我们经常遇到这样的场景：在网上看到一张构图、光影和风格都极其出色的图片，想把它复刻出来，或者在此基础上做二次创作。传统做法是把图片丢进 WD14 之类的打标器，得到一串逗号分隔的标签，然后复制到生成模型里。结果往往差强人意——画面主体勉强对得上，但光影氛围、材质质感和构图方式几乎完全丢失，长描述更是无从谈起。原因在于 WD14 这类模型本质上是分类器，它输出的是“图里有什么”，而不是“这张图是怎么画的”。要解决这个问题，需要在工作流里引入真正能“看懂”图像的视觉语言模型（VLM）。本文以 Qwen3.5 为例，演示如何在 ComfyUI 中搭建一个端到端的自动反推提示词工作流，并针对语义还原度做参数调优。
为什么 WD14 反推的提示词“不够用”
先明确问题根源。WD14 系列模型（如 WD14 ViT）是典型的图像标注模型，它把图像分类到预定义的标签集合中。这意味着它的输出受限于训练时的标签词表，能识别出“1girl”“solo”“long hair”这类高频标签，但无法描述画面的空间关系、光源方向、镜头焦段、色彩倾向等语义信息。更关键的是，它输出的标签没有语法结构，无法构成一个连贯的自然语言描述。
视觉语言模型则完全不同。以 Qwen3.5 这类多模态 LLM 为例，它接受图像和文本指令作为输入，输出的是完整的自然语言段落。你可以要求它“用一段话详细描述这张图片的画面主体、光影、构图和风格”，它会生成结构化的描述，甚至能按照你指定的 JSON 格式输出字段。这种能力直接决定了反推提示词的质量上限。
工作流整体架构与节点连接
在 ComfyUI 中搭建这个工作流，核心是串联三个部分：图像输入、VLM 推理节点、以及将反推结果接入生成链路的文本节点。以下是完整的节点连接关系：
Load Image → LLMRun (Qwen3.5) → Text Encode (CLIP) → KSampler → VAE Decode → Save Image
↑
Text Prompt (指令模板)关键节点说明：
| 节点 | 作用 | 关键参数 |
|---|---|---|
| Load Image | 加载参考图 | 支持任意分辨率，VLM 会自动缩放 |
| LLMRun | 执行 Qwen3.5 推理 | model 选择 qwen3.5-4b，max_length 设为 512 |
| Text Prompt | 输入反推指令 | 使用默认模板或自定义 JSON 格式指令 |
| Text Encode | 将反推结果编码为条件向量 | 直接连接 LLMRun 的 generated text 输出 |
需要特别注意的是，LLMRun 节点在 ComfyUI 中的位置。官方文档路径是 ComfyUI-Manager → LLM → LLMRun，首次使用需要先在 Manager 中搜索并安装 Qwen3.5 相关支持。安装完成后，在节点列表的 LLM 分类下找到 LLMRun，并在其设置中选择 Qwen3.5 作为运行模型。
反推指令模板的设计与调优
反推质量很大程度上取决于你给 VLM 的指令。默认模板输出的是自由文本描述，但对于生成工作流来说，我们通常希望输出结构化、可直接作为生成提示词的格式。这里给出一个经过实践验证的指令模板：
Analyze the input image and generate a detailed text prompt that can reproduce it in a text-to-image model.
Include in your description:
1. Subject: main characters or objects, their appearance, pose, and expression.
2. Composition: camera angle, framing, depth of field.
3. Lighting: light source direction, color temperature, shadows.
4. Style: art style, rendering technique, color palette.
5. Atmosphere: mood, time of day, weather.
Output the result as a single paragraph, no more than 120 words, written in English.这个模板的要点在于：明确要求模型按维度拆解画面，并且限定输出为单段落、限字数。这样得到的反推结果可以直接粘贴到正向提示词输入框，无需二次加工。
如果你希望反推结果直接接入生成链路，可以要求模型输出 JSON 格式，然后用 ComfyUI 的 Parse JSON 节点拆分字段，分别连接到不同的 Text Encode 节点。不过对于大多数场景，单段落输出已经足够。
参数调优：从“能看”到“精准还原”
LLMRun 节点暴露了几个关键参数，直接决定反推结果的精度和风格还原度。
Max length（最大生成长度）：默认值是 256，但对于复杂画面，这个长度往往不够。建议设为 512，给模型足够的空间描述细节。如果输出被截断，画面要素会明显缺失，尤其是风格和氛围描述部分。
Temperature（温度）：这个参数控制输出的随机性。反推任务需要的是高确定性输出，建议将温度设为 0.2 到 0.4 之间。温度过高会导致模型在描述中加入臆测内容，比如在画面中没有光源的情况下强行描述“夕阳金色光线”。
Sampling mode（采样模式）：建议开启采样并固定 seed。反推结果的可复现性很重要——你调好参数后，如果 seed 不固定，每次反推的描述可能不同，导致下游生成结果不稳定。
Use default template（使用默认模板）：这个开关默认开启，会使用 ComfyUI 内置的系统提示词。对于反推任务，建议关闭它，使用上面自定义的指令模板，因为默认模板偏向通用对话场景，对反推任务的约束不够。
验证结果与常见问题排查
完成配置后，用一张包含明确光影对比和复杂构图的图片做测试。比如一张逆光人像，背景是城市夜景。理想的反推结果应该包含：主体人物的轮廓光、背景的霓虹灯色彩倾向、浅景深效果、以及整体的电影感色调。
如果发现反推结果过于笼统，优先检查指令模板——是否明确要求了分维度描述。如果结果中出现画面没有的元素，降低温度并重新生成。
常见报错及处理：
“Model not found”：LLMRun 节点无法定位 Qwen3.5 模型文件。检查 ComfyUI 目录下的 models/LLM 文件夹，确认模型文件已下载且命名正确。部分模型需要手动从 Hugging Face 下载放入该目录。
输出为空或乱码：通常是 max_length 设置过小导致生成被截断，或采样参数过于激进（temperature 过高、repetition penalty 过低）。将 max_length 调至 512，temperature 调至 0.3 左右重试。
推理速度极慢：Qwen3.5-4B 在纯 CPU 环境下推理速度很慢。如果显存小于 8GB，建议使用 GGUF 量化版本，或在 ComfyUI 设置中开启 --lowvram 模式。
进阶方向：从反推到二次创作
反推只是第一步。当你能稳定获得高质量的反推提示词后，可以在这个工作流基础上叠加更多能力。比如用反推结果作为基础提示词，再通过 LLMRun 节点执行“风格转换”指令——把纽约街头的写实照片反推成吉卜力动画风格描述，然后交给生成模型。或者把多张图片的反推结果拼接，实现角色一致性保持。这些玩法都建立在同一个节点串联逻辑上，核心仍然是让 VLM 输出结构化、高信息密度的文本描述。
最后提醒一点：Qwen3.5 是开源模型，版本迭代较快，不同版本的反推质量有差异。建议在 ComfyUI Manager 中保持模型更新，并留意官方文档中关于该模型的已知限制说明。如果你在使用中遇到了反推结果不理想的情况，优先从指令模板和温度参数两个方向调整，这通常能解决 80% 的质量问题。
评论列表 (1条)：
加载更多评论 Loading...