| 输入参数 | |
| model_override | 外部指定模型对象。 |
| clip_override | 外部指定 CLIP文本编码模型。 |
| vae_override | 外部指定 VAE编解码模型。 |
| optional_lora_stack | 外部指定 LoRA 堆栈。 |
| optional_controlnet_stack | 指定控制堆栈。 |
| 输出参数 | |
| pipe | 组合后的加载器管线对象。 |
| model | 已加载并配置好的模型。 |
| vae | 当前使用的 VAE编解码模块。 |
| clip | 当前使用的 CLIP文编编码。 |
| positive | 编码后的正向 prompt 向量。 |
| negative | 编码后的负向 prompt 向量。 |
| latent | 空白 latent 图像。 |
| 控件参数 | |
| ckpt_name | 选择主模型的 checkpoint 名称。 |
| config_name | 选择配置文件。 |
| vae_name | 选择 VAE 模型。 |
| clip_skip | CLIP 跳过层数（负数表示关闭）。 |
| lora_name | LoRA 模型选择器。 |
| lora_model_strength | 控制模型路径权重。 |
| lora_clip_strength | 控制 CLIP 路径权重。 |
| resolution | 空 latent 潜空间分辨率字符串。 |
| empty_latent_width | 生成 latent 潜空间宽度。 |
| empty_latent_height | 生成 latent 潜空间高度。 |
| positive | 正向提示词。 |
| positive_token_normalization | token 编码归一化策略。 none：不进行归一化操作。 mean：通过求均值的方式对 token 编码进行归一化。 length：基于向量长度相关方式进行归一化 。 length+mean：结合向量长度和均值两种方式进行归一化 。 |
| positive_weight_interpretation | prompt 权重语义解释方式。 |
| negative | 负向提示词。 |
| negative_token_normalization | 同上，适用于负向。 |
| negative_weight_interpretation | 同上，适用于负向。 |
| batch_size | 批量 latent 数量。 |
| a1111_prompt_style | 是否启用 A1111 风格语法。 |
positive_token_normalization：对提示词（Prompt）中的 token 权重进行规范化，避免某些关键词因权重设定或 token 长度而主导整个图像，或者被忽略。（区别不是很大）。
| 选项名 | 作用机制 | 生成图像影响 | 适用情况 |
|---|---|---|---|
none | 不做归一化，保留原始提示词权重 | 高权重提示词可能严重主导图像，容易出现不稳定画面 | 适合非常熟悉提示词控制的用户 |
mean | 所有 token 权重除以平均值（让整体平衡） | 整体更平滑，多个关键词混合时较均衡 | 推荐用于多关键词场景 |
length | 所有 token 权重除以提示词长度（token 数） | 长提示词不会稀释重要关键词 | 适合长 prompt、tag 堆砌型提示词 |
length+mean | 同时除以平均值和长度（双归一） | 最平衡，防止关键词过强或过弱 | 推荐默认，特别适合复杂提示词或通用使用场景 |
可加入知识星球获取所有示例工作流
微信扫码入群，加入AIGC大家庭，与大家一起交流学习