【Wan2.2 – RunPod編】ComfyUIの設定解説
【更新状況】
2026年7月7日（火）
記事ページを公開しました。
これから、Wan2.2を始めてみたい方向けのチュートリアルです。
【対応ノートブック】
FP8版（軽量版）
：ダウンロード：Wan2.2（FP8版）- ComfyUIチュートリアル用のノートブック
FP16版（高品質版）
：ダウンロード：Wan2.2（FP16版）- ComfyUIチュートリアル用のノートブック
このチュートリアルは、RunPodでComfyUI起動後のWan2.2の各種設定に焦点を当てています。
RunPodの仕組みや使い方がわからない方は、以下の要点解説のチュートリアル
：【Wan2.2】RunPodでComfyUIを使う方法（要点解説）
を事前に把握していただくと、RunPodでComfyUIを使う方法の理解が深まるのではないかと思います。
【Wan2.2 – RunPod編】ComfyUIの使い方：
画像生成 – Text2Image
文字情報を入力し画像を生成できるワークフローです。
このページでは主に
・FP16版（高品質版）
のワークフローを例として、各ノード内の設定などについて解説しておきます。
【Wan2.2 – RunPod編】ComfyUIの使い方：
Step 1 – Load models
＊画像をクリックすると拡大表示されます
「Step 1 – Load models」（ステップ１：学習モデルの読み込み）では、画像生成（Text2Image）をするために必要な学習モデルを設定してあります。
ここの設定は
・Wan2.2 T2I fp16 + 4 steps LoRA（高速版）
・Wan2.2 T2I fp16（高品質版）
ともに同じ設定になっています。
拡散モデルを読み込む：
wan2.2_t2v_high_noise_14B_fp16.safetensors
＊拡散モデル：ノイズを段階的に加えたデータ（例：画像）から逆にノイズを除去して元のデータを生成する確率的生成モデル
今回は、画像を生成するために動画生成（Text2Video）用の学習モデルを活用します。
約140億パラメータのテキストからビデオを生成するモデルの重みファイル（fp16：16ビット浮動小数点）です。
「high_noise」の学習モデルでは、高ノイズ環境での堅牢な生成を目的に学習されており、入力テキストから短い動画フレーム列を生成する用途に使われます。
尚、推論の際には、高VRAM（GPUメモリ）を要します。
本来は「diffusion_models」フォルダ（フォルダの場所：ComfyUI – models – diffusion_models）内のファイルが反映されるのが適切と思われましたが、バグのためか「unet」フォルダ（フォルダの場所：ComfyUI – models – unet）内に配置された学習モデルを選択できるようでした。
拡散モデルを読み込む：
wan2.2_t2v_low_noise._14B_fp16.safetensors
今回は、画像を生成するために動画生成（Text2Video）用の学習モデルを活用します。
約140億パラメータのテキストからビデオを生成するモデルの重みファイル（fp16：16ビット浮動小数点）です。
「high_noise」の学習モデルでは、ノイズは少なめにしクリーンな学習サンプルを中心にトレーニングすることで高品質な生成を重視しており、プロンプトから高忠実度かつ低ノイズの短尺動画を生成する用途に適しています。
尚、推論の際には、高VRAM（GPUメモリ）を要します。
本来は「diffusion_models」フォルダ（フォルダの場所：ComfyUI – models – diffusion_models）内のファイルが反映されるのが適切と思われましたが、バグのためか「unet」フォルダ（フォルダの場所：ComfyUI – models – unet）内に配置された学習モデルを選択できるようでした。
CLIPを読み込む：
umt5_xxl_fp16.safetensors
＊CLIP（Contrastive Language–Image Pretraining）：対比学習による言語–画像事前学習
T5（Text-To-Text Transfer Transformer：テキスト→テキスト変換トランスフォーマー）系エンコーダ–デコーダアーキテクチャを基にしたXXLクラスのテキスト生成・翻訳向けモデルの重みファイル（fp16：16ビット浮動小数点）で、多言語機械翻訳や要約などのタスクに用いられているようです。
調べられた範囲の情報では、「umt5_xxl fp16.safetensors」をComfyUI側で互換化や代替テキストエンコーダとして流用している可能性が推測されました。
「text_encoders」フォルダ（フォルダの場所：ComfyUI – models – text_encoders）内に配置された学習モデルを選択できるようでした。
VAEを読み込む：
wan_2.1_vae.safetensors
＊VAE（Variational Autoencoder）：変分オートエンコーダ – 画像を小さな数字のまとまりに変えてから、そこから元の画像を復元する仕組み
画像と潜在空間の相互変換を行うVAEモデルで、拡散モデルの入出力を低次元で扱えるようにして計算効率と再構成品質を担保しているようです。
「vae」フォルダ（フォルダの場所：ComfyUI – models – vae）内に配置された学習モデルを選択できるようでした。
【Wan2.2 – RunPod編】ComfyUIの使い方：
Lightx2v 4steps LoRA（高速版）・モデルサンプリング（高品質版）
＊画像をクリックすると拡大表示されます
＊画像をクリックすると拡大表示されます
「Lightx2v 4steps LoRA」（Light×2v 4ステップ LoRA適用）では、LoRA（Low-Rank Adaptation：低ランク適応）の処理に必要な学習モデルを設定してあります。
ここの設定は
・Wan2.2 T2I fp16 + 4 steps LoRA（高速版）
・Wan2.2 T2I fp16（高品質版）
で、違う設定になっています。
「Wan2.2 T2I fp16 + 4 steps LoRA（高速版）」では、元のWan2.2のText2Videoの学習モデルを壊さずに「軽量かつ高速な生成」（Light×2v + 4ステップ）を実現しつつ、LoRAで高ノイズ環境に特化した性能改善を小さな追加パラメータで行えるため、試行錯誤やプロトタイピング目的で生成する場合には、「Wan2.2 T2I fp16 + 4 steps LoRA（高速版）」の利用が適しています。
LoRAローダーモデルのみ：
wan2.2_t2v_lightx2v_4steps_lora_v1.1_high_noise.safetensors
モデルの強度：1.00
＊LoRA（Low-Rank Adaptation）：低ランク適応
「Wan2.2 T2I fp16 + 4 steps LoRA（高速版）」のみの設定です。
今回は、画像を生成するために動画生成（Text2Video）用の「軽量かつ高速な生成」（Light×2v + 4ステップ）用のLoRAを活用します。
このLoRAは、高ノイズ環境での堅牢な生成を目的に学習されています。
「モデルの強度」は、LoRAで学習された追加行列の出力を元モデルの重みに加える際の乗算係数（LoRAが元のモデルに与える影響度：スケール）です。
数値の設定の例としては
・1.00：学習された変更をそのまま適用
・0.50：半分の強さで適用
・0.00：適用しない（無効化）
という意味になります。
チュートリアルでは「1.00：学習された変更をそのまま適用」にしています。
「モデルの強度：1.00」を超える値（例：1.5、2.0など）も設定可能なようですが、LoRAの追加効果をスケーリングして元モデルに対する影響を強められる一方で
・値を大きくすると出力が不安定になったり、アーティファクトや望ましくない変化が増える可能性がある
・元モデルとLoRAの学習条件に依存して過学習的な振る舞いや破綻を招くことがある
などのリスクもはらんでいるようです。
冒険したい方は、実験的に少しずつ上げて、生成結果を確認しながら調整してみてください。
「loras」フォルダ（フォルダの場所：ComfyUI – models – loras）内に配置した学習モデルを選択できるようでした。
LoRAローダーモデルのみ：
wan2.2_t2v_lightx2v_4steps_lora_v1.1_low_noise.safetensors
モデルの強度：1.00
「Wan2.2 T2I fp16 + 4 steps LoRA（高速版）」のみの設定です。
今回は、画像を生成するために動画生成（Text2Video）用の「軽量かつ高速な生成」（Light×2v + 4ステップ）用のLoRAを活用します。
このLoRAは、低ノイズ環境での高品質な生成を目的に学習されています。
「モデルの強度」は、LoRAで学習された追加行列の出力を元モデルの重みに加える際の乗算係数（LoRAが元のモデルに与える影響度：スケール）です。
数値の設定の例としては
・1.00：学習された変更をそのまま適用
・0.50：半分の強さで適用
・0.00：適用しない（無効化）
という意味になります。
チュートリアルでは「1.00：学習された変更をそのまま適用」にしています。
「モデルの強度：1.00」を超える値（例：1.5、2.0など）も設定可能なようですが、LoRAの追加効果をスケーリングして元モデルに対する影響を強められる一方で
・値を大きくすると出力が不安定になったり、アーティファクトや望ましくない変化が増える可能性がある
・元モデルとLoRAの学習条件に依存して過学習的な振る舞いや破綻を招くことがある
などのリスクもはらんでいるようです。
冒険したい方は、実験的に少しずつ上げて、生成結果を確認しながら調整してみてください。
「loras」フォルダ（フォルダの場所：ComfyUI – models – loras）内に配置した学習モデルを選択できるようでした。
モデルサンプリングSD3：
シフト：5.00
＊Wan2.2 T2I fp16 + 4 steps LoRA（高速版）
シフト：8.00
＊Wan2.2 T2I fp16（高品質版）
シフトの値は、サンプリング過程でノイズやスコア推定に対する時間ステップ（またはスコア）の補正・シフト量を表すパラメータで、生成のダイナミクス（安定性・鮮明さ・発散しやすさなど）に影響するようです。
「Wan2.2 T2I fp16 + 4 steps LoRA（高速版）」の「シフト：5.00」は、ComfyUIから公開されているWan2.2の動画生成（Text2Video）用のワークフローの数値を設定してあります。
また、「Wan2.2 T2I fp16（高品質版）」の「シフト：8.00」は、ComfyUIから公開されているWan2.2の動画生成（Text2Video）用のLoRAを適用しない場合のワークフローの数値を設定しています。
ここの数値は、LoRAにより学習された変化とサンプリング補正のバランスを取るために、ワークフロー毎に最適なシフト値がプリセットされているケースが多いようですので、上記の設定のままが無難かもしれません。
シフト値の違いによる一般的な変化についてですが、LoRA適用時はモデルの出力が元モデルから変化しているため、逆拡散・サンプリング時の補正量を小さくして安定化を図っている可能性が高いようです。逆に、LoRAなしの場合には、より大きなシフトでノイズ除去挙動を強めている設定なのかもしれません。
要点としては
・シフト値を下げると生成が保守的で安定しやすい傾向
・シフト値を上げると変化が強まりディテールやコントラストが変わる傾向（過度だとアーティファクト）
があるようですので、興味のある方は、数値による変化を研究してみてください。
【Wan2.2 – RunPod編】ComfyUIの使い方：
Step 2 – Image size
＊画像をクリックすると拡大表示されます
「Step 2 – Image size」（ステップ2 – 画像サイズ）では、画像のサイズを指定します。
Image Size：
（画像サイズ）
幅：1536
高さ：1536
バッチサイズ：1
生成する画像の高さ・幅（縦・横）のサイズを、ピクセル単位（px）で指定します。
チュートリアルでは「1536 × 1536」ピクセルの大きさに指定してあります。
画像の大きさを変更するとメモリやGPUメモリなどにかかる負荷が変化します。
画像が大きいほど生成に時間がかかります。
用途に応じて微調整してみてください。
「バッチサイズ：1」にすると1枚だけ画像が生成されます。
2枚の画像を1回のプログラムの実行で生成したい場合には「バッチサイズ：2」とします。
バッチサイズを大きくすると、生成に時間がかかります。
こちらも用途に応じて微調整してみてください。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
【参考】
試しに、ショート動画などのスマホ撮影レイアウト（1080×1920）の作品ができるのか？
「幅：1080」「高さ：1920」で実行したところ、上と下に同じような一部の画像が2つ並ぶ感じの画像が出来上がることも経験しました。
また、人物と物（近くの車）の大きさが不自然になる印象を受けています。
そのため、初期設定では縦長の画像よりも、正方形の画像や、「幅：1920」「高さ：1080」などの一般的なディスプレイの比率にした方が安定した結果を得られるのではないかと思います。
縦長の画像を作りたい場合には、他にRoLAを導入する必要があるのではないかと推測されます。
【Wan2.2 – RunPod編】ComfyUIの使い方：
Step 3 Prompt
＊画像をクリックすると拡大表示されます
「Step 3 Prompt」（ステップ3 – プロンプト）では、プロンプトを指定します。
CLIP Text Encode (Positive Prompt)：
（クリップテキストエンコーダー – ポジティブプロンプト）
cinematic night outside a roadside diner — dark sky at night , low angle three‑quarter profile of a breathtaking early‑20s woman leaning on a black vintage car door, chin slightly down, eyes to camera;
wardrobe: open black leather jacket and black tank top clothes, high‑waisted trousers, wind lifting loose hair;
lighting: red neon sign reading \”RIVET\” as key, cool fluorescent overhang fill, warm streetlight rim; slick wet asphalt reflecting neon; lens: 35mm f/1.8 shallow depth, gentle lens flare, visible 35mm film grain;
composition: leading lines from curb and car hood, generous headroom with sign above, hands at pocket edge;
color grade: bleach‑bypass with cool shadows and warm highlights;
mood: cinematic, confident, faintly longing — ultra‑detailed, photorealistic, studio‑quality lighting, natural skin texture, filmic grain, realistic bokeh, high dynamic range.
日本語訳
道端のダイナーの外、映画のような夜 – 漆黒の夜空の下、黒いヴィンテージカーのドアにもたれかかる20代前半の息をのむほど美しい女性の、ローアングルからの3/4プロファイル。顎をわずかに下げ、視線はカメラに向けられている。
服装：開いた黒いレザージャケットと黒いタンクトップ、ハイウエストのパンツ。風がふわりと髪をなびかせる。
照明：\”RIVET\” と書かれた赤いネオンサインをキーライトとし、クールな蛍光灯のオーバーハングでフィラーを、暖かい街灯でリムライトを演出。ネオンを反射する滑らかで濡れたアスファルト；
レンズ：35mm f/1.8、浅い被写界深度、穏やかなレンズフレア、35mmフィルムの粒子が確認できる；
構図：縁石と車のボンネットからの導線、看板を上に配置したゆとりのあるヘッドルーム、ポケットの縁に置かれた手；
カラーグレーディング：ブリーチバイパス、クールなシャドウとウォームなハイライト；
ムード：映画的で自信に満ち、ほのかな切なさを帯びている — 極めて精細でフォトリアリスティック、スタジオ品質の照明、自然な肌の質感、フィルムのような粒子感、リアルなボケ、ハイダイナミックレンジ。
生成したい画像のイメージを言語化したものを入力します。
英語、中国語、日本語などに対応しているようですが、ComfyUIのWan2.2のチュートリアルでは、ここの設定は主に「英語」で設定することが推奨されているようです。
日本語にも対応しているようですが、英語と中国語に比べると精度が落ちるようです。
今回のチュートリアルでは、Wan2.2の特徴である
・映画レベルの品質
（プロのカメラ品質で、照明、色、構図などの多次元の視覚的コントロールの精度向上）
を意識した指示にしてあります。ご自身で入力する際の参考にしてみてください。
Wan2.2を意識したプロンプトを考える際には、ChatGPTを始めとした生成AIに
・Wan2.2の特徴を最大限活かして、〜のような画像を生成したい場合のプロンプトの例を教えてください
・現在の〜というプロンプトを、Wan2.2の特徴を最大限活かしたプロンプトに修正してください。〜のような画像を生成したいです。
などと聞いてもらえばいいのではないかと思います。
CLIP Text Encode（Negative Prompt）：
（クリップテキストエンコーダー – ネガティブプロンプト）
色调艳丽，过曝，静态，细节模糊不清，字幕，文字，水印，作品，画作，画面，整体发灰，最差质量，低质量，JPEG压缩残留，马赛克，丑陋的，残缺的，多余的手指，畸形的手，变形的手部，画得不好的脸部，脸部畸形，毁容，形态畸形的肢体，手指融合，额外肢体，三条腿，额外的头，多个躯干，重复的肢体，错位的五官，不对称脸，模糊边缘，噪点过强，杂乱的背景，背景人物过多，倒着走，不自然的姿势，静止不动的画面，低对比度，平面色块，过度平滑皮肤，人工抚平，过度锐化，非写实色彩，NSFW
日本語訳
色調が派手、露出オーバー、静止画、ディテールが不明瞭、字幕、文字、透かし、 作品、絵画、画面、全体的にくすんでいる、最低品質、低品質、JPEG圧縮の残留、モザイク、醜い、欠損、余分な指、奇形の手、変形した手、下手な顔の描写、顔の奇形、顔面損傷、形態異常のある手足、指の融合、余分な手足、 3本足、余分な頭、複数の胴体、重複した手足、位置がずれた顔立ち、非対称な顔、ぼやけた輪郭、ノイズが強すぎる、雑然とした背景、背景の人物が多すぎる、逆立ち、不自然な姿勢、静止した画面、低コントラスト、平面的な色塊、肌の過度な滑らか化、人工的な滑らか化、過度なシャープネス、非写実的な色彩、NSFW（Not Safe for Work：職場では安全ではない不適切なコンテンツ）
生成したくない（除外したい）画像のイメージを言語化したものを入力します。
英語、中国語、日本語などに対応しているようですが、ComfyUIのWan2.2のチュートリアルでは、ここの設定は主に「中国語」で設定することが推奨されているようです。
こちらも日本語にも対応しているようですが、英語と中国語に比べると精度が落ちるようです。
ご自身の作品を生成する際には、上記のネガティブプロンプトを基本とし、用途に応じて必要な単語を追加、または、削除してみてください。
【Wan2.2 – RunPod編】ComfyUIの使い方：
Kサンプラー（高度）- その1（高速版）
＊画像をクリックすると拡大表示されます
「Kサンプラー（高度）- その1（高速版：Wan2.2 T2I fp16 + 4 steps LoRA）」では、画像生成（Text2Image）をするための詳細設定をします。
ノイズ追加：
enable
（有効）
ここの設定で「enable」（有効）にすると、生成過程に追加のランダムノイズが注入されます。
多様性やテクスチャ感が増しますが、ノイズ・アーティファクトが出ることもあるようです。
一般的に
・多様な結果を得たい場合に「enable」（有効）
・再現性を重視する場合に「disable」（無効）
にします。
高速版のワークフローでは、始めの方の2ステップで有効化し、その後の2ステップで無効化して、最終的な生成物を生成しています。
ノイズシード：
133466010155075
ノイズの生成で使う乱数シード（整数）を設定します。
同じシードは同じ初期ノイズを再現します。
生成物の結果を再現したい場合は、ワークフローを実行する前に、ここの数値を同じ数値にしておきます。
試した感じでは、同じノイズシードにしても
・使うGPUによって結果が微妙に変化
する傾向があるようでした。
そのため、結果の再現をしたい場合には
・「ノイズシードの数値」に加えて「どのGPUを使ったか？」
についても記録しておくと良いかもしれません。
生成後の制御：
randomize
（ランダム）
生成完了後に適用する追加処理の振る舞いを指定します。
ここの設定を「randomize」（ランダム）にすると、ワークフローを実行直後に「ノイズシード」の数値が自動的に違う数値に変わります。
1つのプロンプトの内容に対して、多様性が欲しい場合は「randomize」（ランダム）の設定にします。
1つのプロンプトの内容に対して、生成結果を同じにしたい場合には「fixed」（固定）の設定にします。
「randomize」（ランダム）にした際の注意点としては
・ワークフローを実行すると、実行前に表示されていたノイズシードの数値
の生成物ができる点です。
そのため「randomize」（ランダム）の設定にして、どのような生成物ができるか確認する場合には
・実行前のノイズシードの数値
をコピー＆ペーストして記録しておくといかもしれません。（生成物を再現できるため）
ステップ：
4
高速版では「wan2.2_t2v_lightx2v_4steps_lora_v1.1_〜_noise.safetensors」という「Lightx2v 4steps LoRA」（Light×2v 4ステップ LoRA適用）のモデルを使うため、実行するステップ数（デノイズ反復回数）を4回（4ステップ）にしてあります。
一般的に、ステップ数が少ないほど高速に処理されるがディテール不足で精度が落ちる傾向があります。
4ステップは、ステップ数としては、非常に少なく、荒く・ラフな出力になりやすいようですが、LoRAを適用することで少ないステップでも品質を保てるようにしています。
ただ、試した範囲では
・サンプラー
・スケジューラ
の種類によっては、品質が悪い生成物が出力されることも経験しています。
そのため、生成結果が思わしくない場合には、必要に応じてステップ数を増やしてどうなるのか？検証してみてください。
cfg：
1.5
「CFG」（Classifier-Free Guidance）は、プロンプトへの準拠度を制御するスケール値の強度（従属性）を表します。
値を上げるとプロンプトに対する忠実性が上がる一方で、過度に高いとアーティファクトや不自然さが出やすくなると考えられているようです。
【参考例】
CFGの値域と挙動の目安
・0.0〜0.5：ほぼ無ガイダンス
（プロンプト影響が弱く、生成はモデルの事前分布に近い。実験や完全な多様性を狙う時に指定）
・0.5〜1.0：軽めのガイダンス
（プロンプトを程よく反映しつつ自然さを保つ）
・1.0〜3.0：標準的な実用域
（多くのケースで1.5〜2.5あたりがよく使われる。1.5は控えめ、2.0付近はバランス良い、2.5〜3.0でより忠実）
・3.0〜7.0：強め〜非常に強いガイダンス
（プロンプト準拠性は高まるがアーティファクトや不自然さ、過適合・テキストの文字が現れる等が出やすい）
・＞7.0：極端に高く実用上は稀
（安定性問題や崩れを招きやすい）
運用例
・初期試行：1.5〜2.5を基準に微調整
・多様性が欲しい：低め（1.0未満）に下げる
・プロンプト従属性重視：2.5前後まで上げて様子を見る
高すぎる値でアーティファクトが出たら、ステップ数を増やすなどで微調整
サンプラー名：
uni_pc_bh2
使用するサンプリングアルゴリズムを指定します。
アルゴリズムごとに収束の仕方やディテール表現、速度が異なります。
4ステップというわずかなステップ数のみで、画像の生成が比較的に安定して精度が良いサンプラーを検証したとところ「uni_pc_bh2」が良かったので、初期設定にしておきました。
試した感じでは、サンプラーを変更すると、同じプロンプトでも生成される画像の傾向（人物・色合い・背景の傾向など）が変わるようでした。
他のサンプラーにすると、4ステップのみでは品質の低い生成物が生成されることも経験しています。
必要に応じてステップ数を増やして結果がどうなるか？検証してみてください。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
スケジューラ：
ddim_uniform
各ステップで使うノイズ強度（sigma）やタイムラインの離散化方法を決めるスケジューラの設定をします。
「ddim_uniform」は、「DDIM」（Denoising Diffusion Implicit Models：デノイジング拡散インプリシットモデル・暗黙的デノイジング拡散モデル）方式という拡散モデルのサンプリング手法の一つで均等にタイムステップを割る設定のようです。少ないステップで速く、かつ（必要に応じて）決定的にサンプルを生成できるようにした拡散モデルのサンプリング手法とのことです。
色々と調べながら、サンプラーやスケジューラを検証してみたところ、理屈としては推奨されるサンプラーやスケジューラもあるようですが、人の目による生成結果の評価では
・サンプラー：uni_pc_bh2
・スケジューラ：ddim_uniform
の設定が、「wan2.2_t2v_lightx2v_4steps_lora_v1.1_〜_noise.safetensors」という「Lightx2v 4steps LoRA」（Light×2v 4ステップ LoRA適用）のモデルを活用した4ステップのみのステップ数に耐えうる生成物が生成できる傾向があることを感じましたので、今回の初期設定に「ddim_uniform」を採用することにしました。
サンプラーと同様に、スケジューラを変更すると、同じプロンプトでも生成される画像の傾向（人物・色合い・背景の傾向など）が変わるようでした。
他のスケジューラにすると、4ステップのみでは品質の低い生成物が生成されることも経験しています。
必要に応じてステップ数を増やして結果がどうなるか？検証してみてください。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
ステップ開始：
0
ステップ終了：
2
指定したステップ数「4」の内、最初のステップ（1ステップ）から2ステップまで「Kサンプラー（高度）- その1（高速版）」の設定で処理をする設定です。
「0」は通常「最初の/最大ノイズ側」から開始することを示すようです。
少しわかりにくいですが「0から開始しステップ1、ステップ2を処理する」（ステップ0〜ステップ2の区間）と捉えてもらえればいいかと思います。
今回のチュートリアルでは、ステップ数の「4」の内、始めの2ステップを「Kサンプラー（高度）- その1（高速版）」で処理し、残りの2ステップを「Kサンプラー（高度）- その2（高速版）」で処理し、画像を生成させています。
残りのノイズと一緒に返す：
enable
（有効）
「Kサンプラー（高度）- その1（高速版）」の処理では、生成結果とともに「まだ残っている」ノイズ状態（中間ノイズマップや最終ノイズ残差）も出力させるため「enable」（有効）にします。
途中経過の処理を後続のノードの「Kサンプラー（高度）- その2（高速版）」で再利用します。
「disable」（無効）にすると最終画像のみが出力されます。
今回のチュートリアルでは「Kサンプラー（高度）- その2（高速版）」で「disable」（無効）にし、最終画像のみを完成品として出力させます。
【Wan2.2 – RunPod編】ComfyUIの使い方：
Kサンプラー（高度）- その2（高速版）
＊画像をクリックすると拡大表示されます
「Kサンプラー（高度）- その2（高速版：Wan2.2 T2I fp16 + 4 steps LoRA）」では、画像生成（Text2Image）をするための詳細設定をします。
ノイズ追加：
disable
（無効）
ここの設定で「disable」（無効）にすると、生成過程に追加のランダムノイズが注入されません。
一般的に
・多様な結果を得たい場合に「enable」（有効）
・再現性を重視する場合に「disable」（無効）
にします。
高速版のワークフローでは、始めの方の2ステップで有効化し、その後の2ステップで無効化して、最終的な生成物を生成しています。
ノイズシード：
0
ノイズの生成で使う乱数シード（整数）を設定します。
同じシードは同じ初期ノイズを再現します。
生成物の結果を再現したい場合は、ワークフローを実行する前に、ここの数値を同じ数値にしておきます。
初期設定では、ここの設定の「ノイズシード」の数値は「0」で固定しているので、「Kサンプラー（高度）- その1（高速版）」の「ノイズシード」の数値を指定しておくと、結果を再現できるようにしてあります。
生成後の制御：
fixed
（固定）
生成完了後に適用する追加処理の振る舞いを指定します。
ここの設定を「fixed」（固定）にすると、ワークフローを実行しても「ノイズシード」の数値が同じ数値のままになります。
1つのプロンプトの内容に対して、多様性が欲しい場合は「randomize」（ランダム）の設定にします。
1つのプロンプトの内容に対して、生成結果を同じにしたい場合には「fixed」（固定）の設定にします。
ステップ：
4
「Kサンプラー（高度）- その1（高速版）」で指定したステップ回数と同じ数値を設定します。
高速版では「wan2.2_t2v_lightx2v_4steps_lora_v1.1_〜_noise.safetensors」という「Lightx2v 4steps LoRA」（Light×2v 4ステップ LoRA適用）のモデルを使うため、実行するステップ数（デノイズ反復回数）を4回（4ステップ）にしてあります。
一般的に、ステップ数が少ないほど高速に処理されるがディテール不足で精度が落ちる傾向があります。
4ステップは、ステップ数としては、非常に少なく、荒く・ラフな出力になりやすいようですが、LoRAを適用することで少ないステップでも品質を保てるようにしています。
ただ、試した範囲では
・サンプラー
・スケジューラ
の種類によっては、品質が悪い生成物が出力されることも経験しています。
そのため、生成結果が思わしくない場合には、必要に応じてステップ数を増やしてどうなるのか？検証してみてください。
cfg：
2.0
「CFG」（Classifier-Free Guidance）は、プロンプトへの準拠度を制御するスケール値の強度（従属性）を表します。
その1の設定値の「1.5」より強めのプロンプト追従。高めにすると指示に忠実だが過度に固くなったりアーティファクトが出る可能性があるようです。
【参考例】
CFGの値域と挙動の目安
・0.0〜0.5：ほぼ無ガイダンス
（プロンプト影響が弱く、生成はモデルの事前分布に近い。実験や完全な多様性を狙う時に指定）
・0.5〜1.0：軽めのガイダンス
（プロンプトを程よく反映しつつ自然さを保つ）
・1.0〜3.0：標準的な実用域
（多くのケースで1.5〜2.5あたりがよく使われる。1.5は控えめ、2.0付近はバランス良い、2.5〜3.0でより忠実）
・3.0〜7.0：強め〜非常に強いガイダンス
（プロンプト準拠性は高まるがアーティファクトや不自然さ、過適合・テキストの文字が現れる等が出やすい）
・＞7.0：極端に高く実用上は稀
（安定性問題や崩れを招きやすい）
運用例
・初期試行：1.5〜2.5を基準に微調整
・多様性が欲しい：低め（1.0未満）に下げる
・プロンプト従属性重視：2.5前後まで上げて様子を見る
高すぎる値でアーティファクトが出たら、ステップ数を増やすなどで微調整
サンプラー名：
uni_pc_bh2
使用するサンプリングアルゴリズムを指定します。
アルゴリズムごとに収束の仕方やディテール表現、速度が異なります。
4ステップというわずかなステップ数のみで、画像の生成が比較的に安定して精度が良いサンプラーを検証したとところ「uni_pc_bh2」が良かったので、初期設定にしておきました。
試した感じでは、サンプラーを変更すると、同じプロンプトでも生成される画像の傾向（人物・色合い・背景の傾向など）が変わるようでした。
他のサンプラーにすると、4ステップのみでは品質の低い生成物が生成されることも経験しています。
必要に応じてステップ数を増やして結果がどうなるか？検証してみてください。
今回は、一貫性を持たせるために「Kサンプラー（高度）- その1（高速版）」で指定したサンプラーと同じサンプラーにしておきましたが、生成物の多様性を求める場合には、ここの設定を「Kサンプラー（高度）- その1（高速版）」の設定と違うサンプラーにすることもできるようでした。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
スケジューラ：
ddim_uniform
各ステップで使うノイズ強度（sigma）やタイムラインの離散化方法を決めるスケジューラの設定をします。
「ddim_uniform」は、「DDIM」（Denoising Diffusion Implicit Models：デノイジング拡散インプリシットモデル・暗黙的デノイジング拡散モデル）方式という拡散モデルのサンプリング手法の一つで均等にタイムステップを割る設定のようです。少ないステップで速く、かつ（必要に応じて）決定的にサンプルを生成できるようにした拡散モデルのサンプリング手法とのことです。
色々と調べながら、サンプラーやスケジューラを検証してみたところ、理屈としては推奨されるサンプラーやスケジューラもあるようですが、人の目による生成結果の評価では
・サンプラー：uni_pc_bh2
・スケジューラ：ddim_uniform
の設定が、「wan2.2_t2v_lightx2v_4steps_lora_v1.1_〜_noise.safetensors」という「Lightx2v 4steps LoRA」（Light×2v 4ステップ LoRA適用）のモデルを活用した4ステップのみのステップ数に耐えうる生成物が生成できる傾向があることを感じましたので、今回の初期設定に「ddim_uniform」を採用することにしました。
サンプラーと同様に、スケジューラを変更すると、同じプロンプトでも生成される画像の傾向（人物・色合い・背景の傾向など）が変わるようでした。
他のスケジューラにすると、4ステップのみでは品質の低い生成物が生成されることも経験しています。
必要に応じてステップ数を増やして結果がどうなるか？検証してみてください。
今回は、一貫性を持たせるために「Kサンプラー（高度）- その1（高速版）」で指定したスケジューラと同じスケジューラにしておきましたが、生成物の多様性を求める場合には、ここの設定を「Kサンプラー（高度）- その1（高速版）」の設定と違うスケジューラにすることもできるようでした。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
ステップ開始：
2
ステップ終了：
4
指定したステップ数「4」の内、3ステップから4ステップまで「Kサンプラー（高度）- その2（高速版）」の設定で処理をする設定です。
少しわかりにくいですが「ステップ2から開始しステップ3、ステップ4を処理する」（ステップ2〜ステップ4の区間）と捉えてもらえればいいかと思います。
今回のチュートリアルでは、ステップ数の「4」の内、始めの2ステップを「Kサンプラー（高度）- その1（高速版）」で処理し、残りの2ステップを「Kサンプラー（高度）- その2（高速版）」で処理し、画像を生成させています。
【参考：ステップの設定について】
「ステップ」の設定は、「Kサンプラー（高度）- その1」と「Kサンプラー（高度）- その2」を同じ数値にします。
この数値が実行する合計ステップ回数になります。
「Kサンプラー（高度）- その1」は、「ステップ開始：0」にします。
一例として、「ステップ終了」は、合計のステップ回数の半分を目安にします。
「Kサンプラー（高度）- その2」の「ステップ開始」の数値は、「Kサンプラー（高度）- その1」で指定した「ステップ終了」の数値にします。
「Kサンプラー（高度）- その2」の「ステップ終了」の数値は、合計のステップ回数の数値にします。
具体例：「ステップ：20」にする場合：
・Kサンプラー（高度）- その1
– ステップ：20
– ステップ開始：0
– ステップ終了：10
・Kサンプラー（高度）- その2
– ステップ：20
– ステップ開始：10
– ステップ終了：20
残りのノイズと一緒に返す：
disable
（無効）
「Kサンプラー（高度）- その1（高速版）」の処理では、生成結果とともに「まだ残っている」ノイズ状態（中間ノイズマップや最終ノイズ残差）も出力させた途中経過の処理を「Kサンプラー（高度）- その2（高速版）」で再利用し、「disable」（無効）にすることで4ステップ後の最終画像を出力しています。
【Wan2.2 – RunPod編】ComfyUIの使い方：
Kサンプラー（高度）- その1（高品質版）
＊画像をクリックすると拡大表示されます
「Kサンプラー（高度）- その1（高品質版：Wan2.2 T2I fp16）」では、画像生成（Text2Image）をするための詳細設定をします。
ノイズ追加：
enable
（有効）
ここの設定で「enable」（有効）にすると、生成過程に追加のランダムノイズが注入されます。
多様性やテクスチャ感が増しますが、ノイズ・アーティファクトが出ることもあるようです。
一般的に
・多様な結果を得たい場合に「enable」（有効）
・再現性を重視する場合に「disable」（無効）
にします。
高品質版のワークフローでは、始めの方の10ステップで有効化し、その後の10ステップで無効化して、最終的な生成物を生成しています。
ノイズシード：
743121082265743
ノイズの生成で使う乱数シード（整数）を設定します。
同じシードは同じ初期ノイズを再現します。
生成物の結果を再現したい場合は、ワークフローを実行する前に、ここの数値を同じ数値にしておきます。
試した感じでは、同じノイズシードにしても
・使うGPUによって結果が微妙に変化
する傾向があるようでした。
そのため、結果の再現をしたい場合には
・「ノイズシードの数値」に加えて「どのGPUを使ったか？」
についても記録しておくと良いかもしれません。
生成後の制御：
randomize
（ランダム）
生成完了後に適用する追加処理の振る舞いを指定します。
ここの設定を「randomize」（ランダム）にすると、ワークフローを実行直後に「ノイズシード」の数値が自動的に違う数値に変わります。
1つのプロンプトの内容に対して、多様性が欲しい場合は「randomize」（ランダム）の設定にします。
1つのプロンプトの内容に対して、生成結果を同じにしたい場合には「fixed」（固定）の設定にします。
「randomize」（ランダム）にした際の注意点としては
・ワークフローを実行すると、実行前に表示されていたノイズシードの数値
の生成物ができる点です。
そのため「randomize」（ランダム）の設定にして、どのような生成物ができるか確認する場合には
・実行前のノイズシードの数値
をコピー＆ペーストして記録しておくといかもしれません。（生成物を再現できるため）
ステップ：
20
高品質版では「wan2.2_t2v_lightx2v_4steps_lora_v1.1_〜_noise.safetensors」という「Lightx2v 4steps LoRA」（Light×2v 4ステップ LoRA適用）のモデルを使わないので、実行するステップ数（デノイズ反復回数）を20回（20ステップ）にしてあります。
一般的に、ステップ数が少ないほど高速に処理されるがディテール不足で精度が落ちる傾向があります。
試した感じでは、20ステップで概ね安定した結果が出力できる印象を受けていますが、生成がうまくいかない場合には、必要に応じて30ステップなどとステップ数を増やしてみてください。
cfg：
3.5
「CFG」（Classifier-Free Guidance）は、プロンプトへの準拠度を制御するスケール値の強度（従属性）を表します。
値を上げるとプロンプトに対する忠実性が上がる一方で、過度に高いとアーティファクトや不自然さが出やすくなると考えられているようです。
【参考例】
CFGの値域と挙動の目安
・0.0〜0.5：ほぼ無ガイダンス
（プロンプト影響が弱く、生成はモデルの事前分布に近い。実験や完全な多様性を狙う時に指定）
・0.5〜1.0：軽めのガイダンス
（プロンプトを程よく反映しつつ自然さを保つ）
・1.0〜3.0：標準的な実用域
（多くのケースで1.5〜2.5あたりがよく使われる。1.5は控えめ、2.0付近はバランス良い、2.5〜3.0でより忠実）
・3.0〜7.0：強め〜非常に強いガイダンス
（プロンプト準拠性は高まるがアーティファクトや不自然さ、過適合・テキストの文字が現れる等が出やすい）
・＞7.0：極端に高く実用上は稀
（安定性問題や崩れを招きやすい）
運用例
・初期試行：1.5〜2.5を基準に微調整
・多様性が欲しい：低め（1.0未満）に下げる
・プロンプト従属性重視：2.5前後まで上げて様子を見る
高すぎる値でアーティファクトが出たら、ステップ数を増やすなどで微調整
サンプラー名：
uni_pc_bh2
使用するサンプリングアルゴリズムを指定します。
アルゴリズムごとに収束の仕方やディテール表現、速度が異なります。
今回は、高速版の4ステップと対比させるために、あえてサンプラーの設定を高速版の設定と同じにしてあります。
試した感じでは、サンプラーを変更すると、同じプロンプトでも生成される画像の傾向（人物・色合い・背景の傾向など）が変わるようでした。
他のサンプラーにすると、結果がどうなるか？検証してみてください。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
スケジューラ：
ddim_uniform
各ステップで使うノイズ強度（sigma）やタイムラインの離散化方法を決めるスケジューラの設定をします。
「ddim_uniform」は、「DDIM」（Denoising Diffusion Implicit Models：デノイジング拡散インプリシットモデル・暗黙的デノイジング拡散モデル）方式という拡散モデルのサンプリング手法の一つで均等にタイムステップを割る設定のようです。少ないステップで速く、かつ（必要に応じて）決定的にサンプルを生成できるようにした拡散モデルのサンプリング手法とのことです。
色々と調べながら、サンプラーやスケジューラを検証してみたところ、理屈としては推奨されるサンプラーやスケジューラもあるようですが、理屈通りにはいかない印象を受けています。
今回は、高速版の4ステップと対比させるために、あえてサンプラーの設定を高速版の設定と同じにしてあります。
サンプラーと同様に、スケジューラを変更すると、同じプロンプトでも生成される画像の傾向（人物・色合い・背景の傾向など）が変わるようでした。
興味のある方は、サンプラーとスケジューラの組み合わせを変えて変化を検証してみてください。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
ステップ開始：
0
ステップ終了：
10
指定したステップ数「20」の内、最初のステップ（1ステップ）から10ステップまで「Kサンプラー（高度）- その1（高品質版）」の設定で処理をする設定です。
「0」は通常「最初の/最大ノイズ側」から開始することを示すようです。
少しわかりにくいですが「0から開始しステップ1、ステップ10までの処理をする」（ステップ0〜ステップ10の区間）と捉えてもらえればいいかと思います。
今回のチュートリアルでは、ステップ数の「20」の内、始めの10ステップを「Kサンプラー（高度）- その1（高品質版）」で処理し、残りの10ステップを「Kサンプラー（高度）- その2（高品質版）」で処理し、画像を生成させています。
残りのノイズと一緒に返す：
enable
（有効）
「Kサンプラー（高度）- その1（高品質版）」の処理では、生成結果とともに「まだ残っている」ノイズ状態（中間ノイズマップや最終ノイズ残差）も出力させるため「enable」（有効）にします。
途中経過の処理を後続のノードの「Kサンプラー（高度）- その2（高品質版）」で再利用します。
「disable」（無効）にすると最終画像のみが出力されます。
今回のチュートリアルでは「Kサンプラー（高度）- その2（高品質版）」で「disable」（無効）にし、最終画像のみを完成品として出力させます。
【Wan2.2 – RunPod編】ComfyUIの使い方：
Kサンプラー（高度）- その2（高品質版）
＊画像をクリックすると拡大表示されます
「Kサンプラー（高度）- その2（高品質版：Wan2.2 T2I fp16）」では、画像生成（Text2Image）をするための詳細設定をします。
ノイズ追加：
disable
（無効）
ここの設定で「disable」（無効）にすると、生成過程に追加のランダムノイズが注入されません。
一般的に
・多様な結果を得たい場合に「enable」（有効）
・再現性を重視する場合に「disable」（無効）
にします。
高品質版のワークフローでは、始めの方の10ステップで有効化し、その後の10ステップで無効化して、最終的な生成物を生成しています。
ノイズシード：
0
ノイズの生成で使う乱数シード（整数）を設定します。
同じシードは同じ初期ノイズを再現します。
生成物の結果を再現したい場合は、ワークフローを実行する前に、ここの数値を同じ数値にしておきます。
初期設定では、ここの設定の「ノイズシード」の数値は「0」で固定しているので、「Kサンプラー（高度）- その1（高品質版）」の「ノイズシード」の数値を指定しておくと、結果を再現できるようにしてあります。
生成後の制御：
fixed
（固定）
生成完了後に適用する追加処理の振る舞いを指定します。
ここの設定を「fixed」（固定）にすると、ワークフローを実行しても「ノイズシード」の数値が同じ数値のままになります。
1つのプロンプトの内容に対して、多様性が欲しい場合は「randomize」（ランダム）の設定にします。
1つのプロンプトの内容に対して、生成結果を同じにしたい場合には「fixed」（固定）の設定にします。
ステップ：
20
「Kサンプラー（高度）- その1（高品質版）」で指定したステップ回数と同じ数値を設定します。
高品質版では「wan2.2_t2v_lightx2v_4steps_lora_v1.1_〜_noise.safetensors」という「Lightx2v 4steps LoRA」（Light×2v 4ステップ LoRA適用）のモデルを使わないため、実行するステップ数（デノイズ反復回数）を20回（20ステップ）にしてあります。
一般的に、ステップ数が少ないほど高速に処理されるがディテール不足で精度が落ちる傾向があります。
試した感じでは、20ステップで概ね安定した結果が出力できる印象を受けていますが、生成がうまくいかない場合には、必要に応じて30ステップなどとステップ数を増やしてみてください。
cfg：
4.0
「CFG」（Classifier-Free Guidance）は、プロンプトへの準拠度を制御するスケール値の強度（従属性）を表します。
その1の設定値の「3.5」より強めのプロンプト追従。高めにすると指示に忠実だが過度に固くなったりアーティファクトが出る可能性があるようです。
【参考例】
CFGの値域と挙動の目安
・0.0〜0.5：ほぼ無ガイダンス
（プロンプト影響が弱く、生成はモデルの事前分布に近い。実験や完全な多様性を狙う時に指定）
・0.5〜1.0：軽めのガイダンス
（プロンプトを程よく反映しつつ自然さを保つ）
・1.0〜3.0：標準的な実用域
（多くのケースで1.5〜2.5あたりがよく使われる。1.5は控えめ、2.0付近はバランス良い、2.5〜3.0でより忠実）
・3.0〜7.0：強め〜非常に強いガイダンス
（プロンプト準拠性は高まるがアーティファクトや不自然さ、過適合・テキストの文字が現れる等が出やすい）
・＞7.0：極端に高く実用上は稀
（安定性問題や崩れを招きやすい）
運用例
・初期試行：1.5〜2.5を基準に微調整
・多様性が欲しい：低め（1.0未満）に下げる
・プロンプト従属性重視：2.5前後まで上げて様子を見る
高すぎる値でアーティファクトが出たら、ステップ数を増やすなどで微調整
サンプラー名：
uni_pc_bh2
使用するサンプリングアルゴリズムを指定します。
アルゴリズムごとに収束の仕方やディテール表現、速度が異なります。
今回は、高速版の4ステップと対比させるために、あえてサンプラーの設定を高速版の設定と同じにしてあります。
試した感じでは、サンプラーを変更すると、同じプロンプトでも生成される画像の傾向（人物・色合い・背景の傾向など）が変わるようでした。
他のサンプラーにすると、結果がどうなるか？検証してみてください。
今回は、一貫性を持たせるために「Kサンプラー（高度）- その1（高品質版）」で指定したサンプラーと同じサンプラーにしておきましたが、生成物の多様性を求める場合には、ここの設定を「Kサンプラー（高度）- その1（高品質版）」の設定と違うサンプラーにすることもできるようでした。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
スケジューラ：
ddim_uniform
各ステップで使うノイズ強度（sigma）やタイムラインの離散化方法を決めるスケジューラの設定をします。
「ddim_uniform」は、「DDIM」（Denoising Diffusion Implicit Models：デノイジング拡散インプリシットモデル・暗黙的デノイジング拡散モデル）方式という拡散モデルのサンプリング手法の一つで均等にタイムステップを割る設定のようです。少ないステップで速く、かつ（必要に応じて）決定的にサンプルを生成できるようにした拡散モデルのサンプリング手法とのことです。
色々と調べながら、サンプラーやスケジューラを検証してみたところ、理屈としては推奨されるサンプラーやスケジューラもあるようですが、理屈通りにはいかない印象を受けています。
今回は、高速版の4ステップと対比させるために、あえてサンプラーの設定を高速版の設定と同じにしてあります。
サンプラーと同様に、スケジューラを変更すると、同じプロンプトでも生成される画像の傾向（人物・色合い・背景の傾向など）が変わるようでした。
興味のある方は、サンプラーとスケジューラの組み合わせを変えて変化を検証してみてください。
今回は、一貫性を持たせるために「Kサンプラー（高度）- その1（高品質版）」で指定したスケジューラと同じスケジューラにしておきましたが、生成物の多様性を求める場合には、ここの設定を「Kサンプラー（高度）- その1（高品質版）」の設定と違うスケジューラにすることもできるようでした。
また、設定を変更すると、お使いのGPUによってはメモリ（RAM）・GPUメモリ（VRAM）が不足する可能性も考えられますので、各メモリが足りない場合には「GPU数を増やす」ことで対応してみてください。
ステップ開始：
10
ステップ終了：
20
指定したステップ数「20」の内、11ステップから20ステップまで「Kサンプラー（高度）- その2（高品質版）」の設定で処理をする設定です。
少しわかりにくいですが「ステップ10から開始しステップ11、ステップ20を処理する」（ステップ10〜ステップ20の区間）と捉えてもらえればいいかと思います。
今回のチュートリアルでは、ステップ数の「20」の内、始めの10ステップを「Kサンプラー（高度）- その1（高品質版）」で処理し、残りの10ステップを「Kサンプラー（高度）- その2（高品質版）」で処理し、画像を生成させています。
残りのノイズと一緒に返す：
disable
（無効）
「Kサンプラー（高度）- その1（高品質版）」の処理では、生成結果とともに「まだ残っている」ノイズ状態（中間ノイズマップや最終ノイズ残差）も出力させた途中経過の処理を「Kサンプラー（高度）- その2（高品質版）」で再利用し、「disable」（無効）にすることで4ステップ後の最終画像を出力しています。
【Wan2.2 – RunPod編】ComfyUIの使い方：
VAEデコード
＊画像をクリックすると拡大表示されます
「VAEデコード」では、潜在空間（latent space）にある画像の潜在表現（通常は拡張済みの潜在テンソル）を実際のピクセル画像に復元（デコード）する処理を行います。
（モデルが内部で扱う「圧縮表現：潜在」を人が見られる画像に戻す）
＊VAE（Variational Autoencoder）：変分オートエンコーダ – 画像を小さな数字のまとまりに変えてから、そこから元の画像を復元する仕組み
【Wan2.2 – RunPod編】ComfyUIの使い方：
画像を保存
＊画像をクリックすると拡大表示されます
＊画像をクリックすると拡大表示されます
「画像を保存」では、ワークフローを実行後に生成される画像の保存場所を指定します。
ここの設定は
・Wan2.2 T2I fp16 + 4 steps LoRA（高速版）
・Wan2.2 T2I fp16（高品質版）
で、違う設定になっています。
画像：
ファイル名_プレフィックス：image/Wan2.2_14B_FP16_T2I_4_steps_LoRA
＊Wan2.2 T2I fp16 + 4 steps LoRA（高速版）
ファイル名_プレフィックス：image/Wan2.2_14B_FP16_T2I
＊Wan2.2 T2I fp16（高品質版）
高速版の出力結果は
・「image」フォルダ内
＊フォルダの場所：ComfyUI – output – image
に「Wan2.2_14B_FP16_T2I_4_steps_LoRA〜.png」として出力されます。
高品質版の出力結果は
・「image」フォルダ内
＊フォルダの場所：ComfyUI – output – image
に「Wan2.2_14B_FP16_T2I〜.png」として出力されます。
出力されたファイルは「FileBrowser」上でダウンロードできます。
by 子供プログラマー
：【RunPod編】Wan2.2：ComfyUIチュートリアル（一覧）
– 【Wan2.2】RunPod編：日本人のためのComfyUIの使い方（設定詳解）