Comfyui-SenseNova-U1.5-Wrapper-T8
Native ComfyUI nodes for SenseNova U1.5 image generation and multi-reference image editing.
Nodes (8)
SenseNova-U1.5 ComfyUI 节点
English | 简体中文
这是 SenseNova-U1.5 的 ComfyUI 原生节点。模型、采样器、调度器、显存卸载和工作流都走 ComfyUI 管道，支持：
- 文生图
- 单图编辑
- 1～10 张参考图编辑
- 同一提示词/参考图一次生成 1～16 个不同结果
- 普通
KSampler - U1.5 Final 和 U1.5 SFT 两套官方权重
- 官方 U1.5 8-step LoRA（底层使用 ComfyUI 原生 LoRA/ModelPatcher 管道）
- 自定义
img_cfg的三路引导、CFG Norm 和 CFG 生效区间 - 用明确的“修改 / 参考图职责 / 保持 / 禁止”结构整理复杂编辑提示词
- 执行期间的文本/参考图 prefix KV cache
节点只读取本地模型，运行时不会联网下载文件。
安装
最简单的方法是在 ComfyUI-Manager 里搜索 SenseNova U1.5 (T8)，安装后重启 ComfyUI。
- Registry：sensenova-u15-t8
- Comfy CLI：
comfy node install sensenova-u15-t8
也可以手动安装：
cd ComfyUI/custom_nodes
git clone https://github.com/T8mars/Comfyui-SenseNova-U1.5-Wrapper-T8.git
本项目没有额外的 Python 依赖。
下载模型
按需要下载：
| 文件 | 放置位置 | 用途 |
|---|---|---|
| SenseNova-U1.5-8B-MoT-T8.safetensors | ComfyUI/models/diffusion_models/ | U1.5 最终版单文件底模，约 50 GB |
| SenseNova-U1.5-8B-MoT-SFT-T8.safetensors | ComfyUI/models/diffusion_models/ | U1.5 SFT 单文件底模，约 35 GB |
| SenseNova-U1.5-8B-MoT-LoRA-8step-ComfyUI.safetensors | ComfyUI/models/loras/ | 官方 8-step LoRA 的 ComfyUI 原生键名版本，约 815 MB |
底模路径：
ComfyUI/models/diffusion_models/
LoRA 路径：
ComfyUI/models/loras/
Manager 只安装节点，不会自动下载模型。
Final 和 SFT 都是 SenseNova U1.5，本节点都支持 50 步文生图和图像编辑。两者是不同训练阶段的权重，不要混为同一个文件。
注意：官方 8-step LoRA 必须搭配 Final，不能搭配 SFT 或 Preview。专用的 SenseNova U1.5 8-Step LoRA 节点会检查底模，接错时直接给出说明。
| 文件/组合 | 本节点支持 | 说明 |
|---|---:|---|
| U1.5 Final，50 步生成/编辑 | ✅ | 当前主模型 |
| U1.5 Final + -ComfyUI 8-step LoRA | ✅ | 仅用于 8 步文生图 |
| U1.5 SFT，50 步生成/编辑 | ✅ | 独立单文件底模，不叠加 8-step LoRA |
| U1.5 Preview | ❌ | 旧预览权重 |
| 官方未转换的 raw LoRA | ❌ | 先使用仓库转换工具，或直接下载 -ComfyUI 文件 |
直接使用工作流
下面都是 ComfyUI 画布工作流，下载 JSON 后可以直接拖进 ComfyUI。没有 API 工作流。编辑工作流打开后，先在 Load Image 中选择自己的图片。
- 文生图工作流
- 批量文生图工作流（默认一次 2 张）
- 8-step LoRA 文生图工作流
- 普通编辑工作流（img_cfg=1）
- 稳定多参考编辑工作流（人物换装案例）
- SFT 文生图工作流
- SFT 图像编辑工作流
推荐先保持这些参数：
steps: 50
CFG: 4
img_cfg: 1
shift: 3
sampler: euler
scheduler: normal
denoise: 1
复杂编辑建议在 SenseNova Edit Guider 中先用：
CFG: 4
img_cfg: 1
cfg_norm: global
cfg_interval: 0 → 1
global 会把过强的引导幅度拉回正向条件的范围，通常能减轻高饱和、过度锐化和主体漂移；如果结果变得太保守，再切回 none。channel 按 32×32 生成 token 分别归一化，适合局部区域容易过冲的场景。
cfg_interval 使用 ComfyUI 的归一化去噪进度，0 是第一步、1 是最后一步，起止点都包含在区间内。这里有意让 start 和 end 始终都生效，避免官方参考代码在 start=0 时忽略 end 的边界问题；保持 0 → 1 就是官方默认的全程 CFG。
8-step LoRA 请用官方参数：
LoRA strength: 1
steps: 8
CFG: 1
cfg_norm: none（CFG=1 时不做额外 CFG norm）
shift: 3
sampler: euler
scheduler: normal
denoise: 1
文生图
连接顺序很简单：
Loader → Sampling Options → KSampler → VAE Decode → Save Image
MODEL 必须先经过 SenseNova Sampling Options，shift 保持 3。
批量生成
把 Empty SenseNova Pixel Latent 的 batch_size 改成 2～16，同一个提示词会产生多张不同结果，Save Image 会逐张保存。批量编辑也走同一接口，所有结果共用同一组参考图；目前完整实测范围是 512×512、batch_size=2，更大的编辑批量需要根据参考图数量和显存逐步增加。
显存开销会随批量增加。示例工作流默认用 768×768、batch_size=2；不要直接用 2048×2048、batch_size=16。24 GB 显存建议从 512/768、batch_size=2 开始。
双参考换装的 512×512、batch_size=2、50 步 完整编辑实测用时约 495 秒，两张结果不同且都遵守换装要求；任务期间整张显卡显存采样峰值为 22,986 MiB。
8-step LoRA 文生图
8-step 工作流使用本项目的保护节点，内部仍走 ComfyUI 原生 LoRA 映射和 ModelPatcher：
SenseNova Loader (Final) → SenseNova U1.5 8-Step LoRA → Sampling Options → KSampler
LoRA 强度保持 1。这个 LoRA 是官方发布的快速文生图适配器；图像编辑仍建议使用不加 LoRA 的 50 步编辑工作流。
普通图像编辑
参考图要接到 SenseNova Reference Image，不要把参考图当作 latent。img_cfg=1 时，可以继续用普通 KSampler；把节点输出的 image_condition 接到 KSampler 的 negative。
多参考图和自定义引导
普通的 SenseNova Reference Image 节点只显示 Image-1 和可选的 Image-2，不会再多出一个容易误接的空白第三插槽。需要 3～10 张图时，改用 SenseNova Reference Images (1-10) 节点。图像顺序就是提示词中的 Image-1、Image-2。人物换装时，Image-1 放人物主图，Image-2 放服装图。旧版工作流中的 images.image 名称会在导入时自动迁移；旧工作流使用 3 张以上参考图时，也会自动切换到 1～10 张版本。
复杂任务不要只写“让她穿上这件衣服”。可以使用 SenseNova Structured Edit Prompt 节点，把要求拆成四项：主要修改、每张参考图的职责、必须保持的内容、禁止出现的内容；也可以直接照下面的格式写进 CLIP Text Encode：
【主要修改】让 Image-1 的人物穿上 Image-2 的服装。
【参考图职责】Image-1 只提供人物；Image-2 只提供服装，不复制人台和背景。
【必须保持】保持 Image-1 的脸、姿势、光线、背景和画幅不变。
【禁止出现】不要增加第二个人，不要改变未指定区域。
当 img_cfg 不是 1 时，要使用 SenseNova Edit Guider 和 ComfyUI 自带的 SamplerCustomAdvanced。最重要的一点：Sampling Options 输出的同一个 MODEL，要同时连接 Edit Guider 和 BasicScheduler。
SenseNova Sampling Options (MODEL)
├── SenseNova Edit Guider ───────────┐
└── BasicScheduler ──────────────────┤
RandomNoise + KSamplerSelect + Latent├──→ SamplerCustomAdvanced
┘
节点会按官方规则给多张图插入 Image-1、Image-2 等标签，并分别处理尺寸，不会把多张图片简单拼接。稳定工作流已经使用 CFG 4、img_cfg 1、global CFG Norm；它优先保留人物身份和原始构图，不会为了“改得更多”盲目把 img_cfg 拉高。
实际结果
下面图片都由本节点生成，参数不是后期调色结果。
2048×2048 双参考人物换装
参数：Final 单文件底模、2048×2048、50 步、CFG 4、img_cfg 1、global CFG Norm、shift 3、Euler/normal、seed 31082026。Image-1 提供人物、脸、姿势和背景，Image-2 只提供黑白裙装；输出保留了托腮手势与室内构图，并迁移了白色围裙、荷叶边、蝴蝶结和袖口。没有后期修图，RTX 5090 Laptop 24 GB 上任务约 506 秒完成。
U1.5 SFT：2048×2048、50 步文字密集文生图
参数：SFT 单文件底模、2048×2048、50 步、CFG 4、shift 3、Euler/normal、seed 42。标题、材料数量、3 个步骤和 170°C 提示直接由模型生成，没有后期修字。RTX 5090 Laptop 24 GB 上任务约 297 秒完成。
2048×2048、8 步文字密集文生图
参数：2048×2048、8 步、CFG 1、shift 3、LoRA strength 1、Euler/normal、seed 42。标题、副标题、5 项材料、3 个步骤和温度提示均直接由模型生成，没有后期修字。RTX 5090 Laptop 24 GB 上任务约 86 秒完成。
2048×2048 文生图
参数：2048×2048、50 步、CFG 4、shift 3、Euler/normal、seed 42。24 GB 显存实测完成。
2048×2048 双参考图编辑
参数：2048×2048、50 步、CFG 4、img_cfg 1、shift 3、Euler/normal、seed 42。第一张图提供手账版式和文字密度，第二张图提供炸鸡主体；提示词明确要求标题、材料、三步做法和小贴士。大标题、材料和主要步骤可读，局部小字仍有错字和重叠，本图没有后期修字。24 GB 显存实测完成。
KV cache 做了什么
SenseNova 的文字和参考图 prefix 在每一步都相同。SenseNova Sampling Options 会在一次采样任务内缓存它们，后续 step 直接复用，避免重复计算参考图。批量生成时，文字和参考图 prefix 也只按每个引导分支计算一份，再把每层较小的 KV 扩展到各个结果，不会把整套参考图编码重复 batch_size 次。
缓存只存在于当前任务中；任务完成、报错或取消时都会清空，不会跨任务保存，也不会偷偷占用长期显存。缓存与无缓存的三路编辑 A/B 测试结果逐元素一致。
颜色太艳怎么办
先检查提示词里有没有 bright、vivid、neon、highly saturated。这些词会明显提高饱和度。建议：
CFG先用 4，不满意再试 3～3.5img_cfg先保持 1- 复杂编辑或画面过冲时把
cfg_norm改成global - 提示词加入
natural colors、restrained color grading
运行要求
当前实测环境：
- ComfyUI
v0.33.0 - NVIDIA CUDA + BF16
- RTX 5090 Laptop 24 GB
- 64 GB 系统内存
2048×2048、50 步文生图和双参考图编辑，以及 512×512、batch_size=2 的完整模型批量执行，都能在 24 GB 显存下完成。模型加载和卸载还会占用较多系统内存，建议准备 64 GB RAM 和足够的虚拟内存。
当前限制
- 只验证了 NVIDIA CUDA + BF16
- 不支持运行时自动下载模型
- 量化、bbox/marker 和 think mode 暂未开放
- 复杂主体替换、多区域或多约束编辑可能出现内容漂移
- FP16、ROCm、MPS、DirectML、XPU、NPU 暂未验证
模型校验
Final：
大小：50,222,155,152 bytes
SHA256：2e5c4451969a8af9d7bcbf9d00a0fe463b15ed44149d8d79f31409e671587615
tensor：1116
revision：1f6ec60423d29939dde4202fd82ae340b144e280
SFT：
大小：35,065,860,320 bytes
SHA256：9c105bb4baaf244bbd99f814c36f190228c5878f8889295e3dba285441442f2f
tensor：1116（全部 BF16）
revision：661834c5b5aee0f89958353511d6ac0ccaacb646
节点会区分 Final/SFT，并检查 metadata、全部 tensor 名称、shape 和各版本的存储 dtype。如果下载不完整或版本不对，会直接报错，不会静默加载错误权重。
出现 checkpoint key mismatch 怎么办
先把节点更新到 1.3.3 或更高版本，然后彻底关闭并重启 ComfyUI。不要通过修改 loader、关闭动态加载或删除报错键来绕过校验，这可能让模型虽然能运行，但输出模糊、偏色或不遵循提示词。
如果更新后仍报错：
- 检查
ComfyUI/custom_nodes/下是否装了两份本节点，旧目录也会被 ComfyUI 导入。 - 对照上面的大小和 SHA256，确认底模是本项目发布的 Final 或 SFT 单文件。
- 保留完整报错；新版错误会同时显示实际
model=和loader=路径，可直接看出 ComfyUI 加载的是哪一份文件。
8-step LoRA 校验：
官方来源：sensenova/SenseNova-U1.5-8B-MoT-LoRAs
revision：e909f4636d119d65fe4cba8770c19daff2ac102e
官方文件 SHA256：3ef32180cdf1e30a870a83f4f136e897ea50b7ee467f863d75633464ebb25708
ComfyUI 文件 SHA256：dd5320f06986688dd41b0a4a2cb6ebd0036308f8a8a2d0c349ca22875a805aa1
module：294
tensor：882
转换只给键名添加 diffusion_model. 前缀，LoRA 张量数据逐字节不变。普通用户直接下载转换好的文件即可；从 GitHub 克隆源码的高级用户也可以运行 tools/convert_lora_to_comfy.py。
需要手动检查下载文件时：
Get-FileHash .\SenseNova-U1.5-8B-MoT-T8.safetensors -Algorithm SHA256
Get-FileHash .\SenseNova-U1.5-8B-MoT-SFT-T8.safetensors -Algorithm SHA256
Get-FileHash .\SenseNova-U1.5-8B-MoT-LoRA-8step-ComfyUI.safetensors -Algorithm SHA256
其他链接
来源与许可
SenseNova-U1.5 模型和参考实现来自 OpenSenseNova/SenseNova-U1，原项目使用 Apache License 2.0。
本仓库只提供 ComfyUI 本地推理适配，不包含模型权重。详细归因见 NOTICE。