双CFG引导器 - ComfyUI Built-in Node Documentation

Dual CFG Guider 节点创建了一个用于采样的引导系统，它同时使用两个条件输入和一个负面条件输入。

Dual CFG Guider 节点创建了一个用于采样的引导系统，它同时使用两个条件输入和一个负面条件输入。它对两个条件分别应用独立的引导强度，以控制每个条件对生成结果的影响程度，并支持两种组合这些强度缩放的方式："regular" 和 "nested"。

输入

参数	描述	数据类型	必填	范围
`模型`	用于引导的模型	MODEL	是	-
`条件1`	第一个正面条件输入	CONDITIONING	是	-
`条件2`	第二个条件输入，用作第一个正面条件与负面条件之间的参考	CONDITIONING	是	-
`负面条件`	负面条件输入	CONDITIONING	是	-
`cfg_条件1`	应用于第一个正面条件的引导强度（默认值：8.0）	FLOAT	是	0.0 - 100.0
`cfg_条件2_负面`	应用于第二个条件与负面条件之间的引导强度（默认值：8.0）	FLOAT	是	0.0 - 100.0
`样式`	要应用的引导风格（默认值："regular"）。设置为 "nested" 时，引导将以嵌套方式应用	COMBO	是	"regular" "nested"

注意：在 regular 风格中，cfg_cond2_negative 应用于 cond2 与 negative 之间，cfg_conds 应用于 cond1 与 cond2 之间。在 nested 风格中，cfg_conds 先应用于 cond1 与 cond2 之间，然后使用 cfg_cond2_negative 将得到的预测结果引导远离 negative。

注意：在 regular 风格中，当 cfg_cond2_negative 等于 1.0 时会跳过负面条件；当 cfg_conds 也等于 1.0 时，第二个条件同样会被跳过。这减少了执行的模型评估次数。

输出

输出名称	描述	数据类型
`GUIDER`	一个已配置好的引导系统，可直接用于采样	GUIDER

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！在 GitHub 上编辑

Source fingerprint (SHA-256): ef28d109149cb545bcd76215fd99535905c1d395222149a029c1c210e2912e97