今天展示的案例是一个基于 Stable Diffusion 3.5 与 ControlNet 的 ComfyUI 工作流，整个流程通过加载预训练模型、结合文本提示、图像输入以及控制网络，实现了对复杂画面的精准生成与细节控制。该工作流特别适合需要在保持画面结构稳定的前提下，对生成效果进行多维度约束和优化的场景，例如自然元素与装饰性元素的结合。通过本次演示，能够清晰感受到 ComfyUI 在多节点协作和模型互补方面的灵活性。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 文本语义嵌入生成ConditioningZeroOut 条件嵌入清零控制ControlNetApplyAdvanced ControlNet 高级应用使用方法应用场景开发与应用工作流介绍该工作流以CheckpointLoaderSimple作为基础入口，加载 Stable Diffusion 3.5 的大模型权重，并通过ControlNetLoader与CLIPTextEncode实现文字与结构约束的联合控制。在此基础上，利用ConditioningZeroOut、ControlNetApplyAdvanced等节点将正负向提示词与控制信号统一传递给采样器，再通过KSampler生成潜在图像，最后经由VAEDecode解码并交付至SaveImage节点输出结果。整个流程强调了模型与节点的分工协作：模型负责提供能力基座，节点则承担逻辑运算与功能串联，从而实现高效的生成闭环。核心模型在核心模型部分，工作流以sd3.5_large_fp8_scaled.safetensors作为基础检查点模型，结合sd3.5_large_controlnet_blur.safetensors进行结构控制。CheckpointLoaderSim
今天展示的案例是一个基于 Stable Diffusion 3.5 与 ControlNet 的 ComfyUI 工作流，整个流程通过加载预训练模型、结合文本提示、图像输入以及控制网络，实现了对复杂画面的精准生成与细节控制。该工作流特别适合需要在保持画面结构稳定的前提下，对生成效果进行多维度约束和优化的场景，例如自然元素与装饰性元素的结合。通过本次演示，能够清晰感受到 ComfyUI 在多节点协作和模型互补方面的灵活性。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 文本语义嵌入生成ConditioningZeroOut 条件嵌入清零控制ControlNetApplyAdvanced ControlNet 高级应用使用方法应用场景开发与应用工作流介绍该工作流以CheckpointLoaderSimple作为基础入口，加载 Stable Diffusion 3.5 的大模型权重，并通过ControlNetLoader与CLIPTextEncode实现文字与结构约束的联合控制。在此基础上，利用ConditioningZeroOut、ControlNetApplyAdvanced等节点将正负向提示词与控制信号统一传递给采样器，再通过KSampler生成潜在图像，最后经由VAEDecode解码并交付至SaveImage节点输出结果。整个流程强调了模型与节点的分工协作：模型负责提供能力基座，节点则承担逻辑运算与功能串联，从而实现高效的生成闭环。核心模型在核心模型部分，工作流以sd3.5_large_fp8_scaled.safetensors作为基础检查点模型，结合sd3.5_large_controlnet_blur.safetensors进行结构控制。CheckpointLoaderSim
