SelfLift 为 ComfyUI 带来渐进式分辨率采样

SelfLift 如何划分调度

Z-Image-Turbo 和 FLUX.2-Klein 这类少步数模型压缩的是时间轴，这使得每一次剩余前向传播的空间开销成为主导项。渐进式分辨率采样通过先在低分辨率下进行去噪来削减这一开销。SelfLift 论文（arXiv:2609.02036）指出的问题在于，单纯提升 Latent 并指望剩余少数几步吸收这种不匹配，会留下可见伪影。

SelfLift 转而从模型自身推导修复信号：提升之后，一部分高风险位置会被校正至像素 VAE 锚点，并且过渡过程经过设计，使低分辨率前缀仍是同一轨迹的有效组成部分。论文给出的起始配置为 Z-Image-Turbo 在 8 步中的 6 步使用低分辨率，以及 FLUX.2-Klein 的 4 步中的 3 步。

来自项目页面的 SelfLift 宣传图。

一个包中的三个节点

这些采样器接入标准的 ComfyUI 采样器连线方式：它们像 SamplerCustom 一样接收 sampler 和 sigmas 输入，因此你需要连接设置为 euler 的 KSamplerSelect 以及模型自带的调度器。其他采样器会被有意拒绝。

主要的调节参数包括：transition_step（保持低分辨率的步数）、lowres_scale（默认 0.5）、rho（被拉向 VAE 锚点的高风险位置比例，设为 0 即禁用）、用于控制校正强度的 w_min / w_max、提升插值方式（nearest 或 bilinear），以及可选的 model_hires，使高分辨率阶段可以运行不同的 checkpoint 或 LoRA 组合。该过渡不会增加额外的去噪器评估次数：N 步的调度仍然恰好是 N 步，除非 rho 为 0，否则再加上一次 VAE 解码、放大和重新编码的往返。

SelfLift 概览：低分辨率前缀、Latent 提升，以及带锚点的高分辨率阶段。

MiniMax H3 路径

作者明确将 H3 采样器标记为实验性，论文也未对其进行验证。它提供两种提升路线：

• 外部放大器（默认）：使用已安装的 H3 latent 放大器并将 rho 设为 0，这是一种仅针对 Latent 的可学习提升方式。与 H3 Latent 放大器 权重兼容，README 中对这些权重予以致谢；节点会从 models/latent_upscale_models/ 中读取 h3 文件。
• SelfLift-zero：将 upscaler_model 设为 none，并把 rho 设为大于 0。作者测试过的 H3 起点是 rho 0.6，w_min 和 w_max 为 1；这是在一次单种子运行发现论文的图像设置会在 H3 的直接提升路径上留下伪影之后得出的。

实验性的 highres_tiling 选项会将高分辨率阶段拆分为 1 到 8 个空间分块。它只保留第一个分块的音频，没有跨分块注意力，也不支持 ControlNet，因此这是一种内存上的取舍，而非画质调节项。

时间状态传输

TST 是这里移植的第二篇论文（arXiv:2609.08505）。它测量帧级注意力算子的带符号谱张力，并只校正失衡的注意力头，锐化过度混合的头、柔化碎片化的头，且在更深的图层和更早的步骤中进行更强的校正。它适用于任何标准采样器，而不只是 SelfLift 采样器，作者报告其运行时开销约为 1% 到 2%。

在实践中，它针对的是用户在 H3 输出中最常察觉的失败情况：画面文字和 logo 等细节的闪烁或形变、人物与服饰的身份漂移，以及物理上不合理的运动。tau 是强度调节项，推荐值为 0.2；0.5 明显过强。它无法凭空创造模型本身没有的细节，仅适用于 H3 模型，并且在开启 highres_tiling 时会被跳过。日志选项会在每次模型前向时打印一行诊断信息，包括被校正的注意力头比例；作者测得该比例在 89% 到 100% 的注意力头上与精确注意力算子一致。

可用性

将 facok/comfyui-SelfLift 克隆到 ComfyUI/custom_nodes 并重新启动；全部节点会出现在 selflift 类别下。该包提供英文和中文文档，其中包括用于调校 H3 提升路线的诊断预设表。