设计师必学Flux基础工作流教程（上）
来源：互联网 2026-06-30 06:18:26Flux模型是2024年推出的开源文生图新标杆，具备高分辨率、精准提示词理解和强大细节表现。其工作流需分拆加载模型、无需负面提示词，并依靠“Flux引导”节点控制生成。教程详细演示了文生图、图生图、局部重绘和高清放大四大基础流程的搭建与调整，为快速上手提供清晰指引。
许多用户在初次接触Flux模型与ComfyUI工作流时，常会感到困惑：它与熟悉的SDXL、SD1.5有何区别？基础工作流如何构建？ControlNet又该如何接入？
本文将对Flux模型的核心概念进行系统梳理，并逐步演示四个基础工作流的搭建方法：文生图、图生图、局部重绘与高清放大。掌握这些基础后，您便能快速上手，为后续深入学习奠定基础。
长期稳定更新的攒劲资源： >>>点此立即查看<<<
一、Flux模型是什么？
Flux模型由黑森林团队于2024年8月发布，是当前开源文生图模型的新标杆。其特点显著：原生支持高分辨率、提示词理解精准、细节识别能力强大。在图像的光影、材质等细节表现上，Flux相比SDXL等前代模型，能带来肉眼可见的提升。
FLUX出图效果
因此，尽管在ComfyUI中的工作流搭建逻辑有所调整，但为了获得更优的出图效果，转向Flux模型是值得的。那么，Flux模型应从哪里获取？
目前，Flux主要包含三个版本：FLUX.1(pro)、FLUX.1(dev)和FLUX.1(schnell)。它们的主要区别在于推理速度、内存占用和图像质量之间的权衡，具体对比如下图所示：
FLUX三个版本模型的差异
值得一提的是，Flux模型对文本的理解能力尤为出色。例如，输入一段包含具体字母描述的复杂提示词，它也能准确生成对应文字，避免了旧模型常出现的“文字乱码”问题。
Flux对文字的理解
模型可通过HuggingFace官网的Black Forest Labs主页下载。若本地硬件配置有限，也可考虑使用在线ComfyUI平台，以省去本地部署的麻烦。
FLUX模型下载
此外，请务必下载Flux专属的VAE模型，这是保证出图色彩与细节正常的关键步骤。
VAE模型下载
二、Flux为何强大？与SDXL、SD1.5的底层差异
知其然，更需知其所以然。Flux的强大源于其模型架构与训练数据的升级。
简而言之，模型的“学习能力”与其参数规模、训练数据质量直接相关。据了解，SD1.5模型参数量约为4.2亿，而Flux的参数量达到了120亿。更多参数意味着模型能学习更复杂的模式与特征。同时，SD1.5的训练图像尺寸为512*512，而SDXL和Flus均提升至1024*1024，这直接带来了更高清的出图基础。
更重要的是架构革新。Flux基于更先进的多模态架构设计，使其对自然语言提示词的理解能力远超前辈。三者核心差异可参考下图：
三个模型的区别
三、Flux基础文生图工作流搭建
理解模型差异后，接下来进入实战。Flux的文生图工作流与SDXL的主要区别集中在模型加载与提示词处理上。
第一个差异点：模型加载方式。 Flux模型不再使用传统的「Checkpoint加载器」单节点。您需要将其拆分为三个独立节点：「UNet加载器」、「双CLIP加载器」和「加载VAE」，分别对应原检查点中的MODEL、CLIP和VAE输出。
第二个差异点：无需负面提示词。 Flux在设计上不强制使用负面提示词。因此，原来连接CLIP的正负向提示词输入，现在只需保留正向。对于负向输入，需要使用「条件零化」节点将其置空，再连接到K采样器。
第三个关键点：「Flux引导」节点。 这是Flux工作流的新成员，位于「CLIP文本编码器」和「K采样器」之间。其作用类似于传统K采样器中的“cfg”参数，但控制更为精细。引导系数越大，图像越严格遵循提示词，但可能限制创意；系数越小，则创意空间越大，但可能偏离描述。通常建议使用默认值3.5。
通过一个测试可以直观感受其影响：使用同一段提示词，分别设置引导系数为2.5、3.5、10、20，结果如下图所示。系数过低画面偏灰暗，过高则细节僵硬。
Flux不同引导系数的差异
最后一个调整： 由于「Flux引导」节点接管了提示词遵循度的控制，因此「K采样器」内部的“cfg”参数需要设置为1，相当于将其禁用。
至此，一个完整的Flux文生图工作流便搭建完成，整体连接如下图所示：
FLUX文生图工作流
四、Flux基础图生图工作流搭建
有了文生图的基础，图生图工作流就简单多了，其逻辑与SD系列基本一致。
核心操作是：将上传的图片通过「VAE编码」节点转换为潜在空间表示，然后将其输入到「K采样器」的“latent_image”端口。同时，通过调整“降噪”强度（通常设为0.8左右），来控制结果对原图的参考程度。数值越高，越偏向遵循新提示词；数值越低，则越保留原图特征。
flux图生图工作流
如果想基于原图风格生成新内容，可以加入提示词反推节点，如「Joy Caption Two」。将原图输入该节点，它会自动输出描述性提示词，再提供给「CLIP文本编码器」，这样就能生成风格一致的新图像了。
提示词反推节点
出图结果
五、Flux基础局部重绘工作流搭建
局部重绘，即只修改图像的特定部分。这里推荐使用「Detailer (SEGS)」节点来替代标准的「K采样器」，它能对指定区域进行精细化处理。
首先，您需要用画笔工具在需要修改的区域创建遮罩。然后，通过「MASK to SEGS」节点将遮罩转换为「Detailer (SEGS)」能识别的“Seg”输入。在「Detailer (SEGS)」节点中，同样需要将“cfg”设为1，并根据修改幅度调整“denoise”降噪强度。
局部重绘节点
例如，想把图中人物的头发改成红色，就在「CLIP文本编码」输入“red hair”。下图展示了“denoise”设置为0.95的效果，重绘部分较好地融合了原图。如果设置为1，则重绘区域会完全根据新提示词生成，可能与周围环境脱节。
局部重新绘制 denoise=0.95
denoise=1
六、Flux高清放大修复工作流搭建
最后是高清放大，用于提升图像分辨率与细节。这里使用经典的「Ultimate SD Upscale」节点。
在文生图流程中： 将该节点连接到「K采样器」之后即可。节点参数虽多，但重点关注的只有四个： - upscale_by：放大倍数。 - cfg：设为1（原因同前）。 - scheduler：采样器类型，与K采样器保持一致（如simple）。 - denoise：重绘幅度，默认0.2即可，太高可能引入不必要的变化。
下图展示了放大前后的细节对比，可以看到发丝、盔甲纹理等清晰度显著提升。
放大前后效果对比
完整的文生图高清修复工作流如下：
文生图高清修复放大工作流
在图生图流程中： 搭建方式类似，但可以绕过「K采样器」，直接将编码后的图像连接到「Ultimate SD Upscale」节点。同时，在提示词中加入质量相关的词汇，如“high quality, detailed, 8k”，能引导模型在放大时优化细节。
图生图高清修复放大工作流
总结
以上就是Flux模型的核心解析与四个基础工作流的搭建指南。不难发现，Flux工作流的大部分节点与SDXL、SD1.5一脉相承，主要变化集中在模型加载和提示词处理模块。一旦理解了其背后的设计逻辑，您会发现它的流程甚至更加精简和直观。
掌握了这些基础，您便能顺利开启Flux的创作之旅。在后续内容中，我们将探讨更进阶的应用，例如换背景、风格迁移、手部修复等工作流，敬请期待。
侠游戏发布此文仅为了传递信息，不代表侠游戏网站认同其观点或证实其描述
相关攻略
更多同类更新
更多
热游推荐
更多-
- DreamStudio
- Android/ | AI绘图
- 2026-06-30
-
-
- Playground AI
- Android/ | AI绘图
- 2026-06-30
-
- Adobe Firefly
- Android/ | AI绘图
- 2026-06-30
-
-
-
- Leonardo AI
- Android/ | AI绘图
- 2026-06-30
-
- Stable Diffusion
- Android/ | AI绘图
- 2026-06-30
