马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有帐号？免费注册
x
[color=rgba(64, 184, 250, 0.5)]❝它不仅是一个工具，更是打开新世界大门的钥匙~ 提示词反推，让AI看图说话：将一张图片中包含的视觉元素、风格、构图乃至氛围，转化为一系列可供AI绘图模型理解的文本标签： - 学习与复刻：快速分析优秀作品的构成，是模仿其风格、学习高阶提示词技巧的捷径
- 高效打标：训练LoRA、角色模型或进行大规模图像管理时，自动反推是替代手工打标的必备神器，能保证标注风格统一，极大提升效率
- 工作流优化：在图像重绘、局部修改等ComfyUI工作流中，准确的反推结果是保持画面一致性的基础。
NSFW（Not Safe For Work）指内容不适合在工作场合浏览（థ౪థ）。NSFW版本的多模态模型有着更精准、更深入、覆盖场景更广的图像理解能力，是追求高质量提示词反推的选择。 1. 常用反推工具简介WD14 Tagger - 优点：有NSFW版，轻量化不占显存（<1G），批量打标快，能生成正反提示词，直接复制就能用。
- 缺点：只支持英文，只输出离散标签，缺乏连贯描述，对氛围、光影等抽象元素捕捉弱。
- 适用：LoRA训练打标，快速提取图片核心元素的场景。
JoyCaption - 优点：有NSFW版，反推细节极致，能精准识别视角、姿势等特征，自然语言描述连贯，适配Flux等模型，还原度高。
- 缺点：只支持英文，显存需求高（7-8G），推理速度慢，且内容过滤少需注意合规。
- 适用：追求细节还原，做电影海报、复杂插画的二次创作。
Florence2 - 优点：显存占用低，推理速度快，输出精简不冗余，基础元素和风格都能覆盖，工具丰富（反推提示词、物体分割、遮罩选择等），性价比拉满。
- 缺点：只支持英文，氛围刻画弱，复杂场景易漏细节，描述偏简洁。
- 适用：低配置设备、批量标注，不需要长篇描述的快速创作。
Prompt Assistant（插件） - 优点：提示词小助手，配置与调用API，内置常用模板、翻译工具等，不用复杂配置，智谱API完全白嫖，魔搭社区API每天白嫖2000次。
- 缺点：无法破限（NSFW），依赖平台 API，反推效果依赖接入的模型。
- 适用：日常工具、无需NSFW的场景。
Qwen3-VL - 优点：多模态能力强，支持图像、视频反推，空间推理和 OCR 识别突出，还能输出多语言提示词。
- 缺点：显存需求中高（4B 4-6G，FP16可能超过8G），小参数版本细节不足，含视频识别的原版暂不支持NSFW。
- 适用：跨模态创作、视频帧分析，或是需要结合文字识别的复杂场景。
2. 模型部署本文中的Qwen3-VL模型NSFW版本使用的是Qwen3-VL-8B-Instruct-abliterated-v2.0-GGUF模型，反推速度和结果都是一流的，但目前只支持图片的NSFW反推。 2.1 模型下载Qwen3-VL-8B-Instruct模型的NSFW与GGUF量化版本：https://huggingface.co/mradermacher/Qwen3-VL-8B-Instruct-abliterated-v2.0-GGUF 选择合适的版本，点击link下的GGUF即可下载，推荐Q4或者Q8。一定要下载权重文件mmproj使VLM模型来处理图像输入，它是多模态大模型里视觉或音频等非文本模态与文本模态之间的桥梁权重文件。mmproj 全称 Multi-Modal Projection（多模态投影），是专门为多模态大模型设计的权重文件，核心作用是：将图片、视频帧等视觉特征（高维张量）映射到模型能理解的文本嵌入空间，让原本只懂文字的大模型具备“看图说话”能力。mmproj必须和对应版本的多模态模型配套使用，否则会报错或完全失效。模型与权重文件下载完成后，放入ComfyUI/models/LLM文件夹中。 2.2 插件下载支持Qwen3-VL模型的相关节点插件ComfyUI-llama-cpp：https://github.com/lihaoyun6/ComfyUI-llama-cpp_vlm 下载ZIP压缩包解压到ComfyUI的custom_nodes文件夹，也可以进入custom_nodes文件夹git clone下载（可能下不下来，建议直接下压缩包）。删除解压后文件夹末尾的-main，进入文件夹打开requirements.txt： - diskcache
- scipy
- numpy
- pillow
- gguf
- # for Windows
- llama-cpp-python [url=home.php?mod=space&uid=11276]@[/url] https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.18-cu126-AVX2-win-20251220/llama_cpp_python-0.3.18-cp310-cp310-win_amd64.whl; python_version == "3.10" and platform_system == "Windows"
- llama-cpp-python @ https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.18-cu126-AVX2-win-20251220/llama_cpp_python-0.3.18-cp311-cp311-win_amd64.whl; python_version == "3.11" and platform_system == "Windows"
- llama-cpp-python @ https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.18-cu126-AVX2-win-20251220/llama_cpp_python-0.3.18-cp312-cp312-win_amd64.whl; python_version == "3.12" and platform_system == "Windows"
- llama-cpp-python @ https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.18-cu126-AVX2-win-20251220/llama_cpp_python-0.3.18-cp313-cp313-win_amd64.whl; python_version == "3.13" and platform_system == "Windows"
- # for Linux
- llama-cpp-python @ https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.18-cu126-AVX2-win-20251220/llama_cpp_python-0.3.18-cp310-cp310-linux_amd64.whl; python_version == "3.10" and platform_system == "Linux"
- llama-cpp-python @ https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.18-cu126-AVX2-win-20251220/llama_cpp_python-0.3.18-cp311-cp311-linux_amd64.whl; python_version == "3.11" and platform_system == "Linux"
- llama-cpp-python @ https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.18-cu126-AVX2-win-20251220/llama_cpp_python-0.3.18-cp312-cp312-linux_amd64.whl; python_version == "3.12" and platform_system == "Linux"
- llama-cpp-python @ https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.18-cu126-AVX2-win-20251220/llama_cpp_python-0.3.18-cp313-cp313-linux_amd64.whl; python_version == "3.13" and platform_system == "Linux"
找到符合你的CUDA（对应cu）与Python（对应cp）版本的llama-cpp-python，删除其他的。若没有和版本对应的包，可以通过多种方式安装，到社区编译仓库：https://github.com/JamePeng/llama-cpp-python/releases （1）本地安装 点开Assets找到合适的版本并点击名称下载wheel，再把requirements.txt中不符合的删除，然后用pip分别安装文件中剩余的依赖包与本地的wheel：
- pip install -r requirements.txt
- pip install <你的wheel本地地址> # 如C:\Users\Administrator\Downloads\llama_cpp_python-0.3.20-cp312-cp312-win_amd64.whl
（2）链接安装 点开Assets找到合适的版本并右键你需要的wheel，点击“复制链接”，把链接写成以下格式放入requirements.txt中，再用pip安装： - diskcache
- scipy
- numpy
- pillow
- gguf
- # llama-cpp-python @ <wheel链接>; python_version == "3.12" and platform_system == "Windows"
- llama-cpp-python @ https://github.com/JamePeng/llama-cpp-python/releases/download/v0.3.20-cu128-Basic-win-20260104/llama_cpp_python-0.3.20-cp312-cp312-win_amd64.whl; python_version == "3.12" and platform_system == "Windows"
- pip install -r requirements.txt
3. 节点参数3.1 Llama-cpp Model Loader
本地大模型的加载配置节点： llama_model选择要加载的主模型文件（Qwen3-VL-8B-Instruct-abliterated...）需是 GGUF 格式的本地文件； mmproj指定多模态投影文件（即之前说的mmproj），用于将图片特征转成文本嵌入； chat_handler对话状态处理器，用于管理多轮对话的上下文；下拉框选择不同多模态模型的对话处理规则； n_ctx模型的上下文窗口大小（单位：token），决定模型能 “记住” 的最大文本长度；8192 表示模型最多能处理约 6000-8000 字的输入 + 输出内容； vram_limitGPU 显存限制（单位：MB）；-1表示不限制，由 llama.cpp 自动分配显存；若显卡显存不足，可设具体数值（如4096表示限制用 4GB 显存）； image.min_tokens/image.max_tokens多模态场景下，图片特征对应的token 数量范围；设为 0 表示使用默认值（通常由 mmproj 文件自动控制），调整该值可控制图片特征的 “信息量占比”。 3.2 Llama-cpp Parameters控制大模型推理行为的核心参数配置面板： 3.2.1 基础生成控制 max_tokens（最大生成长度）限制模型最多生成多少个 token（1 个 token≈1 个汉字 / 0.7 个英文单词）；值越大，回答越长，但耗时 / 内存占用越高。 3.2.2 采样策略参数（决定输出多样性） “随机采样” 的核心配置，平衡 “多样性” 和 “准确性”： top_k（前 K 候选采样）只从概率最高的前 30 个 token 中选下一个；值越小，输出越保守（重复概率高）；值越大，多样性越强（但可能跑题）; top_p（核采样）累积概率到 90% 的 token 集合中选下一个（替代 top_k 的硬截断）；值越小，输出越聚焦；值越大，越灵活; min_p（最小概率阈值）只选概率≥5% 的 token；过滤掉极低概率的 “离谱候选”，避免输出无意义内容; typical_p（典型性采样）控制输出的 “典型性”（接近训练数据分布的程度）；值＜1 时，会抑制 “太常见” 的 token，增加多样性；=1 时等效于不开启; 3.2.3 输出质量优化参数 temperature（温度系数）调整采样随机性（类比 “水温越高，分子越活跃”）；值越高（如 1.5），输出越发散；值越低（如 0.2），输出越固定、严谨; repeat_penalty（重复惩罚）抑制重复内容（比如连续说 “好的好的好的”）；值＞1 时，重复 token 的概率会被降低（建议设 1.1~1.3）；=1 时无惩罚; frequency_penalty（频率惩罚）按 token 出现的 “总频率” 惩罚；值越高，越抑制多次出现的词（适合避免高频词堆砌）; presence_penalty（存在惩罚）只要 token 出现过，就降低其概率；值越高，越鼓励输出新内容（适合长文本创作）. 3.2.4 Mirostat 采样（动态平衡策略） 一种 “自适应采样算法”，替代传统的 top_k/top_p，自动控制输出的困惑度（复杂度）： mirostat_mode（模式）当前值：0（关闭）；1=Mirostat v1；2=Mirostat v2。开启后，模型会动态调整采样策略，让输出的 “困惑度” 稳定在目标值； mirostat_eta（学习率）Mirostat 调整策略的 “灵敏度”；值越小，调整越平缓; mirostat_tau（目标困惑度）Mirostat 要维持的困惑度目标；值越低，输出越简单、聚焦；值越高，越复杂、多样。 3.2.5 其他 state_uid（状态 ID）关联 “对话状态” 的唯一标识；-1 表示不绑定历史状态，适合单次推理；填正数可续接之前的对话上下文。 针对不同场景的 llama-cpp 参数推荐配置表，兼顾实用性和效果平衡： 场景类型 max_tokens top_k top_p min_p typical_p temperature repeat_penalty frequency_penalty presence_penalty mirostat_mode mirostat_eta mirostat_tau
问答严谨型（如知识问答、技术解释）512200.700.051.000.301.200.101.100（关闭）——
创意写作型（如故事、文案）2048500.950.020.901.201.100.001.200（关闭）——
对话闲聊型（如日常聊天、情感陪伴）1024300.850.031.000.801.150.051.050（关闭）——
代码生成型（如写脚本、补全代码）1536250.750.041.000.401.250.151.000（关闭）——
Mirostat自适应型（通用平衡）1024—（失效）—（失效）—（失效）—（失效）—（失效）1.100.001.002（v2）0.104.00场景类型 核心调优逻辑
问答严谨型低温（0.3）+ 窄采样（top_p=0.7/top_k=20）+ 强重复惩罚（1.2），优先保证答案精准无冗余
创意写作型高温（1.2）+ 宽采样（top_p=0.95/top_k=50）+ 高存在惩罚（1.2），鼓励发散和新内容生成
对话闲聊型中温（0.8）+ 中等采样（top_p=0.85/top_k=30）+ 轻惩罚（1.05-1.15），平衡自然度和连贯性
代码生成型低温（0.4）+ 窄采样（top_p=0.75/top_k=25）+ 高重复惩罚（1.25），保证语法正确、逻辑严谨
Mirostat自适应型开启v2模式（mirostat_mode=2），tau=4.0/eta=0.1，自动平衡多样性和准确性，无需手动调采样参数3.3 Llama-cpp Instruct多模态指令推理节点，用于向加载好的大模型发送指令（支持图片输入）并获取输出： preset_prompt预设提示词模板，当前选Normal - Describe（“常规 - 描述” 模板），会自动生成 “描述图片内容” 的固定指令格式，无需手动写完整 prompt； user_prompt用户自定义指令，可补充具体需求（比如“用中文输出”）； system_prompt系统提示词，定义模型的角色 / 规则（比如 “你是专业的图片描述助手”）。 inference_mode推理模式，当前one by one表示逐 token 流式生成（实时输出每个字，适合看生成过程）； max_frames若输入是视频，限制处理的最大帧数（当前 24，即最多处理 24 帧画面）； max_size输入图片的最大分辨率（当前 256，超过会自动缩放到 256×256，平衡速度和效果）； seed随机种子，当前 0 表示每次生成结果随机；填固定值（比如 123）可复现相同输出； 生成后控制生成完成后的随机种子状态处理，当前randomize表示随机化状态（避免后续生成重复）； force_offload强制显存卸载，false表示由 llama.cpp 自动管理显存； save_states保存对话状态，false表示不保留历史对话（单次推理）。 3.4 Llama-cpp Unload Model用于释放大模型资源的工具节点，核心作用是主动卸载已加载的模型，释放其占用的 CPU 内存、GPU 显存等资源，避免资源泄漏或占用过高。 3.5 Llama-cpp Clean States清理对话状态的节点，state_uid要清理的状态 ID，当前值-1表示清理所有对话状态；若填具体数值（比如1），则仅清理对应 ID 的对话上下文。
3.6 NSFW简单推理
| 
发表于 2026-1-26 16:03:46
楼主
