一、模型文件（Checkpoint）

首先它很大，这些文件是你从huggingface或者civitai下载而来的，

所以这些大文件如 .ckpt 或 .safetensors ，实际上包含了什么内容呢？

它包含了包含了三种不同模型的权重：CLIP、主模型和VAE。

在默认的ComfyUI工作流中，由这里的CheckpointLoader加载模型到ComfyUI中。

你能看到它会有3种输出。

二、CLIP文本编码器（CLIP Text Encode）

让我们先看CLIP文本编码器这一条分流，注意CLIP又有两条分流，分别流向正面条件和负面条件。

CLIP文本编码器的作用就是把人类语言转换成模型能够理解的数据格式。

三、K 采样器 （KSampler）

CLIP文本编码器会流动到K采样器，图片就是通过这个采样器生成的。

在K采样器中，主要输入是Stable Diffusion的模型。

同时，正向提示词和反向提示词也是作为K采样器的输入。

四、空的潜在图像

最后，需要再来一个空潜在图像作为输入。（Empty Latent Image）

这是因为我们当前的场景是文生图。

五、降噪

于是采样器会利用这个潜在空图像，向这个潜在空图像添加噪声，然后使用Stable Diffusion的模型进行降噪。

具体的降噪过程是：编码后的正面和负面提示被传递给模型，在每个采样步骤中被用来指导去噪。

这种逐渐去噪的图像生成方式，正是Stable Diffusion生成图片的方式。

最终，采样器会输出一张降噪之后的图片。

六、VAE模型解码（VAE Decode）

最后的最后，Stable Diffusion会用到VAE模型。

VAE模型被用于把处于潜在空间的图像，转换成肉眼可见的像素图像。

潜在空间的数据是Stable Diffusion模型能够理解的数据。

而像素空间的图像是图片浏览器和人类能够用肉眼观察到的图像。

这个步骤，你可以看到来自采样器的Latent潜在空间的图像作为VAE编码器的输入，通过VAE解码之后，输出常规图像。

这就是简易的工作流的基本流程