PreSampling (Custom)

节点功能：自定义采样器，对于一些非常规的模型使用的采样器，拥有更高的自由度设置。

PreSampling (Custom)-节点参数说明

输入参数
pipe	当前采样流程数据，包含模型、提示词、vae 等信息。
image_to_latent	输入图像用于编码为 latent。
latent	可选的 latent 输入。
optional_sampler	外部自定义 sampler（调试专用）。
optional_sigmas	外部自定义 sigmas（调度曲线）。
输出参数
pipe	包含采样器、调度器、图像与 latent 的流程结构。
控件参数
guider	选择使用的引导器类型：CFG、DualCFG、Basic、IP2P+CFG 等。
cfg	提示词引导系数。
cfg_negative	正向引导强度。
sampler_name	反向引导强度。
scheduler	调度器名称。
coeff	调度器系数，适用于部分高级 scheduler（如 sdturbo）。
steps	总采样步数。
sigma_max	高阶 scheduler 最大 σ 值。
sigma_min	高阶 scheduler 最小 σ 值。
rho	高阶调度器的幂次参数。
beta_d	高阶 scheduler 的 beta decay 参数。
beta_min	beta 最小值。
eps_s	噪声下限 epsilon。
flip_sigmas	是否翻转 sigma 分布。
denoise	最终去噪程度，0.0~1.0。
add_noise	控制是否添加初始噪声。
seed	随机种子。

guider参数说明

选项名	说明
CFG	标准的单向 Classifier-Free Guidance，使用 `cfg` 强化正向 prompt 的影响力，同时使用 negative prompt 抑制不希望的特征。适用于大多数文生图任务。
DualCFG	双向 CFG 引导，同时使用 `cfg` 和 `cfg_negative` 两个值进行正负 prompt 的平衡控制。更适合需要精准控制图像倾向性或风格的任务。
Basic	基础采样方式，不使用 CFG 或仅使用最基本的 CFG。适用于快速预览或控制变量实验。效果偏弱，但计算效率较高。
IP2P+CFG	图生图场景下的 IP2P（Image Prompt to Prompt）+ 标准 CFG，引导模型参考图像结构的同时使用 prompt 进行风格控制。用于结构固定、风格迁移。
IP2P+DualCFG	图生图中的双向 CFG 引导版本，适合在参考图结构基础上进一步强化风格与内容控制，推荐用于图像修复或局部修改任务。
IP2P+Basic	图生图 + 基础采样策略，主要保持原图结构，只做轻度风格转换。适合轻风格化、动漫化等轻度编辑场景。

Basic 和 IP2P+Basic 模式适合用于快速生成初步草图，帮助确认图像的主体结构与构图布局。通过这种方式，可以快速锁定想要的基本形态，并据此确定诸如种子值等关键参数。随后，再切换到更精细的模式（如 CFG 或 DualCFG）进行高质量输出，实现风格优化与细节打磨。

CFG和Dual CFG的默认值差别不大，区别在于Dual CFG有个cfg_negative参数调整，cfg_negative值越大，对负向提示词的抑制作用越大，比如常用于去除“三条腿”“塌脸”“异常手指”等常见问题。

使用IP2P系列还需要加上Easy Apply IPAdapter节点，否则输入的参考图片不生效。

flip_sigmas 适用于图生图流程。具体操作如下：

在第一个 PreSampling（Custom）节点中启用 flip_sigmas，这一步将输入图像编码为 latent 后，反向应用 sigmas，从而生成带有原始图像结构特征的噪声图。
随后，在第二个 PreSampling（Custom）节点中关闭 flip_sigmas，再通过正向采样过程，将该噪声图逐步还原为具有原图结构但可能具备新风格或内容的图像。

ComfyUI原生节点