	0.90	丢弃率	DARE稀疏化比例	控制保留多少变化
ties	ties	sum/count/off	sum	冲突处理方式	TIES聚合方法	sum表示累加处理
rescale	rescale	off/on	off	重新缩放开关	参数缩放控制	通常关闭
seed	seed	0-99999999999	1	随机种子	随机数种子	控制随机性
method	method	comfy/lerp/slerp/gradient	comfy	合并算法	融合计算方法	comfy推荐
iterations	iterations	1-100	1	迭代次数	重复合并次数	1次通常足够
time	time	0.0-1.0	1.0	时间层比例	时间嵌入权重	控制时间理解
label	label	0.0-1.0	1.0	标签层比例	标签嵌入权重	控制文本理解
input	input	0.0-1.0	1.0	输入层比例	输入块权重	控制图像接收
middle	middle	0.0-1.0	1.0	中间层比例	中间块权重	控制核心处理
output	output	0.0-1.0	1.0	输出层比例	输出块权重	控制生成输出
out	out	0.0-1.0	1.0	最终输出比例	最终输出权重	控制最终效果
model_mask	model_mask	MODEL_MASK类型	可选	保护区域	可选模型掩码	精确控制范围

3.5 Model Merger (MBW/DARE) - MBW风格DARE合并器

使用MBW（Model Block Weighted）风格的精细控制合并器。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model_a	model_a	MODEL类型	-	主要模型	基础模型输入	连接主模型
model_b	model_b	MODEL类型	-	辅助模型	融合模型输入	连接辅助模型
drop_rate	drop_rate	0.0-1.0	0.90	丢弃率	DARE稀疏化比例	控制变化保留度
ties	ties	sum/count/off	sum	冲突解决	TIES聚合策略	sum最常用
rescale	rescale	off/on	off	缩放开关	参数重缩放	一般关闭
seed	seed	0-99999999999	1	随机种子	随机数种子	保证结果一致性
method	method	comfy/lerp/slerp/gradient	comfy	合并方法	融合算法	comfy最稳定
iterations	iterations	1-100	1	迭代次数	重复处理次数	通常1次
time	time	0.0-1.0	1.0	时间层权重	时间嵌入控制	影响时间理解
label	label	0.0-1.0	1.0	标签层权重	标签嵌入控制	影响文本处理
input_blocks.0到11	input_blocks.0-11	0.0-1.0	0.0	输入块0-11的权重	各输入块精细控制	每个块独立调节
middle_block.0到2	middle_block.0-2	0.0-1.0	0.0	中间块0-2的权重	各中间块精细控制	核心处理调节
output_blocks.0到11	output_blocks.0-11	0.0-1.0	0.0	输出块0-11的权重	各输出块精细控制	输出效果调节
out	out	0.0-1.0	0.0	最终输出权重	最终输出控制	最后的效果调节
model_mask	model_mask	MODEL_MASK类型	可选	保护区域	可选模型掩码	精确控制范围

3.6 Model Merger (Attention/DARE) - 注意力DARE合并器

专门针对注意力机制的合并器，就像专门调节大脑注意力的工具。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model_a	model_a	MODEL类型	-	主要模型	基础模型输入	连接主模型
model_b	model_b	MODEL类型	-	辅助模型	融合模型输入	连接辅助模型
drop_rate	drop_rate	0.0-1.0	0.90	丢弃率	DARE稀疏化比例	控制变化保留
ties	ties	sum/count/off	sum	冲突处理	TIES聚合方法	sum推荐
rescale	rescale	off/on	off	缩放开关	参数重缩放	通常关闭
seed	seed	0-99999999999	1	随机种子	随机数种子	保证一致性
method	method	comfy/lerp/slerp/gradient	comfy	合并方法	融合算法	comfy最好
iterations	iterations	1-100	1	迭代次数	重复次数	1次足够
exterior	exterior	0.0-1.0	1.0	外层权重	外层区域控制	控制边缘处理
interior	interior	0.0-1.0	1.0	内层权重	内层区域控制	控制中间处理
core	core	0.0-1.0	1.0	核心权重	核心区域控制	控制核心处理
process_norm	process_norm	True/False	True	是否处理标准化层	归一化层处理开关	通常开启
process_attn	process_attn	True/False	True	是否处理注意力层	注意力层处理开关	核心功能
process_ff_net	process_ff_net	True/False	True	是否处理前馈网络	前馈网络处理开关	通常开启
norm	norm	0.0-1.0	1.0	标准化层权重	归一化层控制	影响稳定性
attn	attn	0.0-1.0	1.0	注意力层权重	注意力机制控制	核心注意力调节
ff_net	ff_net	0.0-1.0	1.0	前馈网络权重	前馈网络控制	影响信息处理
model_mask	model_mask	MODEL_MASK类型	可选	保护区域	可选模型掩码	精确控制

3.7 CLIP Merger (DARE) - CLIP文本编码器合并器

专门用来合并CLIP文本编码器的工具，就像调节AI理解文字的能力。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
clip_a	clip_a	CLIP类型	-	第一个文本编码器	基础CLIP模型	连接主要的CLIP
clip_b	clip_b	CLIP类型	-	第二个文本编码器	融合CLIP模型	连接辅助的CLIP
ties	ties	sum/count/off	sum	冲突处理方式	TIES聚合策略	sum最稳定
rescale	rescale	off/on	off	重新缩放	参数缩放开关	通常关闭
ratio	ratio	0.0-1.0	1.0	合并比例	模型混合比例	1.0保留clip_a
drop_rate	drop_rate	0.0-1.0	0.9	丢弃率	DARE稀疏化比例	控制变化保留
seed	seed	整数	42	随机种子	随机数种子	保证结果一致
method	method	comfy/lerp/slerp/gradient	comfy	合并方法	融合算法选择	comfy推荐
iterations	iterations	1-100	1	迭代次数	重复处理次数	1次通常够

3.8 Simple Masker - 简单遮罩生成器

创建简单遮罩的工具，就像给模型戴上不同样式的面具。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	要创建遮罩的模型	目标模型输入	连接需要遮罩的模型
operation	operation	random/gaussian/true/false	true	遮罩类型	遮罩生成方式	true表示全部允许
arg_one	arg_one	0.0-1.0	0.0	第一个参数	操作参数1	random时是概率
arg_two	arg_two	0.0-1.0	0.0	第二个参数	操作参数2	gaussian时是标准差
seed	seed	0-99999999999	1	随机种子	随机数种子	控制随机结果

3.9 Magnitude Masker - 幅度遮罩生成器

根据模型参数的变化大小来创建遮罩，就像根据声音大小来决定要不要听。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model_a	model_a	MODEL类型	-	参考模型	基础模型输入	连接基准模型
model_b	model_b	MODEL类型	-	对比模型	比较模型输入	连接对比模型
threshold	threshold	0.0-1.0	0.0	阈值	筛选阈值	决定保留多少变化
threshold_type	threshold_type	median/quantile	median	阈值类型	阈值计算方式	median更稳定
select	select	above/below	below	选择方式	筛选方向	below保护大变化

3.10 Quad Masker - 四分遮罩生成器

把模型分成四个不重叠的部分，就像把蛋糕切成四块。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	要分割的模型	目标模型输入	连接需要分割的模型
seed	seed	0-99999999999	1	随机种子	随机数种子	控制分割方式

3.11 Mask Operations - 遮罩运算器

对两个遮罩进行数学运算，就像用计算器计算两个数字。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
mask_a	mask_a	MODEL_MASK类型	-	第一个遮罩	遮罩输入A	连接第一个遮罩
mask_b	mask_b	MODEL_MASK类型	-	第二个遮罩	遮罩输入B	连接第二个遮罩
operation	operation	union/intersect/difference/xor	union	运算类型	集合运算方式	union表示合并

3.12 Mask Edit - 遮罩编辑器

直接编辑遮罩的工具，就像用画笔修改图片。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
mask	mask	MODEL_MASK类型	-	要编辑的遮罩	目标遮罩输入	连接需要修改的遮罩
operation	operation	random/gaussian/true/false	random	编辑操作	编辑方式选择	random表示随机填充
arg_one	arg_one	0.0-1.0	0.0	第一个参数	操作参数1	控制操作强度
arg_two	arg_two	0.0-1.0	0.0	第二个参数	操作参数2	控制操作范围
seed	seed	0-99999999999	1	随机种子	随机数种子	控制随机性
layers	layers	文本	-	目标层名称	要编辑的层名	用*表示所有层

3.13 Gradient Operations - 梯度运算器

对两个梯度进行数学运算，就像混合两种颜料。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
gradient_a	gradient_a	LAYER_GRADIENT类型	-	第一个梯度	梯度输入A	连接第一个梯度
gradient_b	gradient_b	LAYER_GRADIENT类型	-	第二个梯度	梯度输入B	连接第二个梯度
operation	operation	mean/min/max/add/subtract/multiply/divide	mean	运算类型	数学运算方式	mean表示取平均
join	join	inner/outer	inner	连接方式	梯度合并策略	inner只处理共同层

3.14 Gradient Edit - 梯度编辑器

直接编辑梯度值的工具，就像调节音响的均衡器。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
gradient	gradient	LAYER_GRADIENT类型	-	要编辑的梯度	目标梯度输入	连接需要修改的梯度
operation	operation	set/add/subtract/multiply/divide	set	编辑操作	数学运算类型	set表示直接设置
value	value	0.0-1.0	0.0	操作值	运算数值	要设置或运算的值
layers	layers	文本	-	目标层名称	要编辑的层名	支持通配符*

3.15 Block Gradient - 块状梯度生成器

生成按块分布的梯度，就像给房子的不同房间设置不同温度。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	参考模型	模型输入	连接要分析的模型
time	time	0.0-1.0	1.0	时间层权重	时间嵌入权重	控制时间理解
label	label	0.0-1.0	1.0	标签层权重	标签嵌入权重	控制文本理解
input	input	0.0-1.0	1.0	输入层权重	输入块权重	控制图像接收
middle	middle	0.0-1.0	1.0	中间层权重	中间块权重	控制核心处理
output	output	0.0-1.0	1.0	输出层权重	输出块权重	控制生成输出
out	out	0.0-1.0	1.0	最终输出权重	最终输出权重	控制最终效果

3.16 Shell Gradient - 洋葱层梯度生成器

生成像洋葱一样分层的梯度，外层、内层、核心分别控制。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	参考模型	模型输入	连接要分析的模型
exterior	exterior	0.0-1.0	1.0	外层权重	外层区域控制	控制边缘处理
interior	interior	0.0-1.0	1.0	内层权重	内层区域控制	控制中间处理
core	core	0.0-1.0	1.0	核心权重	核心区域控制	控制核心处理

3.17 Attention Gradient - 注意力梯度生成器

专门针对注意力机制的梯度生成器。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	参考模型	模型输入	连接要分析的模型
process_norm	process_norm	True/False	True	是否处理标准化层	归一化层处理开关	通常开启
process_attn	process_attn	True/False	True	是否处理注意力层	注意力层处理开关	核心功能
process_ff_net	process_ff_net	True/False	True	是否处理前馈网络	前馈网络处理开关	通常开启
norm	norm	0.0-1.0	1.0	标准化层权重	归一化层控制	影响稳定性
attn	attn	0.0-1.0	1.0	注意力层权重	注意力机制控制	核心注意力调节
ff_net	ff_net	0.0-1.0	1.0	前馈网络权重	前馈网络控制	影响信息处理

3.18 MBW Gradient - MBW梯度生成器

生成MBW风格的精细梯度控制。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	参考模型	模型输入	连接要分析的模型
time	time	0.0-1.0	1.0	时间层权重	时间嵌入权重	控制时间理解
label	label	0.0-1.0	1.0	标签层权重	标签嵌入权重	控制文本理解
input_blocks.0到11	input_blocks.0-11	0.0-1.0	0.0	输入块0-11权重	各输入块精细控制	每个块独立调节
middle_block.0到2	middle_block.0-2	0.0-1.0	0.0	中间块0-2权重	各中间块精细控制	核心处理调节
output_blocks.0到11	output_blocks.0-11	0.0-1.0	0.0	输出块0-11权重	各输出块精细控制	输出效果调节
out	out	0.0-1.0	0.0	最终输出权重	最终输出控制	最后效果调节

3.19 Model Reporting - 模型报告生成器

生成模型的详细分析报告，就像给模型做体检。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	要分析的模型	目标模型输入	连接需要分析的模型
layer	layer	文本	-	要分析的层名称	目标层名称	输入具体的层名
scaling	scaling	mean/std/min/max	mean	缩放方式	数据缩放方法	mean表示平均值缩放

3.20 Mask Reporting - 遮罩报告生成器

生成遮罩的统计报告。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
mask	mask	MODEL_MASK类型	-	要分析的遮罩	目标遮罩输入	连接需要分析的遮罩
report	report	size/details	size	报告类型	报告详细程度	size显示基本统计

3.21 LoRA Reporting - LoRA报告生成器

生成LoRA文件的详细信息报告。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
lora_name	lora_name	LoRA文件列表	-	LoRA文件名	LoRA文件选择	从下拉列表选择
report	report	tags/size/details	tags	报告类型	报告内容选择	tags显示标签信息
limit	limit	1-100	10	显示限制	显示数量限制	限制显示的标签数量

3.22 Gradient Reporting - 梯度报告生成器

生成梯度的详细分析报告。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
gradient	gradient	LAYER_GRADIENT类型	-	要分析的梯度	目标梯度输入	连接需要分析的梯度
report	report	size/details	size	报告类型	报告详细程度	size显示基本信息

3.23 Normalize Model - 模型标准化器

调整模型的参数规模，让不同模型更好地配合。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model_a	model_a	MODEL类型	-	要调整的模型	目标模型输入	连接需要调整的模型
model_b	model_b	MODEL类型	-	参考模型	参考模型输入	连接作为标准的模型
method	method	q_norm/all/none/attn_only	attn_only	标准化方法	标准化策略选择	attn_only只调整注意力
magnify	magnify	off/on	off	放大开关	参数放大控制	通常关闭

3.24 Inject Noise - 噪声注入器

向模型中注入噪声，可以产生有趣的效果。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	要注入噪声的模型	目标模型输入	连接需要处理的模型
operation	operation	random/gaussian	gaussian	噪声类型	噪声生成方式	gaussian更自然
ratio	ratio	0.0-1.0	0.98	注入强度	噪声混合比例	0.98表示轻微注入
mean	mean	0.0-1.0	0.05	噪声均值	高斯噪声均值	控制噪声中心
std	std	0.0-1.0	0.01	噪声标准差	高斯噪声标准差	控制噪声范围
seed	seed	0-99999999999	1	随机种子	随机数种子	控制噪声模式
layers	layers	文本	.to_v	目标层名称	要处理的层名	默认处理to_v层
method	method	comfy/lerp/slerp/gradient	comfy	混合方法	噪声混合算法	comfy最稳定
model_mask	model_mask	MODEL_MASK类型	可选	保护区域	可选模型掩码	精确控制范围

3.25 LoRA Loader (Tags) - 带标签的LoRA加载器

加载LoRA文件并提取其中的标签信息。

参数详解

参数名 (UI显示)	参数名 (代码里)	参数值	建议值	通俗解释 (能干嘛的)	专业解释	怎么用/举个例子
model	model	MODEL类型	-	要应用LoRA的模型	目标模型输入	连接基础模型
clip	clip	CLIP类型	-	要应用LoRA的CLIP	目标CLIP输入	连接CLIP编码器
lora_name	lora_name	LoRA文件列表	-	LoRA文件名	LoRA文件选择	从列表中选择
strength_model	strength_model	-20.0到20.0	1.0	模型强度	LoRA对模型的影响强度	1.0是标准强度
strength_clip	strength_clip	-20.0到20.0	1.0	CLIP强度	LoRA对CLIP的影响强度	1.0是标准强度
tag_limit	tag_limit	1-100	10	标签限制	输出标签数量限制	控制输出的标签数量

使用技巧和建议

基础使用流程

选择合适的合并器：新手建议从Block Merger开始，它比较简单易懂
设置合理的参数：drop_rate建议设置在0.8-0.95之间，太低会保留太多噪声
使用固定种子：在测试阶段使用固定种子，确保结果可重复
逐步调整：不要一次性改变太多参数，每次只调整一两个参数

高级技巧

使用遮罩保护重要区域：用Magnitude Masker创建遮罩，保护模型的关键部分
梯度精细控制：使用MBW Gradient可以对每个层进行精确控制
组合使用节点：可以先用一个合并器做粗调，再用另一个做细调
利用报告功能：使用各种Reporting节点了解模型和遮罩的详细信息

参数调节建议

time层：控制时间理解，通常保持1.0
input层：影响图像接收，可以适当降低到0.8-0.9
middle层：核心处理部分，建议保持较高值0.9-1.0
output层：影响最终效果，可以根据需要调节

常见问题解答

Q1：为什么合并后的模型效果不好？

A：可能的原因：

drop_rate设置太低，保留了太多噪声
两个模型差异太大，建议选择相似的模型进行合并
没有使用遮罩保护重要区域

Q2：DARE和普通合并有什么区别？

A： DARE技术会智能地选择哪些参数变化要保留，哪些要丢弃，就像有了一个智能筛选器，可以减少合并后的噪声和冲突。

Q3：什么时候使用遮罩？

A：当你想要：

保护某个模型的特定特征不被改变
只合并模型的某些部分
避免重要区域被破坏

Q4：梯度节点有什么用？

A：梯度节点让你可以精确控制模型每一层的合并比例，就像调音台可以单独调节每个频段的音量一样。

Q5：iterations参数设置多少合适？

A：通常1次就够了。设置太多次可能会产生过度处理的效果。

Q6：如何选择合适的seed值？

A：可以尝试不同的seed值（如1, 42, 123等），选择效果最好的那个。记住好的seed值，以后可以重复使用。

总结

ComfyUI-DareMerge插件提供了25个强大的节点，让模型合并变得既简单又精确。从基础的块状合并到高级的DARE技术，从简单的遮罩到复杂的梯度控制，这个插件几乎涵盖了模型合并的所有需求。

记住最重要的几点：

从简单开始，逐步学习复杂功能
使用固定种子确保结果可重复
善用遮罩和梯度控制实现精确合并
利用报告功能了解合并过程的详细信息

希望这份教程能帮助你更好地使用这个强大的插件！

ComfyUI-DareMerge插件使用教程 从入门到精通

ComfyUI-DareMerge 插件完全教程

插件简介

如何安装

节点详细解析

3.1 Model Merger (Advanced) - 高级模型合并器

参数详解

3.2 Model Merger (Advanced/DARE) - 高级DARE模型合并器

参数详解

3.3 Model Merger (Block) - 块状模型合并器

参数详解

3.4 Model Merger (Block/DARE) - 块状DARE模型合并器

参数详解

3.5 Model Merger (MBW/DARE) - MBW风格DARE合并器

参数详解

3.6 Model Merger (Attention/DARE) - 注意力DARE合并器

参数详解

3.7 CLIP Merger (DARE) - CLIP文本编码器合并器

参数详解

3.8 Simple Masker - 简单遮罩生成器

参数详解

3.9 Magnitude Masker - 幅度遮罩生成器

参数详解

3.10 Quad Masker - 四分遮罩生成器

参数详解

3.11 Mask Operations - 遮罩运算器

参数详解

3.12 Mask Edit - 遮罩编辑器

参数详解

3.13 Gradient Operations - 梯度运算器

参数详解

3.14 Gradient Edit - 梯度编辑器

参数详解

3.15 Block Gradient - 块状梯度生成器

参数详解

3.16 Shell Gradient - 洋葱层梯度生成器

参数详解

3.17 Attention Gradient - 注意力梯度生成器

参数详解

3.18 MBW Gradient - MBW梯度生成器

参数详解

3.19 Model Reporting - 模型报告生成器

参数详解

3.20 Mask Reporting - 遮罩报告生成器

参数详解

3.21 LoRA Reporting - LoRA报告生成器

参数详解

3.22 Gradient Reporting - 梯度报告生成器

参数详解

3.23 Normalize Model - 模型标准化器

参数详解

3.24 Inject Noise - 噪声注入器

参数详解

3.25 LoRA Loader (Tags) - 带标签的LoRA加载器

参数详解

使用技巧和建议

基础使用流程

高级技巧

参数调节建议

常见问题解答

Q1：为什么合并后的模型效果不好？

Q2：DARE和普通合并有什么区别？

Q3：什么时候使用遮罩？

Q4：梯度节点有什么用？

Q5：iterations参数设置多少合适？

Q6：如何选择合适的seed值？

总结

ComfyUI错误修复插件详解：轻松解决常见问题 2025-07-10 18:25

ComfyUI-CustomMenu插件使用教程：高效自定义工作流指南 2025-07-10 17:50

ComfyUI图像合并插件comfyui-merge使用教程 2025-07-03 22:44

ComfyUI WAN 2.2视频插件教程：万相AI提示词全攻略 2025-07-31 11:47

ComfyUI WAN 2.2视频插件教程：万相AI提示词实战指南 2025-07-29 20:10

ComfyUI HeyGem数字人插件教程：零基础快速精通指南 2025-07-22 14:10

目录

ComfyUI-DareMerge插件使用教程从入门到精通