今天展示的案例是一个基于ComfyUI的多重 LoRA 组合工作流。该流程通过在同一生成链路中叠加不同的 LoRA 模型，以实现人物形象的细腻刻画与风格融合。整体运行逻辑由基础 Checkpoint 模型驱动，再叠加 Blindbox 与 MoXin 两个 LoRA 权重，结合正负提示词的语义控制，最终在 KSampler 采样器中完成潜在空间生成，经过 VAE 解码后得到高质量成片。此类工作流的应用能够直观展示不同 LoRA 模型的风格互补效果，为角色定制与艺术创作提供更具灵活性的解决方案。文章目录工作流介绍核心模型Node节点工作流程大模型应用CLIPTextEncode（正向） 多组提示词语义编码核心CLIPTextEncode（负向） 多组负向约束CR Apply LoRA Stack 多 LoRA 权重融合器KSampler 图像采样生成使用方法应用场景开发与应用工作流介绍该工作流的核心是通过主干 Checkpoint 模型与多重 LoRA 模型的组合使用，借助文本条件编码节点控制生成结果，最后通过采样与解码完成高分辨率图像生成。从结构上看，CheckpointLoaderSimple 节点加载了 dreamshaper_8 主模型，为后续图像生成奠定了基础；随后通过 LoraLoader 依次叠加 Blindbox 与 MoXin 两个 LoRA 模型，并控制其权重参数；文本提示部分则由 CLIPTextEncode 节点完成，对正面和负面描述分别进行条件化；在 KSampler 节点中汇总模型、条件与潜在图像进行采样；VAE 解码负责将潜在特征还原为可视图像，最终通过 SaveImage 节点导出成片。整体设计既保证了灵活性，又能通过参数调整探索多种效果组合。核心模型在该工作流中，核心模型包括基础的 Checkpoint 模型和两个 LoRA 模型。Checkpoint 提供了稳定的视觉生成能力，而 LoRA 模型则用来注入额外的风格或人物特征。不同模型之间的配合能够在保持清晰细节的同时，为作品赋予独特的审美取向。例如，dreamshaper 模型侧重整体风格的自然渲染，而 Blindbox 和 MoXin 的叠加则使画面更具定制化特征，从而形成独特的影像风格。
【ComfyUI】SD1.5 + 双LoRA 提示词文生图
今天展示的案例是一个基于ComfyUI的多重 LoRA 组合工作流。该流程通过在同一生成链路中叠加不同的 LoRA 模型，以实现人物形象的细腻刻画与风格融合。整体运行逻辑由基础 Checkpoint 模型驱动，再叠加 Blindbox 与 MoXin 两个 LoRA 权重，结合正负提示词的语义控制，最终在 KSampler 采样器中完成潜在空间生成，经过 VAE 解码后得到高质量成片。此类工作流的应用能够直观展示不同 LoRA 模型的风格互补效果，为角色定制与艺术创作提供更具灵活性的解决方案。文章目录工作流介绍核心模型Node节点工作流程大模型应用CLIPTextEncode（正向） 多组提示词语义编码核心CLIPTextEncode（负向） 多组负向约束CR Apply LoRA Stack 多 LoRA 权重融合器KSampler 图像采样生成使用方法应用场景开发与应用工作流介绍该工作流的核心是通过主干 Checkpoint 模型与多重 LoRA 模型的组合使用，借助文本条件编码节点控制生成结果，最后通过采样与解码完成高分辨率图像生成。从结构上看，CheckpointLoaderSimple 节点加载了 dreamshaper_8 主模型，为后续图像生成奠定了基础；随后通过 LoraLoader 依次叠加 Blindbox 与 MoXin 两个 LoRA 模型，并控制其权重参数；文本提示部分则由 CLIPTextEncode 节点完成，对正面和负面描述分别进行条件化；在 KSampler 节点中汇总模型、条件与潜在图像进行采样；VAE 解码负责将潜在特征还原为可视图像，最终通过 SaveImage 节点导出成片。整体设计既保证了灵活性，又能通过参数调整探索多种效果组合。核心模型在该工作流中，核心模型包括基础的 Checkpoint 模型和两个 LoRA 模型。Checkpoint 提供了稳定的视觉生成能力，而 LoRA 模型则用来注入额外的风格或人物特征。不同模型之间的配合能够在保持清晰细节的同时，为作品赋予独特的审美取向。例如，dreamshaper 模型侧重整体风格的自然渲染，而 Blindbox 和 MoXin 的叠加则使画面更具定制化特征，从而形成独特的影像风格。
