%20(1).png)
ComfyUI-TechNodes 插件完整使用教程
1. 插件简介
ComfyUI-TechNodes 是一个专门为 ComfyUI 用户设计的实用插件包，主要用于模型合并、测试和优化等高级功能。这个插件就像是给你的 ComfyUI 工具箱添加了一套专业的"模型维修工具"。
插件地址： https://github.com/TechnoByteJS/ComfyUI-TechNodes
这个插件能给你带来什么？
- 像拼积木一样合并不同的 AI 模型，创造出独特的效果
- 测试不同模型的表现，找到最适合你需求的那一个
- 优化模型大小，让你的电脑跑得更轻松
- 调整图像的亮度和对比度，就像用美图秀秀一样简单
2. 如何安装
方法一：使用 ComfyUI Manager（推荐新手）
- 打开 ComfyUI，点击右侧的"Manager"按钮
- 搜索"TechNodes"
- 点击安装，等待完成后重启 ComfyUI
方法二：手动安装
- 找到你的 ComfyUI 安装目录
- 进入
ComfyUI/custom_nodes文件夹 - 打开命令行工具，输入：
git clone https://github.com/TechnoByteJS/ComfyUI-TechNodes --depth 1
- 重启 ComfyUI
3. 节点详细解析
3.1 模型合并节点 (Model Merger)
这个节点就像是一个"模型调色板"，可以把两个不同的 AI 模型混合在一起，创造出新的效果。比如把一个善于画人物的模型和一个善于画风景的模型合并，得到一个两者兼顾的新模型。
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 |
|---|---|---|---|---|---|---|
| 模型A | model_a | 模型文件 | 你的主要模型 | 第一个要合并的模型，就像主角 | 作为合并基础的源模型 | 选择一个你最喜欢的模型作为基础 |
| 模型B | model_b | 模型文件 | 你的辅助模型 | 第二个要合并的模型，就像配角 | 用于融合特性的目标模型 | 选择一个有你想要特色的模型 |
| 合并比例 | alpha | 0.0-1.0 | 0.5 | 控制两个模型的混合程度，就像调节咖啡的浓度 | 控制模型A和模型B的权重比例 | 0.3表示模型A占70%，模型B占30% |
| 合并方法 | merge_method | 字符串选择 | "weighted" | 选择怎样混合模型，不同方法有不同效果 | 指定使用的模型融合算法 | "weighted"是最常用的加权平均方法 |
| 输出名称 | output_name | 字符串 | "merged_model" | 给新模型起个名字，方便以后找到 | 合并后模型的保存文件名 | 起个有意义的名字，比如"人物+风景" |
3.2 高级模型合并节点 (Advanced Model Merger)
这个节点就像是一个"精密调音台"，可以分别调整模型的不同"音轨"（层级），实现更精细的控制。
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 |
|---|---|---|---|---|---|---|
| 模型A | model_a | 模型文件 | 你的主要模型 | 第一个要合并的模型 | 作为合并基础的源模型 | 选择基础模型 |
| 模型B | model_b | 模型文件 | 你的辅助模型 | 第二个要合并的模型 | 用于融合特性的目标模型 | 选择特色模型 |
| 输入层比例 | input_blocks_alpha | 0.0-1.0 | 0.5 | 控制模型"输入门"的混合程度 | 控制UNet输入层的融合权重 | 影响模型如何理解输入的图像 |
| 中间层比例 | middle_block_alpha | 0.0-1.0 | 0.5 | 控制模型"思考中心"的混合程度 | 控制UNet中间层的融合权重 | 影响模型的核心处理能力 |
| 输出层比例 | output_blocks_alpha | 0.0-1.0 | 0.5 | 控制模型"输出门"的混合程度 | 控制UNet输出层的融合权重 | 影响最终生成图像的效果 |
| 输出名称 | output_name | 字符串 | "advanced_merged" | 给新模型起个名字 | 合并后模型的保存文件名 | 起个描述性的名字 |
3.3 VAE 合并节点 (VAE Merger)
这个节点专门用来合并 VAE（就像是图像的"翻译器"），可以把不同风格的"翻译器"合并成一个更强大的版本。
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 |
|---|---|---|---|---|---|---|
| VAE A | vae_a | VAE文件 | 你的主要VAE | 第一个要合并的"翻译器" | 作为合并基础的源VAE | 选择一个效果好的VAE |
| VAE B | vae_b | VAE文件 | 你的辅助VAE | 第二个要合并的"翻译器" | 用于融合特性的目标VAE | 选择另一个有特色的VAE |
| 合并比例 | alpha | 0.0-1.0 | 0.5 | 控制两个VAE的混合程度 | 控制VAE A和VAE B的权重比例 | 0.7表示VAE A占70%，VAE B占30% |
| 合并方法 | merge_method | 字符串选择 | "weighted" | 选择合并方式 | 指定使用的VAE融合算法 | "weighted"是最稳定的方法 |
| 亮度调整 | brightness | -1.0-1.0 | 0.0 | 调整合并后图像的亮度，就像调节屏幕亮度 | 对合并后VAE输出进行亮度校正 | 正值变亮，负值变暗 |
| 对比度调整 | contrast | 0.0-2.0 | 1.0 | 调整合并后图像的对比度，就像调节电视对比度 | 对合并后VAE输出进行对比度校正 | 1.0是原始，大于1.0增强对比度 |
3.4 VAE 压力测试节点 (VAE Tester)
这个节点就像是一个"耐久测试机"，可以反复处理同一张图像，看看VAE在多次处理后会不会"累坏"。
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 |
|---|---|---|---|---|---|---|
| 输入图像 | image | 图像数据 | 你的测试图像 | 要进行测试的图像 | 用于测试的输入图像张量 | 选择一张代表性的图像 |
| VAE | vae | VAE文件 | 你要测试的VAE | 要测试的"翻译器" | 用于编码解码测试的VAE模型 | 选择你想测试的VAE |
| 测试次数 | iterations | 1-20 | 3 | 重复处理图像的次数，就像反复复印文件 | VAE编码-解码循环的次数 | 3次可以看出质量损失情况 |
| 显示每步结果 | show_steps | True/False | True | 是否显示每次处理的结果 | 是否输出每次迭代的中间结果 | True可以看到质量逐步变化 |
3.5 模型量化节点 (Model Quantizer)
这个节点就像是一个"模型压缩器"，可以把大模型变小，虽然可能会损失一些质量，但能让你的电脑跑得更轻松。
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 |
|---|---|---|---|---|---|---|
| 输入模型 | model | 模型文件 | 你要压缩的模型 | 要进行压缩的模型 | 需要量化的源模型 | 选择一个大模型进行压缩 |
| 量化位数 | bits | 2-32 | 8 | 压缩程度，数字越小文件越小但质量越差 | 量化的位数精度 | 8位是质量和大小的平衡点 |
| 量化目标 | target | 字符串选择 | "unet" | 选择压缩模型的哪个部分 | 指定要量化的模型组件 | "unet"压缩主要生成部分 |
| 输出名称 | output_name | 字符串 | "quantized_model" | 给压缩后的模型起个名字 | 量化后模型的保存文件名 | 包含位数信息，如"model_8bit" |
3.6 二进制合并节点 (Binary Merger)
这个节点就像是一个"开关面板"，可以精确控制模型的每个"开关"是开还是关，实现非常精细的控制。
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 |
|---|---|---|---|---|---|---|
| 模型A | model_a | 模型文件 | 你的主要模型 | 第一个要合并的模型 | 作为合并基础的源模型 | 选择基础模型 |
| 模型B | model_b | 模型文件 | 你的辅助模型 | 第二个要合并的模型 | 用于融合特性的目标模型 | 选择特色模型 |
| 二进制掩码 | binary_mask | 0/1字符串 | "11111111" | 每个1表示使用模型A，每个0表示使用模型B | 定义每个UNet块的选择掩码 | "10101010"表示交替使用两个模型 |
| 输出名称 | output_name | 字符串 | "binary_merged" | 给新模型起个名字 | 合并后模型的保存文件名 | 描述掩码特征的名字 |
4. 使用技巧和建议
4.1 模型合并技巧
- 从小比例开始：初次合并时，建议合并比例从0.3开始尝试，逐步调整
- 保存原始模型：合并前务必备份原始模型，以免不满意时无法恢复
- 测试再使用：合并后的模型要先用简单图像测试，确认效果满意再正式使用
4.2 VAE 测试建议
- 选择代表性图像：测试时选择包含人物、风景、细节丰富的图像
- 观察质量变化：重点关注3次迭代后的图像质量，超过5次通常质量损失明显
- 对比不同VAE：同样条件下测试不同VAE，找出最适合你需求的
4.3 量化使用建议
- 8位量化最实用：既能显著减小模型大小，又能保持可接受的质量
- 先备份再量化：量化是不可逆过程，务必保留原始模型
- 测试后再部署：量化后的模型要充分测试，确认满足需求
5. 常见问题解答
Q1: 合并后的模型效果不好怎么办？
A1: 尝试调整合并比例，或者更换其中一个模型。有时候两个模型的风格差异太大，合并效果可能不理想。
Q2: VAE测试显示质量损失严重怎么办？
A2: 这说明该VAE不适合多次处理，建议更换质量更好的VAE，或者在工作流程中减少VAE的使用次数。
Q3: 量化后的模型无法使用怎么办？
A3: 可能是量化位数设置过低，尝试使用8位或16位量化，或者检查原始模型是否支持量化。
Q4: 二进制合并的掩码怎么设置？
A4: 掩码的每一位对应模型的一个层，"1"表示使用模型A的该层，"0"表示使用模型B的该层。建议先用简单的"11110000"这样的掩码测试。
Q5: 插件安装后在ComfyUI中找不到节点怎么办？
A5: 确认插件已正确安装到custom_nodes目录，重启ComfyUI后检查是否有错误信息。如果仍然找不到，可能需要安装相关依赖。
6. 进阶应用
6.1 创建定制化模型
结合使用模型合并节点和高级合并节点，可以创建完全定制化的模型。比如：
- 使用高级合并节点微调不同层的特性
- 再用二进制合并节点进行精细调整
- 最后用量化节点优化模型大小
6.2 批量测试工作流程
使用VAE测试节点可以建立一个批量测试流程：
- 准备多个测试图像
- 设置不同的迭代次数
- 对比不同VAE的表现
- 建立VAE性能数据库
6.3 模型优化管线
建立一个完整的模型优化管线：
- 使用模型合并节点创建基础合并版本
- 使用高级合并节点微调细节
- 使用VAE测试节点验证稳定性
- 使用量化节点优化存储空间
这个插件为ComfyUI用户提供了强大的模型管理和优化工具，无论是新手还是专业用户，都能从中找到适合自己需求的功能。记住，熟练使用这些节点需要时间和实践，建议从简单的功能开始，逐步掌握更复杂的应用。