@article{peng2026x,
  title={x-Prediction Is All You Need: Training-Free Accelerated Generation via Endpoint Decodability},
  author={Peng, Xin and Gao, Ang},
  journal={arXiv preprint arXiv:2607.06114},
  year={2026}
}

功能简介

TJS 的核心思想是：不一定要把扩散/流匹配采样轨迹完整跑完。模型在中间步已经能给出一个 x0 / denoised 端点预测，因此可以先运行一部分采样步骤，再直接输出端点估计，从而减少 NFE。

简化流程如下：

k* = ceil(gamma * K)
run sampler from sigma[0] to sigma[k*]
return x0_hat(xt, sigma[k*]) with one endpoint model call

其中：

K 是原始完整采样步数。
gamma 是早退比例，例如 0.6 表示只跑大约 60% 的轨迹。
k* 是实际早退步。
x0_hat 是模型在中间 latent 上预测的干净端点。

在 ComfyUI 中，endpoint estimate 对应模型包装器给出的原生 denoised latent，因此理论上可以兼容 diffusion、flow matching、Flux/SD3 类模型包装。

当 gamma = 1.0 时，节点会运行完整采样 schedule，并跳过额外 endpoint call，等价于普通 KSampler 的边界情况。

已测试模型

| 模型 | 状态 | |---|---| | SDXL | ✅ 已测试 | | SD3.5M | ✅ 已测试 | | Z-Image-Turbo | ✅ 已测试 | | Anima | ✅ 已测试 | | Krea2 | ✅ 已测试 | | Krea2-Turbo | ✅ 已测试 | | LTX-2B | ✅ 已测试 | | FLUX.2-Klein-Base-9B (FP8) | ✅ 已测试 | | Qwen-Image-Edit-2511 (Q4_K_S) | ✅ 已测试 |

即将测试

扩散类的视频生成模型

与其它加速手段组合使用

TJS 可与其它类型的加速手段组合使用，例如 TeaCache (BSS)，进一步加速采样。两者互补：TeaCache 通过缓存复用减少注意力计算，TJS 通过截断轨迹减少采样步数。

以 Anima 模型为例的实测数据：

| 配置 | 耗时 | |---|---| | 原始版本 | 8.6s | | TeaCache (BSS) + FL 采样器 | 4.5s | | TeaCache (BSS) + TJS 采样器 | 3.5s |

TJS 采样器结果更接近原始版本，且总耗时仅为原始版本的 40.7%。示例工作流见 TJS-TeaCache (BSS).json。

更新日志

2026-07-13 修复 TJS 速度低于理论值的问题

问题：当 gamma = 1.0（退出时间设为 1）时，TJS 采样器比原版 KSampler 慢，导致 TJS 加速比例低于理论值。

根因：旧实现使用两次独立的采样调用来完成 TJS —— 第一次截断采样到 sigma[k*]，第二次单独的 endpoint decode 调用 sample_custom(sigmas=[sigma*, 0])。每次调用都经过完整的 ComfyUI 采样管线（创建 CFGGuider、加载模型、准备条件、清理），导致理论上的 NFE = k* + 1 中那个 "+1" 远不止一次前向传播的开销。

修复：改为单次采样调用。在截断 sigmas 末尾追加 0：[sigma_0, ..., sigma_{k*}, 0]，让采样器在同一次调用中多做一步（sigma* → 0）。通过 k-diffusion 回调在最后一步同时捕获 denoised（x0 预测）和 x（sigma* 处的状态），消除了第二次采样的全部开销。

修复后 gamma = 1.0 时与原版 KSampler 速度完全一致，其他 gamma 值的加速比也更接近理论值。

效果示意

Endpoint decodability 示意：上排是直接解码中间 noisy latent，早期噪声较重；下排是使用 endpoint / denoised 预测得到的干净端点估计。

Z-Image-Turbo 在不同 NFE 下的生成质量变化：

SDXL 30 步采样设置下的 NFE 渐进对比：

FID 与 NFE 的趋势示意：

安装

把本文件夹复制到 ComfyUI 的自定义节点目录：

ComfyUI/custom_nodes/ComfyUI_TJS/

然后重启 ComfyUI。

节点说明

TJS Sampler (Truncated Jump Sampling)

这是主要的一站式节点，可以作为普通文生图采样器的替代节点使用。

输入：

| Input | 中文说明 | |---|---| | model | ComfyUI 加载的模型 | | total_steps | 原始完整采样步数 K，例如 30 | | early_exit_gamma | 早退比例，例如 0.6 | | cfg | CFG scale | | sampler_name | 截断采样阶段使用的 ComfyUI sampler | | scheduler | ComfyUI sigma scheduler | | positive / negative | 正向/反向条件 | | latent_image | 空 latent 或输入 latent | | seed | 随机种子 | | model_type | 信息标记：auto、diffusion 或 flow | | denoise | 可选 denoise 强度 |

输出：

| Output | 中文说明 | |---|---| | latent_x0 | endpoint decoded latent，接到 VAE Decode | | latent_xt | 早退时刻的中间 noisy latent | | k_star | 实际早退步 | | nfe_used | 早退时为 k_star + 1；gamma = 1.0 时为 K | | nfe_saving_pct | 相对完整步数节省的 NFE 百分比 | | sigma_at_exit | endpoint decode 使用的 sigma |

TJS Advanced Sampler (KSampler Advanced + Endpoint)

这是 KSampler Advanced 的 TJS 增强版。它在 KSampler Advanced 的基础上内置了 TJS endpoint decode，无需两节点串联即可实现截断跳步采样。

与 TJSSampler 相比，它额外支持：

add_noise = enable / disable：控制是否添加初始噪声（用于 img2img）。
start_at_step：从指定步开始采样（用于多阶段工作流）。
noise_seed：与 KSampler Advanced 一致的种子参数。

输入：

| Input | 中文说明 | |---|---| | model | ComfyUI 加载的模型 | | add_noise | enable 添加噪声（文生图），disable 不添加（img2img） | | noise_seed | 随机种子 | | steps | 完整采样步数 K | | early_exit_gamma | 早退比例 gamma | | cfg | CFG scale | | sampler_name | ComfyUI sampler | | scheduler | ComfyUI scheduler | | positive / negative | 正向/反向条件 | | latent_image | 空 latent 或输入 latent | | start_at_step | 起始步（默认 0） | | model_type | 信息标记 |

输出与 TJSSampler 相同：latent_x0、latent_xt、k_star、nfe_used、nfe_saving_pct、sigma_at_exit。

TJS Custom (SamplerCustom + Endpoint)

这是 ComfyUI 自定义采样器的 TJS 版本，镜像原生 SamplerCustom 接口，额外增加 early_exit_gamma 参数。

与 TJSCustomAdvanced 的区别：TJSCustom 直接接收 model、cfg、positive、negative 等参数（内部自动创建 CFGGuider），而 TJSCustomAdvanced 需要用户手动连接 guider、noise 对象。TJSCustom 更简单易用，TJSCustomAdvanced 更灵活。

输入与 SamplerCustom 一致（model、add_noise、noise_seed、cfg、positive、negative、sampler、sigmas、latent_image），加上 early_exit_gamma。

输出：latent_x0、latent_xt、k_star、nfe_used、nfe_saving_pct、sigma_at_exit。

TJS Custom Advanced (SamplerCustomAdvanced + Endpoint)

这是 ComfyUI 自定义采样器（高级）的 TJS 版本，镜像原生 SamplerCustomAdvanced 接口，额外增加 early_exit_gamma 参数。支持所有 ComfyUI guider 类型（CFGGuider、BasicGuider、DualCFGGuider）。

输入与 SamplerCustomAdvanced 一致（noise、guider、sampler、sigmas、latent_image），加上 early_exit_gamma。

输出：latent_x0、latent_xt、k_star、nfe_used、nfe_saving_pct、sigma_at_exit。

使用示例

直接使用 TJS Sampler

例如设置：

total_steps = 30
early_exit_gamma = 0.6

节点会运行到：

k* = ceil(0.6 * 30) = 18

然后执行一次 endpoint call。总成本约为：

NFE = 18 + 1 = 19

相对 30 步完整采样，约节省 36.7% NFE。

使用 TJS Advanced Sampler

TJSAdvancedSampler 是一体化节点，无需串联 KSampler Advanced：

steps = 30
early_exit_gamma = 0.6
add_noise = enable
start_at_step = 0

节点会自动计算 k* = 18，运行截断采样，然后执行 endpoint decode。

对于 img2img 工作流：

add_noise = disable
start_at_step = 0

此时不添加噪声，直接从输入 latent 开始采样。