ComfyUI-NAG 插件正式上线：为扩散模型带来高效负向引导能力

随着 Normalized Attention Guidance（NAG） 技术的提出，扩散模型在少步采样场景下的负向引导难题得到了有效解决。为了方便用户快速集成这一技术，ComfyUI-NAG 插件 应运而生。

• GitHub：https://github.com/ChenDarYen/ComfyUI-NAG
• Wan2.1 Demo: https://huggingface.co/spaces/ChenDY/NAG_wan2-1-fast
• LTX Video Demo: https://huggingface.co/spaces/ChenDY/NAG_ltx-video-distilled
• Flux-Dev Demo: https://huggingface.co/spaces/ChenDY/NAG_FLUX.1-dev

该插件现已全面支持主流图像与视频生成模型，并提供了简单易用的节点接口，让你在 ComfyUI 中轻松实现高质量的负向提示控制。

✅ 插件功能亮点

• 恢复负向引导能力：尤其适用于少步扩散模型，在 CFG 失效时依然能稳定工作。
• 兼容多步采样：与传统 CFG 互补，提升生成质量与控制精度。
• 广泛模型支持：涵盖 Flux、Flux Kontext、Wan、Hunyuan Video、SD3.5、SDXL 等主流开源模型。
• 轻量无训练依赖：纯推理阶段插件，无需额外训练即可部署。
• 显著提升效率：新增对编译模型（如 TorchCompileModel）的支持，进一步加速采样流程。

📆 最新更新日志

• 2025-06-29：新增对编译模型的支持，使用 TorchCompileModel 可显著加快 NAG 采样速度！
• 2025-06-28：正式支持 Flux Kontext 模型，配套工作流已就位。
• 2025-06-26：支持 Hunyuan 视频生成模型。
• 2025-06-25：新增对 Wan 视频生成模型（含 GGUF 版本） 的支持，提供全新工作流示例！

🧩 支持节点说明

当前插件提供两个核心节点：

只需将原有流程中的 CFG 节点替换为上述节点，即可立即体验 NAG 带来的更强控制力。

🛠️ 使用方法简要

1. 安装插件后重启 ComfyUI；
2. 在你的工作流中找到 CFGGuider 或 KSampler 节点；
3. 将其替换为 NAGCFGGuider 或 KSamplerWithNAG；
4. 根据模型特性调整参数以获得最佳效果。

示例工作流可在插件目录 ./workflows 中查看，推荐新手从这些模板开始尝试。

⚙️ 关键参数说明

推荐配置参考

• 对于基于流的模型（如 Flux）： nag_sigma_end = 0.75 可显著提速，同时保持视觉一致性。
• 对于扩散模型（如 SDXL）：默认 nag_sigma_end = 4 即可取得良好平衡。
• 图像参考任务（如 Image2Video）：建议使用较低的 nag_tau 和 nag_alpha，以更忠实还原参考内容。
• 高 CFG / 多步采样模型：同样推荐较低的 nag_tau 和 nag_alpha，避免过度引导带来的伪影。
• 少步模型（如 Flux-Schnell）：可适当调高 nag_tau 和 nag_alpha，增强负向引导效果。