日期：2026年 08月 08日

標籤： Linux Ubuntu Docker Docker-Compose Container ComfyUI WSL 2.2 GGUF LoRA LightX2V LoRA FLF2V First-Last Frame to Video

摘要：生成式AI

第一部分：問題描述

Step 1：I2V 三大核心缺點

I2V 由圖片生成影片有以下 3 個核心缺點，圍繞著不可控制性，若需要影片內容具有合理性，勢必要一一克服這些問題：

Step 2：FLF2V - 鎖定劇情走向

簡言之，引入 FLF2V 會加入 起始的圖片 + 結束的圖片 ，我們為 I2V 的生成影片建立了起訖

FLF2V 通過引入第二個控制點（尾幀，Last Frame），將原本的「單向盲猜問題」，
轉變為「雙向約束的插值問題（Bi-directional Constrained Interpolation）」。

簡要的應用場景對應：

I2V：讓一張照片動起來、背景物件會移動 
FLF2V： 精準的鏡頭設計、分鏡腳本製作、精準鎖定起點與終點

Step 3：本篇說明 - 對應規格

若硬體設備遠高於此，基本上 VRAM 不足的問題應不容易發生，可不用檢閱此篇內容

第二部分：FLF2V ComfyUI工作流

Step 1：完整工作流 - 大綱<

本篇文章的工作流是依照上篇文章工作流進行擴展
因此本篇只會著重在 FLF2V 的節點異動與 FLF2V 專用的 GGUF 模型替換。
※上篇文章的第二部分 Step 3: 完整工作流 - 大綱參考

工作主要節點分成 6 個區塊
本篇會著重在 Step1 , Step3 , Step 5異動的部分(與上偏差異的調整)

完整的工作流與節點間的連接可參考完整圖：
※此篇工作流載點：點擊下載

Step 2：Markdown Note - 下載模型

檔案下載的模型都記錄於 Markdown Note 中，對應載點跟出處也可以參考，要能正確運行 FLF2V 必須下載對應的 GGUF： wan2.1-flf2v-14b-720p-Q5_K_M.gguf

所有模型的存放位置也需放到正確位置下：

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 text_encoders/
│   │      └── umt5_xxl_fp8_e4m3fn_scaled.safetensors
│   ├── 📂 clip_vision/
│   │      └── clip_vision_h.safetensors
│   ├── 📂 diffusion_models/
│   │      └── wan2.1-flf2v-14b-720p-Q5_K_M.gguf
│   ├── 📂 loras/
│   │      └── high_noise_model_rank64.safetensors
│   │      └── low_noise_model_rank64.safetensors
│   └── 📂 vae/
│          └── wan_2.1_vae.safetensors

Step 3：工作流 Step1 - Load models

主模型使用 GGUF (wan2.1-flf2v-14b-720p-Q5_K_M.gguf )，首尾偵視頻必須要更換此模型
此節點連結如下：

UNET 加載器 (GGUF)
    └─ 模型 ──→ 加載LoRA (高噪音 模型 輸入)

加載CLIP
    └─ CLIP ──→ 加載LoRA (高噪音 CLIP 輸入)
            └─→ 加載LoRA (低噪音 CLIP 輸入)
加載VAE
    └─ VAE ──→ VAE解碼 (vae 輸入)
        └────→ 圖像到視頻(Wan) (vae 輸入)    

加載CLIP視覺
    └─ CLIP視覺 ──→ CLIP視覺編碼 (CLIP視覺 輸入)

Step 4：工作流 Step2 - Load LoRA - High noise

可以參考 Step 6：工作流 Step2 - Load LoRA - High noise
※上篇文章內容

Step 5：工作流 Step3 - Upload start_image

上傳圖片節點，我們必須增加對應的節點，本篇範例使用 山湖環繞的白天 與 山湖環繞的夜晚 當起訖
此區節點連結如下：

起始圖片
    └─ 圖像 ──→ Resize Image v2 (image 輸入)

Resize Image v2
    └─ 圖像 ──→ Wan 首尾偵視頻 (起始圖像 輸入)
           └──→ 預覽圖像 (圖像 輸入) => 此節點可以忽略，但可以觀察到調整後的圖像預覽 
           └──→ CLIP視覺編碼 (CLIP視覺 輸入)
結束圖片
    └─ 圖像 ──→ Resize Image v2 (image 輸入)

Resize Image v2
    └─ 圖像 ──→ Wan 首尾偵視頻 (結束圖像 輸入)
           └──→ 預覽圖像 (圖像 輸入) => 此節點可以忽略，但可以觀察到調整後的圖像預覽 
           └──→ CLIP視覺編碼 (CLIP視覺 輸入)

CLIP視覺編碼 (對應起始圖像)
    └─  CLIP視覺輸出 ──→ Wan 首尾偵視頻 (Clip 視覺起始圖像 輸入)

CLIP視覺編碼 (對應結束圖像)
    └─  CLIP視覺輸出 ──→ Wan 首尾偵視頻 (Clip 視覺結束圖像 輸入)

補充: 加載圖片、Resize Image v2 的新增節點操作如下：

Step 6：工作流 Step3 - Resize Image v2功能擴充

要使用 Resize Image V2 節點，必須安裝 KJNodes 開發的 ComfyUI-KJNodes 節點包，除了調整圖片尺寸外，還有其他功能：

keep_proportion：保持比例的方式(crop 裁切、pad 補邊等)
divisible_by：讓輸出尺寸能被指定數字整除(對某些模型如影片生成很重要)
crop_position：裁切對齊位置(center、top、bottom 等)

搜尋欄輸入 KJNodes ，會出現對應的 ComfyUI-KJNodes 安裝包，安裝完成後，也需要重新啟動整個容器

Step 7：工作流 Step4 - Prompt

可以參考 Step 8：工作流 Step4 - Prompt
※上篇文章內容

Step 8：工作流 Step5 - Video size

這裡需要新增一個 Wan首尾帧视频 節點 (取代上一篇原本的 Wan 图像到视频（Wan）)

圖像到視頻
    └─ 正向 ──→ K採樣器 (高噪音的 正面條件 輸入)
           └──→ K採樣器 (低噪音的 正面條件 輸入)
    └─ 負向 ──→ K採樣器 (高噪音的 負面條件 輸入)
           └──→ K採樣器 (低噪音的 負面條件 輸入)
    └─ Latent → K採樣器 (高噪音的 Latent圖像)
           └──→ K採樣器 (低噪音的 Latent圖像)

Step 9：工作流 Step6 - Load LoRA - Low Noise

可以參考 Step 10：工作流 Step6 - Load LoRA - Low Noise
※上篇文章內容

第三部分：驗證成果

Step 1：山湖環繞日夜變化 - 準備

我們範例使用了以下 2 張圖片，作為起始與結束，白天：


夜晚：


正面提示詞，必須要符合起訖的變化

從白天到晚上的景色變化，微風吹動

最關鍵的是所有的圖片、影片 Width , Height 必須保持一致，避免影片變形

Step 2：山湖環繞日夜變化 - Demo 結果

Wan + FLFV2 平均耗時約 240 秒左右(生成約 50次影片，平均秒數 212 ~ 268 間)，完成生成 5 秒影片
影片的結果始終會趨向於結束的圖片(也就是山湖環繞的夜景)，但中間過程中可能會出現不太符合物理邏輯的轉場
但我們的目的已經達到：

FLF2V 模型只負責「腦補中間的過渡過程」，但讓使用者鎖定了起點和終點。大幅降低非預期的結果。

山湖環繞日夜變化 - 範例影片：

Step 3：大力水手漫畫動畫化 - 商標權

在動畫領域中，如果已經有漫畫出來了，那麼就更容易導入 FLFV2 實現動畫化
※要注意 不能隨意找漫畫片段生成動畫，這將會侵犯商標權 ，因此要使用已列入 公共領域 (Public Domain) 的漫畫

根據美國版權法，1929 年發表的作品，其 95 年的版權保護期已於 2025 年 1 月 1 日正式屆滿。

這張大力水手首次發表於 1929 年 1 月 17 日的漫畫《Thimble Theatre》，是大力水手卜派（Popeye）在歷史上的第一次登場。已列入公共領域
因此很適合做為漫畫動畫化的演示 ※Wiki來源

Step 4：大力水手漫畫動畫化 - 準備

我們挑出第 1 格分鏡當起始圖片：


第 2 格分鏡當結束圖片：

正面提示詞，必須要符合人類看漫畫的時候腦補的意境變化：
※因為是 2D 動漫人物，因此需要提示詞中強調是 2D 漫畫

左邊的人提著皮箱往右邊跑過去，坐著的人始終坐著盯著走過去的人
flat 2D comic strip style, simple thick black outlines, 
solid flat colors, minimal shading

開始進行生成：

Step 5：大力水手漫畫動畫化 - Demo 結果

Wan + FLFV2 平均耗時也約 240 秒左右(基本上相近，圖片不太影響平均耗時)，完成生成 5 秒影片
影片的結果始終雖然會趨向於漫畫中 卡斯特提著皮箱跑去找船員，朋友坐著看著卡斯特
但能生一個較正常的影片是十分困難的，畢竟 每個漫畫家的角色、畫風都不相同 ，
因此 FLF2V 的幻想過程會出現大量讀者覺得異常的影片

※此外也與 Wan 模型的訓練過程有關係：

Wan 這類影片模型的訓練資料以真實影片為主,對「粗線條、平塗色塊」的漫畫風格掌握度低很多。

生成約 50 次影片，約 5 次比較好的輸出結果 - 以下提供較不錯的生成影片：

第四部分：分析、探討

Step 1：FLFV2 點出缺點

FLF2V 的本質是「用首尾兩個基準點換取比 T2V / I2V 更高的可控性」，但始終屬於生成模型，能更接近，但並不能完全精準
我們將缺點分成 4 類(控制力、一致性、素材要求、技術成本)點出：

1. 控制力

2. 一致性

3. 素材要求

4. 技術成本

Step 2：生成穩定性影片探討

既然知道缺點實際上就有應對的解法了，始終圍繞在成本上是否值得花費更多時間投入。

「穩定」可拆成幾個面向:**動作穩定、主體一致、風格/顏色穩定、長影片連貫**。不同方法各自解決不同面向,實務上是分層疊加使用。

一覽表：