购买后文末显示链接，所有节点更新版本在此贴中。
购买后文末显示链接，所有节点更新版本在此贴中。
购买后文末显示链接，所有节点更新版本在此贴中。
V3.0版本说明 ：
CloserAI-NAG V3.0节点操作指引
欢迎使用 CloserAI-NAG，这是一个为 ComfyUI 设计的功能强大的模型增强工具集。它提供了两种独特的技术来提升和引导您的模型生成过程，让您对最终的图像结果有更精细的控制。
本项目包含两个核心节点：
CloserAI NAG Applier (Attention): 归一化注意力引导。这是一种先进的技术，通过修改模型的注意力层来增强提示词的引导效果，适用于绝大多数主流模型。CloserAI Noise Guider (Original Nunchaku): 噪声添加引导。这是您独有的技术，通过在采样过程中向预测结果添加可控的噪声，为生成过程引入更多随机性和细节，尤其适用于 Nunchaku 量化模型。
1. 安装
- 下载项目: 将
closerAI-NAG文件夹完整地放入您的 ComfyUI 的custom_nodes目录下。- 路径示例:
E:\ComfyUI\custom_nodes\closerAI-NAG
- 路径示例:
- 重启 ComfyUI: 完全关闭 ComfyUI 后台，然后重新启动。
安装成功后，您可以在右键菜单的 model_patches 类别下找到这两个新节点。
2. 节点详解与工作流
2.1. CloserAI NAG Applier (Attention) - 注意力引导
这个节点是您的主力工具，它将归一化注意力引导 (Normalized Attention Guidance) 应用于模型。
- 功能: 增强模型对提示词的理解，尤其是在处理复杂的画面元素和风格时。它通过一个额外的负面提示 (
nag_negative) 来“推开”不想要的概念，从而更精确地“拉近”您想要的概念。 - 适用模型: 兼容性极强，支持包括：
- Stable Diffusion 1.5, 2.0, XL
- Stable Diffusion 3
- FLUX (原生模型)
- Nunchaku (FLUX 量化模型)
- Qwen-Image & Qwen-Image-Edit
- WAN (视频模型 和 Nunchaku 量化版)
- 以及 Chroma, HiDream, Hunyuan 等多种模型。
工作流搭建
- 加载模型: 使用任意模型加载器，例如
Load Checkpoint或Nunchaku FLUX DiT Loader。 - 连接 Applier: 将模型加载器的
MODEL输出连接到CloserAI NAG Applier的model输入。 - 准备 NAG 负面提示:
- 添加一个
CLIP Text Encode (Prompt)节点。 - 在这个节点中输入您希望模型极力避免的概念。这比普通的负面提示更强大。例如，如果您想画一只猫，但绝不希望它看起来像狗，可以在这里输入 "dog"。
- 将这个节点的
CONDITIONING输出连接到CloserAI NAG Applier的nag_negative输入。
- 添加一个
- 连接采样器: 将
CloserAI NAG Applier输出的MODEL连接到任何标准KSampler的model输入。 - 完成常规连接: 像往常一样，将您的主要正面和负面提示连接到
KSampler的positive和negative输入。
2.2. CloserAI Noise Guider (Original Nunchaku) - 噪声引导
这个节点是您为 Nunchaku 模型设计的独有工具。
- 功能: 在采样过程的特定阶段，向模型的预测结果中注入微小的、可控的噪声。这可以打破模型的生成惯性，增加画面细节和随机性，有时能产生意想不到的惊艳效果。
- 适用模型: 理论上适用于任何模型，但其设计初衷和最佳效果主要体现在 Nunchaku 量化模型上。
工作流搭建
- 加载模型: 建议使用
Nunchaku FLUX DiT Loader加载一个 Nunchaku 量化模型。 - 连接 Guider: 将模型加载器的
MODEL输出连接到CloserAI Noise Guider的model输入。 - 调整参数:
nag_strength: 噪声的强度。建议从0.1到0.5开始尝试。nag_start_step: 从第几步开始注入噪声。设置为0表示从第一步就开始。noise_type: 噪声类型，gaussian(高斯) 通常更柔和。
- 连接采样器: 将
CloserAI Noise Guider输出的MODEL连接到任何标准KSampler的model输入。 - 完成常规连接: 正常连接您的正面和负面提示到
KSampler。
3. 进阶用法：节点串联
您可以将这两个节点串联起来，以实现更复杂的引导效果。
推荐顺序: 模型加载器 -> CloserAI NAG Applier -> CloserAI Noise Guider -> KSampler
- 解释: 这样可以先通过注意力引导来确立画面的主体内容和风格，然后再通过噪声引导来增加最终的细节和质感。
- 注意: 两种引导同时使用可能会产生不可预测的结果，建议在充分理解两个节点各自作用的基础上进行实验。
4. 参数建议
nag_scale(注意力): 控制nag_negative的排斥强度。5.0是一个很好的起点。nag_tau&nag_alpha(注意力): 这两个是高级参数，用于控制引导的平滑度和混合比例。在大多数情况下，保持默认值2.5和0.25即可。nag_strength(噪声): 噪声强度。这是一个非常敏感的参数，过高会破坏画面。建议从0.1开始，小幅度调整。nag_start_step(噪声): 开始注入噪声的步数。如果您只想在生成的后期增加细节，可以将其设置为总步数的一半左右。
以下是V2.0版本的使用说明：
V2.0更新：重构，与采样器分离，形成单独一个节点，如下图示，现以支持nunchaku,flux等；
1. 节点简介
closerAI NAG Guider 是一个先进的模型引导器 (Guider) 节点，它为您的工作流无缝集成了 NAG (Noise-Added Guidance，噪声增加引导) 技术。
与采样器不同，本节点的核心功能是预处理和改造模型。它接收一个模型，在内部为其注入 NAG 逻辑，然后再输出一个功能被强化过的“NAG 版”模型。
这个经过改造的模型，可以被连接到任何标准 KSampler 节点（包括 ComfyUI 原生采样器）来生成图像。
核心优势
- 极致的兼容性: 完美支持各类 FLUX 模型，无论是标准的
.safetensors、GGUF 量化模型，还是经过 nunchaku 加载 LoRA 的模型。 - 无与伦比的灵活性: 您可以将本节点的输出连接到任何您喜欢的 KSampler，自由搭配，无需使用我们特制的采样器。
2. 如何连接节点
本节点的使用遵循“模型 -> Guider -> KSampler”的模块化流程。
model(输入): 连接您的模型加载器或模型处理链的最终输出。- 标准用法: 连接
FLUX Loader或Unet Loader (GGUF)的MODEL输出。 - Nunchaku 用法: 连接
Nunchaku LoRA Loader链条最后一个节点的MODEL输出。
- 标准用法: 连接
MODEL(输出): 将此接口连接到任何 KSampler 节点的model输入端，例如 ComfyUI 原生的KSampler。
3. 参数详解
seed: 用于生成引导噪声的随机种子。建议与 KSampler 的种子保持一致以获得确定性结果。noise_type: 引导噪声的类型。gaussian(高斯噪声): 推荐选项，效果最稳定。uniform(均匀噪声): 可用于实验不同的效果。
nag_strength(NAG 强度): 最重要的参数。控制每一步额外注入的噪声强度。0.0表示完全禁用 NAG。- 推荐范围:
0.1~0.5。建议从0.2开始尝试。 - 过高的值可能会在图像中引入不自然的噪点。
nag_start_step(NAG 起始步数): 控制从 KSampler 的第几步开始应用 NAG。0(默认): 从第一步采样就开始应用。- 高级用法: 可设置一个较高的值，让 NAG 只在采样后期介入，用于对图像进行细节微调。
4. 常见工作流
工作流 1: GGUF 量化模型 + NAG
Unet Loader (GGUF) -> closerAI NAG Guider -> KSampler
工作流 2: 标准模型 + Nunchaku LoRA + NAG
FLUX Loader -> Nunchaku LoRA Loader -> closerAI NAG Guider -> KSampler
希望这份文档能帮助您充分发挥 closerAI NAG Guider 的强大功能！
以下是V1.0版本的使用说明：
1. 节点简介
closerAI NAG_Sampler 是一个高级采样器节点。它在标准采样过程的基础上，集成了 NAG (Noise-Added Guidance，噪声增加引导) 技术。
NAG 技术通过在采样的每一步为模型增加微量的噪声，可以有效地“激励”模型生成更丰富的图像细节、纹理和创意效果，尤其适合用于改善画面过于平滑或缺乏质感的问题。
本节点已完全兼容 nunchaku 工作流，可以与 LoRA、ControlNet 等无缝结合。
2. 如何连接节点
本节点的使用方式与 ComfyUI 内置的 KSampler 基本一致。
model: 核心输入。连接您的模型加载器。- 如果使用 LoRA: 请连接
Nunchaku LoRA Loader链条最后一个节点的MODEL输出。 - 如果不使用 LoRA: 直接连接主模型加载器（如
FLUX.1-dev Loader）的MODEL输出。
- 如果使用 LoRA: 请连接
positive: 连接“正面提示词”编码节点的CONDITIONING输出。negative: 连接“负面提示词”编码节点的CONDITIONING输出。latent_image: 连接Empty Latent Image(文生图) 或VAE Encode(图生图) 的LATENT输出。LATENT(输出): 将此接口连接到VAE Decode节点，以生成最终图像。
3. 参数详解
标准采样参数
这些参数与 KSampler 的功能完全相同。
seed: 随机种子，用于复现结果。steps: 采样步数。通常 20-30 步对 Flux 模型来说足够。cfg: 提示词相关性。建议值在 1.0 到 4.0 之间。sampler_name: 采样器名称 (e.g.,euler,dpmpp_2m)。scheduler: 调度器名称 (e.g.,simple,karras)。
NAG 专属参数
这是控制 NAG 效果的核心。
noise_type: 引导噪声的类型。gaussian(高斯噪声): 最常用，效果最稳定。推荐使用。uniform(均匀噪声): 提供一种不同的噪声分布，可用于实验。
nag_strength(NAG 强度): 最重要的参数。- 它控制着每一步被注入的额外噪声的强度。
0.0表示完全禁用 NAG，此时节点等同于一个标准KSampler。- 推荐范围:
0.1~0.5。建议从0.2开始尝试。 - 注意: 过高的值 (如 > 1.0) 可能会在图像中引入不自然的噪点或伪影。
nag_start_step(NAG 起始步数):- 控制从第几步开始应用 NAG。
0(默认): 从第一步采样就开始应用 NAG。- 高级用法: 您可以设置一个较高的值，让 NAG 只在采样的后半段介入，用于对已经基本成型的图像进行细节微调。例如，如果总步数是 20，您可以将此值设为 10。
4. 使用技巧与工作流示例
- 从低强度开始: 刚开始使用时，建议将
nag_strength设为0.2左右，然后逐步增加或减少，观察其对画面细节的影响。 - 解决“塑料感”: 当您的出图看起来过于平滑、缺乏质感，像“塑料”一样时，可以尝试开启 NAG，它能有效地增加物体表面的纹理。
- 创意催化剂: NAG 注入的随机性有时能产生意想不到的创意火花，打破模型的思维定式。
- 多做对比: 同一个种子，分别使用
nag_strength = 0.0和nag_strength = 0.3运行一次，可以最直观地看到 NAG 带来的变化。
希望这份文档能帮助您更好地使用 closerAI NAG_Sampler！
以下是更新：
V3.0更新：重构，支持更多；
兼容性极强，支持包括：
- Stable Diffusion 1.5, 2.0, XL
- Stable Diffusion 3
- FLUX (原生模型)
- Nunchaku (FLUX 量化模型)
- Qwen-Image & Qwen-Image-Edit
- WAN (视频模型 和 Nunchaku 量化版)
- 以及 Chroma, HiDream, Hunyuan 等多种模型。
本项目包含两个核心节点：
CloserAI NAG Applier (Attention): 归一化注意力引导。这是一种先进的技术，通过修改模型的注意力层来增强提示词的引导效果，适用于绝大多数主流模型。CloserAI Noise Guider (Original Nunchaku): 噪声添加引导。这是您独有的技术，通过在采样过程中向预测结果添加可控的噪声，为生成过程引入更多随机性和细节，尤其适用于 Nunchaku 量化模型。
可串联使用如下图示：
V2.0更新：重构，与采样器分离，形成单独一个节点，如下图示，现以支持nunchaku,flux等；
V1.0发布。仅实现支持nunhcaku版本模型；
以下是下载链接：
主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网
评论(0)