中文AI绘图神器ComfyUI-Kolors-MZ：为什么它能让快手Kolors在ComfyUI原生采样？完整概览

中文AI绘图神器ComfyUI-Kolors-MZ：为什么它能让快手Kolors在ComfyUI原生采样？完整概览

【免费下载链接】ComfyUI-Kolors-MZKolors的ComfyUI原生采样器实现(Kolors ComfyUI Native Sampler Implementation)项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Kolors-MZ

ComfyUI-Kolors-MZ是一款专为快手 Kolors（可图）设计的 ComfyUI 原生采样器实现插件。它让中文 AI 绘图模型 Kolors 以"原生方式"接入 ComfyUI 工作流，无需复杂的中间封装，即可获得与 SD/SDXL 一致的采样体验，并完整支持 IPAdapter、ControlNet 等高级玩法。

一、Kolors 是什么？为什么需要原生采样器

Kolors 是快手推出的中文 AI 绘图大模型，最大的特点是深度理解中文提示词——写"水墨风少女，红裙，桃花飘落"这样的中文描述就能得到准确的画面，这对中文用户极其友好。

但 Kolors 的架构与标准 SD/SDXL 有差异（比如文本编码器是 ChatGLM3、UNet 结构特殊），普通 ComfyUI 无法直接加载采样。市面上的封装方案往往需要额外的 Wrapper 模型节点，流程生硬且种子不可复现。

ComfyUI-Kolors-MZ 的解决思路是"原生采样"（Native Sampling）：

• 通过 Hook 机制（见 hook_comfyui_kolors_v2.py）扩展 ComfyUI 的模型识别系统，把 Kolors 注册为 ComfyUI 认识的KolorsSDXL模型类型
• Kolors 特有的encoder_hid_proj层被直接注入 UNet 前向计算中，由 ComfyUI 核心采样器（KSampler）原生驱动
• 官方调度参数（linear 噪声调度、1100 步等）被写入采样配置，保证出图质量与官方一致

简单说：你看到的还是标准 KSampler + VAEDecode，但底层已经在跑 Kolors 了。

二、核心节点清单：一张表看懂

所有节点统一归类在MinusZone - Kolors下（见init.py），常用节点如下：

节点的实际实现逻辑位于 mz_kolors_core.py，兼容旧版流程的逻辑在 mz_kolors_legacy.py。

三、快速上手：4 步跑通 Kolors AI 绘图

1️⃣ 安装插件

将仓库克隆到 ComfyUI 的custom_nodes目录：

cd ComfyUI/custom_nodes git clone https://gitcode.com/gh_mirrors/co/ComfyUI-Kolors-MZ

2️⃣ 准备模型文件

• UNet 模型→ 放入models/unet/
• ChatGLM3 文本编码器（safetensors 版）→ 放入models/LLM/（插件已自动注册该目录，见init.py 中的add_model_folder_path）

3️⃣ 搭建工作流

按ChatGLM3Loader → ChatGLM3TextEncodeV2（正/负提示词）→ KolorsUNETLoaderV2 → KSampler → VAEDecode连线，参考项目自带的 examples/workflow_legacy.png 工作流图。

4️⃣ 中文提示词直接出图

提示词直接写中文即可，例如：一位穿着汉服的女子，庭院中，樱花飘落，电影质感。

⚠️ 小提醒：如果加载报错，先确认模型是unet目录格式还是checkpoints格式——前者用 UNet 加载器，后者用MZ_KolorsCheckpointLoaderSimple，不确定就两种都试试（详见 README.md FAQ）。

四、进阶玩法：IPAdapter、ControlNet 与局部重绘

插件内置了对 IPAdapter 的支持（ComfyUI_IPAdapter_plus/ 目录），可实现垫图风格迁移、FaceID 人脸保持；也提供了官方 ControlNet 加载与补丁节点，支持 Depth / Canny / Pose 控制。

🎨IPAdapter 垫图工作流：加载参考图 → 风格/内容注入采样器，出图风格与参考图高度一致：

🕹️ControlNet 结构控制：配合深度图、姿态图精准控制画面构图：

🖌️局部重绘（Inpainting）：加载 Kolors-Inpainting 模型即可对图片指定区域重绘：

五、相同种子测试：精度到底怎么样？

作者还专门做了同种子对比测试：左侧是 ComfyUI-Kolors-MZ 的 V1 / V2 流程，右侧是官方 Wrapper 流程，在相同随机种子下生成结果几乎一致，证明了原生采样实现的数学正确性与可复现性（参考 examples/workflow_same_seed_test.png 工作流）：

六、常见问题速查（FAQ）

七、项目结构速览

• hook_comfyui_kolors_v2.py：V2 核心 Hook，KolorsSDXL 模型类与采样配置
• hook_comfyui_kolors_v1.py：V1 兼容 Hook
• mz_kolors_core.py：全部节点的核心实现
• mz_kolors_legacy.py：旧版节点兼容逻辑
• chatglm3/：ChatGLM3 中文文本编码器源码
• configs/：文本编码器与分词器配置
• examples/：全部官方工作流示意图

总结

ComfyUI-Kolors-MZ 用"原生采样"的思路，让中文 AI 绘图最强的模型之一Kolors无缝融入 ComfyUI 生态：标准采样器、可复现的种子、完整的 IPAdapter 与 ControlNet 生态，全部即插即用。如果你想在 ComfyUI 里高效进行中文提示词出图，这是一个值得收藏的完整方案。

【免费下载链接】ComfyUI-Kolors-MZKolors的ComfyUI原生采样器实现(Kolors ComfyUI Native Sampler Implementation)项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Kolors-MZ