用節點拖曳打造專屬的 AI 影像生成流程。免訂閱、本地端執行、完全開源。
Positive / Negative 提示詞 → Checkpoint → KSampler → VAE Decode → 預覽與儲存
官方桌面版把繁瑣的 Python 環境設定一次完成，零基礎也能快速上手。
Queue，預覽節點會渲染出玻璃瓶圖建議先把介面切換為英文，方便對接社群教學與模型術語。
Ctrl+C / Ctrl+VAlt 並拖曳DeleteFit View使用 Clip Text Encode 輸入提示詞，標準流程需要正面與負面兩個節點。
輸入想出現的主題與元素a young woman in a baseball uniform
輸入要避免的瑕疵或元素low quality, deformed, blurry
對節點按右鍵可自訂標籤與顏色。Positive 設綠色、Negative 設紅色，複雜工作流也一目了然。
Checkpoint 是整合型打包檔，內含三個缺一不可的核心部分。
神經網絡主體，掌控結構、光影與風格。
把人類語言的提示詞轉譯成 AI 能理解的數學向量。
把潛在空間的原始數據解碼成高畫質像素圖像。
Latent 是潛在空間中的壓縮草圖，在此去噪能大幅節省 VRAM 與時間，最後才由 VAE 解碼成像素。
SDXL 類模型請設為 1024 × 1024。沿用 512 × 512 容易肢體變形、重複頭部或模糊。
推薦平衡組合：DPM++ 2M + Karras。
靈感來源。相同 Seed 與參數得到相同圖，可選 Randomize、Fixed、+1、-1。
細緻度。過低粗糙有雜訊，越高越精緻但時間增加。
創意自由度。越高越守提示詞但易僵硬，新手用 7。
計算去噪路徑的演算法，如 Euler、DPM++ 2M。
分配各步降噪節奏，如 Normal、Karras。
1.0 完全去噪生成新圖，接近 0 則保留原始雜訊。
Settings 中把預覽方式改為倒數第二項 Fast，即可看到圖像從雜訊逐步成形。
.safetensors 模型，如 Juggernaut XL、Animagine XL 4.0models/checkpointsR 重新整理，在 Load Checkpoint 選取新模型選單 Save 匯出 .json。側邊欄資料夾圖示可載入 JSON 或內嵌工作流的 PNG，一鍵還原節點配置。