ComfyUI的“反向引导参数”与CLIP-G、CLIP-L、T5-XXL文本编码器的关系体现在语义控制的协同机制

在Stable Diffusion 3（SD3）等生成模型中，CLIP-G、CLIP-L和T5-XXL是三种核心文本编码器，其功能定位和适用场景各有侧重。以下是详细解析：

可通过ComfyUI的多编码器并联节点实现组合调用，具体工作流示例可参考6。

一、CLIP-G（通用型语义编码器）

含义

• 全称：CLIP-G/14（基于CLIP ViT-G/14架构）36
• 设计目的：处理基础语义理解，将用户输入的短文本转换为图像生成所需的向量表示。
• 结构特点：参数量为695M，使用Vision Transformer架构，训练数据覆盖广泛的通用语义关联3。

用法

• 适用场景：短文本提示（如“夏日海滩”），快速提取核心语义。
• 加载方式：SD3模型中默认集成，需搭配其他编码器使用。
• 输入限制：支持77个token以内的文本，超过部分会被截断6。

二、CLIP-L（长文本优化编码器）

含义

• 全称：CLIP-L/14（基于CLIP ViT-L/14架构）36
• 设计目的：优化对复杂长文本的解析能力，捕捉上下文关联和细节描述。
• 结构特点：参数量124M，相比CLIP-G更轻量，但通过训练策略强化长文本处理3。

用法

• 适用场