CLIP Vision Encode 节点是 ComfyUI 中的图像编码节点，用于通过 CLIP Vision 模型将输入图像转换为视觉特征向量。该节点是连接图像与文本理解的重要桥梁，广泛应用于各类 AI 图像生成与处理工作流中。
节点功能
- 图像特征提取：将输入图像转换为高维特征向量
- 多模态桥接：为图像与文本的联合处理提供基础
- 条件生成：为基于图像的条件生成提供视觉条件
输入
| 参数名 | 描述 | 数据类型 |
|---|---|---|
clip视觉 | CLIP 视觉模型，通常通过 CLIPVisionLoader 节点加载 | CLIP_VISION |
图像 | 待编码的输入图像 | IMAGE |
裁剪 | 图像裁剪方式，选项：center（中心裁剪）、none（不裁剪） | Dropdown |
输出
| 输出名 | 描述 | 数据类型 |
|---|---|---|
| CLIP_VISION_OUTPUT | 编码后的视觉特征 | CLIP_VISION_OUTPUT |
last_hidden_state：最后隐藏状态image_embeds：图像嵌入向量penultimate_hidden_states：倒数第二隐藏状态mm_projected：多模态投影结果（若存在）
本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑