【2026 最新】LTX-2.5 ComfyUI DFR 教學：辨認真正 DFR、關閉 Prompt Enhancer

LTX-2.5 ComfyUI DFR 最容易出現的誤會，是看到兩段 Sampler 中間夾著 LTXVLatentUpsampler，就以為自己已經在跑完整 DFR；另一個誤會則是以為提示詞會原封不動進模型，卻沒注意主節點裡的 prompt_enhance 預設為開啟。

這篇專為會匯入 ComfyUI workflow、但還不熟 subgraph 與 latent 資料流的讀者寫。你會先拆開最新版官方 T2V workflow template，關閉並硬繞過 Prompt Enhancer，核對真正送進文字編碼器的內容；若目標是 Lightricks 定義的完整 DFR，再改走官方 Python pipeline。全程不拿社群截圖當規格，也不提供本站沒有跑過的 VRAM、耗時或畫質數字。

若你還不熟模型本身，可先讀 LTX-2.5 模型與多鏡頭能力解析；本文只處理 ComfyUI 資料流、DFR parity（流程對齊）與提示詞控制。

先說結論：有 Spatial Upscaler，不等於完整 DFR

• 最新版官方 T2V workflow template 是兩階段空間升採樣流程。它有兩個 SamplerCustomAdvanced 與一個 LTXVLatentUpsampler，但在本文檢查的版本裡，沒有 LTX 官方 DFR 的 full/dev＋distilled LoRA 組合、generated keyframe slots 與 seeded-slot 回接路徑；選配的 detailing IC-LoRA 與 temporal refine 也沒有出現在圖裡。
• Prompt Enhancer 預設開啟。官方整合文件也明說模板預設啟用 prompt enhancement；要保留原文，先把 prompt_enhance 設為 false，再用 subgraph 裡的 PreviewAny 核對。
• 需要完整 DFR 時，現在最可核對的基準是 Lightricks 官方 DFRPipeline。不要自行替幾個相似節點取名 DFR；先比對資料流，再談畫質。

DFR ≠ 一顆 Upscaler；DFR ＝ generated keyframe slots ＋空間升採樣＋seeded slots 回接後的全解析重繪（再加選配的細節／時間精煉）。

LTX-2.5 ComfyUI DFR 第 0 步：先鎖定你檢查的模板版本

先更新 ComfyUI，再從 Workflow → Browse Workflow Templates 搜尋 LTX-2.5，選擇 Text to Video。LTX 的 官方系統需求目前列出 NVIDIA GPU、32GB 以上 VRAM、32GB RAM、100GB 以上磁碟空間、CUDA 12.7 以上與 Python 3.12 以上；這是官方支援門檻，不是所有量化、offload 組合的實際最低值。

更新版本不是形式動作：ComfyUI v0.33.1 納入了 Gemma 4 E2B／E4B 的 thinking=false 修正，而這份模板的 enhancer 正好使用 E2B checkpoint。舊版產生的改寫文字與耗時不能直接搬來當新版基準。

截至 2026 年 8 月 20 日，Comfy-Org 最新 workflow-template release 是 v0.11.43。本文檢查的就是該版 T2V JSON，檔案 SHA-256 為 d77e6c7e5eb0c258cef5e14dbee9900f4e775e457c412f78c0220e91a090bc08。GitHub 最新完整 ComfyUI release v0.33.1 仍固定 templates v0.11.41，但兩版的 T2V subgraph 執行圖逐位元相同。下面的「有／沒有」只描述這份固定執行圖，不外推到第三方 workflow，也不宣稱 ComfyUI 永遠不會加入 DFR。

curl -L \
  https://raw.githubusercontent.com/Comfy-Org/workflow_templates/v0.11.43/templates/video_ltx2_5_t2v.json \
  -o video_ltx2_5_t2v.json

shasum -a 256 video_ltx2_5_t2v.json
jq -r '.definitions.subgraphs[]
  | select(.name=="Text to Video (LTX-2.5)")
  | .nodes[].type' video_ltx2_5_t2v.json \
  | sort -u \
  | rg 'TextGenerateLTX2Prompt|ComfySwitchNode|LTXVLatentUpsampler|VideoGeneratedKeyframeSlots|Lora'

你應該看得到 TextGenerateLTX2Prompt、Switch 與 latent upsampler；看不到 generated-slot producer 或 LoRA loader。這個指令只讀取可執行的 definitions.subgraphs[].nodes，不會被 JSON 裡可能過期的 .extra.prompt 快照誤導。它是版本收據，不是畫質評分；若檔案 hash 不同，就把日期、commit 與結果重新記一份，不要沿用本文的缺席判斷。

第 1 步：進入 Subgraph，畫出提示詞真正走的路

在 Text to Video (LTX-2.5) 節點按 Enter subgraph；新版前端也可雙擊 subgraph 的空白處進入。ComfyUI 的 Subgraph 官方文件把它比喻成收納節點的資料夾：外層只露出參數，內層連線仍然決定實際執行內容。

在目前 T2V 模板裡，正向提示詞資料流是：Prompt 同時送往 TextGenerateLTX2Prompt 與 ComfySwitchNode.on_false；改寫後文字送往 on_true；Switch 的輸出再同時送給 PreviewAny 與正向 CLIPTextEncode。控制 Switch 的 Boolean 標題是 Enable Prompt Enhance，外層預設值為 true。

第 2 步：關閉 Prompt Enhancer，必要時做硬繞過

痛點：只改外層開關，很難從縮起來的主節點看出最後選到哪條線。解法是先走官方開關，再用一份實驗副本硬繞過。

1. 先另存 workflow，名稱加上 -raw-prompt-audit，不要直接覆蓋官方模板。
2. 在外層把 prompt_enhance 改成 false。
3. 進入 subgraph，確認 Boolean 送進 ComfySwitchNode.switch，原始 Prompt 接在 on_false。
4. 若要排除外層 widget 或序列化造成的疑問，斷開 Switch 到正向 CLIPTextEncode 與 PreviewAny 的兩條線，改由 Prompt.STRING 直接連到兩者。
5. 把已經沒有下游的 TextGenerateLTX2Prompt 設為 Never。官方節點文件說明，Never 代表節點不執行；這裡因為輸出已不再被使用，所以不會截斷主路徑。

不要把 Prompt Enhancer 描述成惡意「偷改」。官方模板說明與整合文件都公開了這項功能；真正的風險是 subgraph 把資料流收起來，使用者可能忘了它預設開啟。ComfyUI 對 Bypass、Never 的差異也有 官方節點模式說明，所以實驗副本採用「斷線＋Never」，比猜測某個複合節點會把哪個輸入原樣傳出更清楚。

第 3 步：驗證模型收到的文字，不只看開關

痛點：false 只是設定值，不是執行證據。解法是比對 raw prompt、有效提示詞與保存檔。先用一句短而容易逐字核對的文字，例如 A red ceramic mug on a grey table. RAW_AUDIT_01，Queue 一次，再檢查 Switch 後方的 PreviewAny。它必須和輸入完全一致；多字、少字或變成長篇電影描述都算失敗。

這能證明固定版本的 stock graph 選到哪個字串，並把它送到 CLIPTextEncode.text；它不等於證明 tokenization 後的 conditioning 是「原文位元組」，也不能替任意 custom extension 作保。

• 執行前：截取 Prompt、Boolean／直連路徑與 seed，同時保存 workflow JSON。
• 執行後：保存 PreviewAny 顯示的完整字串，不只截第一行。
• 交付時：把 JSON、原始 prompt、有效 prompt、模型檔名與輸出影片放進同一資料夾。

ComfyUI 官方說明指出，workflow 可以保存為人類可讀的 JSON；圖片也能攜帶 workflow metadata，但本文使用的 SaveVideo 輸出不要一概假設會保留相同證據。最穩的做法，是把 JSON 與有效提示詞當成獨立 receipt。這和 AI Evals 的核心觀念相同：先定義可觀察的通過條件，才不會事後憑印象解釋結果。

第 4 步：用 4 個問題判斷 LTX-2.5 ComfyUI DFR 是否對齊

1. Stage 1 是否用 full/dev checkpoint＋distilled LoRA，並真的建立 generated keyframe slots？
2. 空間升採樣後，video 與 slots 是否一起放大，generated slots 是否以 seeded slots 回接 Stage 2？
3. Stage 2 是否在全解析度重新去噪，而不是只做 decode 前放大？
4. 選配的 detailing IC-LoRA reference 與 temporal refine 是否有清楚、可關閉的獨立路徑？

Lightricks v1.2.0 的 DFRPipeline 文件對前 3 項都有明確資料流；detailing IC-LoRA 與 temporal rounds 則是選配。本文固定的官方 ComfyUI T2V JSON 只有 distilled INT8 transformer、一般兩階段 sampler＋latent x2 upscaler，沒有前 3 項的 DFR 組合，因此正確名稱應是「兩階段空間升採樣模板」，不是已驗證的 DFRPipeline 實作。

第 5 步：今天要完整 DFR，就走官方 DFRPipeline

若專案現在就需要 Lightricks 定義的 DFR，不要在 ComfyUI 裡臆造缺少的節點。最短的可核對路線，是依 LTX-2 v1.2.0 官方 repository安裝；模型受 Hugging Face 存取條款控制，先在網頁接受條款，登入時不要把 Read token 貼進 workflow、截圖或 issue。

git clone https://github.com/Lightricks/LTX-2.git
cd LTX-2
git checkout v1.2.0
uv sync --extra natten
hf auth login

DFR 至少需要 LTX-2.5 full dev transformer、LTX 專用 Gemma 4 文字編碼器、video／audio VAE、distilled LoRA 與 spatial upscaler。Pixel-spatial detailing IC-LoRA 是選配；只有 temporal-upsample-rounds 大於 0 時才需要 temporal upscaler。先照 官方模型清單下載 BF16 pipeline 檔並保持資料夾結構，再使用經 v1.2.0 parser 靜態核對的 split-path 指令：

uv run python -m ltx_pipelines.dfr_pipeline \
  --transformer-path models/ltx-2.5/diffusion_models/ltx-2.5-22b-dev-transformer-bf16.safetensors \
  --text-encoder-path models/ltx-2.5/text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors \
  --video-vae-path models/ltx-2.5/vae/ltx-2.5-video-vae-bf16.safetensors \
  --audio-vae-path models/ltx-2.5/vae/ltx-2.5-audio-vae-bf16.safetensors \
  --distilled-lora models/ltx-2.5/loras/ltx-2.5-22b-distilled-lora-450-bf16.safetensors \
  --spatial-upsampler-path models/ltx-2.5/latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors \
  --temporal-upsample-rounds 0 \
  --height 512 --width 768 --num-frames 121 --frame-rate 24 \
  --seed 42 --output-path dfr-seed42.mp4 \
  --prompt "A red ceramic mug on a grey table."

上面把 temporal refine 與 optional detailer 關掉，目的是先驗證 DFR mandatory slot 路徑。這是 source-reconciled 指令，不是 AlphaLab 的 GPU 執行紀錄；第一輪成功後，才逐一加入 --detailing-lora 或 temporal upsampler。這條路不在 ComfyUI 裡，但它是日後任何 ComfyUI DFR workflow 都應該對照的 reference implementation。

第 6 步：建立不會誤導你的 parity lab

把 ComfyUI 官方量化 distilled 模板和 Python full checkpoint＋LoRA DFR 放在一起，只能叫「整條 pipeline 比較」，不能把差異全歸因於 DFR。模型精度、scheduler、prompt path 與 decoder 都可能不同。想讓結果有用，至少固定以下項目：

• 同一份 raw prompt，Prompt Enhancer 關閉，保存有效提示詞。
• 同一 seed、768×512、121 frames、24 FPS；若某一路徑會自動調整尺寸，要把實際值記下。
• 第一輪不開 detailing IC-LoRA，也不開 temporal refine；一次只加入一個變因。
• 每次記錄 GPU 型號、模型完整檔名與 hash、峰值 VRAM、總耗時、是否 offload／quantize。
• 盲看 A／B，分別評動態一致性、局部細節、文字／臉部穩定與新增 artifact，不只挑一張最好看的 frame。

如果沒有相同硬體與完整模型，就先完成「拓撲＋提示詞」驗收，不填假的效能欄位。要把素材整理、命名與比較自動化，可延伸看 OpenMontage 開源影片工作流與 Claude Code AI Video Studio；工具能省重複操作，最後的 artifact 仍要逐段回看。

最常見的 5 個失敗

• 看到 x2 就寫 DFR：spatial upscaler 是必要零件之一，不是完整流程的充分證據。
• 只看外層 false：沒有核對 PreviewAny，就不知道有效提示詞是否相同。
• 一次開所有選配：detailing、temporal、量化與 offload 同時改，結果變好或變壞都找不到原因。
• 把同 seed 當公平比較：seed 只固定隨機起點，不能抵銷不同模型、scheduler 與 conditioning。
• 匯入社群 workflow 就算完成：至少保存來源 URL、commit／下載日、JSON hash 與缺少節點清單；沒有收據就不能長期驗證。

FAQ：LTX-2.5 ComfyUI DFR 最常見的 8 個問題

1. DFR 是什麼？

是 Diffusion Fidelity Rendering。官方 LTX-2.5 實作先在半解析度生成影片與額外 keyframe slots，再把 video／slots 升採樣、回接 seeded slots 並做全解析重繪；細節 LoRA 與時間精煉是選配。

2. 目前官方 ComfyUI T2V 模板就是 DFR 嗎？

本文固定檢查的版本不是完整 DFR。它是兩階段 latent spatial upscale；結論只適用於上文 commit 與 hash，未來模板更新後要重新查。

3. 有 LTXVLatentUpsampler 還不夠嗎？

不夠。還要核對 full/dev＋distilled LoRA、generated keyframe slots、seeded-slot 回接與 Stage 2 全解析重繪；一顆 upscaler 只能證明有放大 latent。

4. Prompt Enhancer 是偷偷藏起來的嗎？

功能不是秘密，但資料流容易被 subgraph 收起來。官方文件公開寫明預設啟用，也提供外層開關；本文要求再看內部連線，是為了得到執行證據。

5. 把 prompt_enhance 設成 false 就夠嗎？

日常使用通常夠，驗收時仍要看 PreviewAny。若你要排除 widget 保存問題，就在副本中把 raw Prompt 直接接到 CLIPTextEncode 與 PreviewAny。

6. 可以自己在 ComfyUI 接幾個節點補成 DFR 嗎？

不要只靠名稱相似就宣稱完成。只要 generated slots 或 reference conditioning 沒有可核對的節點／資料，輸出再漂亮也不能證明與官方 DFR 對齊；目前可先走官方 Python pipeline。

7. DFR 需要多少 VRAM、要跑多久？

沒有一個可跨硬體套用的答案。LTX 官方系統需求列出 32GB 以上 VRAM 與 100GB 以上磁碟；full BF16、影片長度、解析度、VAE、offload 與選配 refine 都會改變結果，請記錄自己的配置。

8. 同一 seed 為什麼兩條路仍差很多？

因為 seed 只是一個變因。量化 distilled transformer、full checkpoint＋LoRA、sigma schedule、prompt rewrite、conditioning 與 decoder 任一不同，都可能讓結果分岔。

給新手的 5 個重點

1. 先鎖定模板 commit 與 JSON hash，再談「支援」或「不支援」。
2. Spatial Upscaler 是 DFR 零件，不是 DFR 身分證。
3. 關掉 Prompt Enhancer 後，以 PreviewAny 驗證 raw prompt 真的直達文字編碼器。
4. 完整 DFR 先以 Lightricks 官方 DFRPipeline 當 reference，不臆造缺少的 ComfyUI 節點。
5. 比較時一次只改一個變因；沒有硬體證據，就誠實留下空白。

想比較其他生成與剪輯路線，也可看 開源 AI 影片剪輯工具比較；更多工作流在 AlphaLab AI 專區。