1 模型

需要如下4款模型，百度网盘下载

diffusion_models

vae

text_encoders

loras

放在D:\comfyui\ComfyUI2601\ComfyUI\models下，点开根目录，找到models文件夹

还要一个反推提示词的模型，LLavacheckpoints 模型，这个也是放在上述文件夹内。

2 搭建工作流

前两节已经详细介绍过基本的工作流搭建，本节主要详细介绍变化点，主要是将提示词输入区域变更为反推提示词区域。

基本的架构：

K采样器：步数： 9 ，cfg: 1

UNet加载器：模型：z_image_turbo_bf16.safetensors，其他默认

加载CLIP: 模型： qwen_3_4b.safetensors，类型：qwen_image 或lumina2

加载VAE: 模型：ae.safetensors

空Latent图像（SD3）:

LoRA加载器（仅模型）：模型: z_image_turbo_distill_patch_lora_bf16.safetensors

采样算法（AuraFlow）: 移位：3

“加载CLIP” 和 “CLIP文本编码”建立连接

图片输出添加“VAE解码”，然后连接“VAE”

上传图像，如下图：

图像关联反推提示词

添加“图像对比”节点，连接原图和生成后的图片做对比。

添加“JoyCaption”, 量化模式改为 bf16,如下

在上述节点，添加“JoyCaption Beta 1”节点，如下

在“JoyCaption Beta 1”后添加查看反推提示词的文本，添加“展示文本”

“K采样器”添加“CLIP文本编码”，连接反推提示词

我们不需要输入负面条件，但是“K采样器”，负面条件不能空置，因此添加一个“条件零化”节点，保持负面条件不至于空置。

想输入一些提示词，不光是使用反推提示词，可以添加“Text (any input)”节点，使用的是Plush-for-ComfyUI插件的节点，没有则需要安装。

上述节点添加后，还需要添加“多文本联合”节点，将自定义输入的文本和反推提示词的文本合并输出到“CLIP节点”。该节点属于ComfyUI_Lam这个插件，需要单独安装。

上述图中，“多文本联合”，text0的输入权重更高些，根据实际情况调整。

浏览器打开，直接下载

https://huggingface.co/Comfy-Org/z_image_turbo/tree/main/split_files/loras

放到D:\comfyui\ComfyUI2601\ComfyUI\models\loras下