TTP_cond to batch
节点功能：该节点主要是接收多个条件输入，并将它们组合成一个单一的条件批次。
输入参数
| 参数名称 | 说明 |
|---|---|
| conditionings | 多个 conditioning 输入组成列表。该节点支持批量输入，需使用 List 输入结构传入多个 conditioning。 |
输出参数
| 参数名称 | 说明 |
|---|---|
| CONDITIONING | 合并后的 conditioning 批次，用于后续处理。 |
它适用于 Flux、Hunyuan 和 SD3 等多种模型，在本插件中通常用于高清放大（Hi-Res Upscale）工作流中。在使用 SDXL 模型时，由于其对 512×512 分辨率有较好的适配性，直接对大尺寸图像进行放大采样可能会导致生成效果下降。
这里以一个高清放大工作流为例
第一步就是flux的文生图作为初始输入，当然，你也可以直接加载一张图片作为输入。
第二步则将上一步生成的图像放大4倍，并分块处理以提高局部细节
1. TTP_cond to batch
- 作用：将多个从图像块中反推出来的文本提示（condition）组合为一个 批次化的条件张量。
- 目的：让后续节点可以统一处理多个图像块的提示信息，比如每个 tile 一段不同的 text embedding。
2. TTP_CoordinateSplitter
- 作用：提取图像分块的坐标位置（比如 tile 的 row/col 起始点）。
- 目的：为后续条件匹配或融合提供空间位置信息（例如控制哪些块使用哪个提示）。
3. TTP_condsetarea_merge
- 作用：把 condition_batch + coordinates 合并为一个区域感知的 condition。
- 关键点： 把“每块的条件”和“每块的位置”绑定起来。 使得模型能知道：哪个 tile 使用哪个提示词嵌入（CLIP Embedding）。
4. Conditioning (Concat)
- 作用：把合并区域感知后的条件，进一步拼接到已有条件（比如全局 prompt）上。
- 目的是：增强模型的上下文理解能力，结合全局 + 局部提示。
而这一套condition组合则是对放大图像的每一块 tile，根据其视觉内容反推局部 prompt，并在放大采样时使用对应条件，让放大结果更精准、更清晰，贴合原始语义。
这里为什么不直接用放大的图片作为最后Ksample的输入？
因为直接用放大图作为输入会失去语义控制与细节复原的能力，而 tile 分块 + 条件反推是为了让放大后的生成过程更符合原图语义与局部内容。