覆盖SDXL 双 CLIP 专用、Base+Refiner 一体化、组件混搭、Diffusers 格式、高效精简、FP8 量化等场景，下面按内置官方 → 第三方主流 → 特殊优化详细讲解，附输出、适用场景、JSON 模板与选型对比。

---

一、内置官方 SDXL 专用加载器（原生支持，无需插件）

1. SDXLCheckpointLoader（SDXL 双 CLIP 专用，最推荐）

核心定位

ComfyUI 官方原生 SDXL 加载器，专为 SDXL 架构设计，自动处理双 CLIP（CLIP-G/CLIP-L），无需手动配置，解决 Simple 加载器在 SDXL 下双 CLIP 连接繁琐、易出错的问题。

API 与输出（多一个 CLIP2）

python

运行

INPUT_TYPES = {"required": {"ckpt_name": (["模型列表"], )}}
RETURN_TYPES = ("MODEL", "CLIP", "CLIP2", "VAE")
# 索引：0=MODEL(UNet)、1=CLIP-G(大模型文本编码器)、2=CLIP-L(小模型文本编码器)、3=VAE

适用模型

• SDXL 1.0 Base、SDXL 1.0 Refiner、SDXL 1.0 Turbo、Juggernaut XL、PonyDiffusion、Realistic Vision XL 等所有 SDXL 标准模型。

最简 JSON（可直接运行）

json

{
  "1": {
    "inputs": {"ckpt_name": "sdxl_base_1.0.safetensors"},
    "class_type": "SDXLCheckpointLoader"
  },
  "2": {
    "inputs": {
      "text": "masterpiece, 8k, ultra detailed, a cyberpunk city at night",
      "clip": ["1", 1],  # 接 CLIP-G
      "clip2": ["1", 2]  # 接 CLIP-L
    },
    "class_type": "CLIPTextEncodeSDXL"
  },
  "3": {
    "inputs": {
      "text": "blurry, low res, ugly, deformed",
      "clip": ["1", 1],
      "clip2": ["1", 2]
    },
    "class_type": "CLIPTextEncodeSDXL"
  },
  "4": {
    "inputs": {"width": 1024, "height": 1024, "batch_size": 1},
    "class_type": "EmptyLatentImage"
  },
  "5": {
    "inputs": {
      "seed": 123456,
      "steps": 30,
      "cfg": 7.5,
      "sampler_name": "euler_ancestral",
      "scheduler": "normal",
      "denoise": 1,
      "model": ["1", 0],
      "positive": ["2", 0],
      "negative": ["3", 0],
      "latent_image": ["4", 0]
    },
    "class_type": "KSampler"
  },
  "6": {
    "inputs": {"samples": ["5", 0], "vae": ["1", 3]},
    "class_type": "VAEDecode"
  },
  "7": {
    "inputs": {"filename_prefix": "SDXL_official", "images": ["6", 0]},
    "class_type": "SaveImage"
  }
}

连接要点

• 两个 CLIP 必须同时接入 CLIPTextEncodeSDXL（SDXL 专用提示词编码节点）
• VAE 接 VAEDecode（SDXL 建议用 sdxl_vae.safetensors）

---

2. CheckpointLoader（高级版，支持自定义 config）

核心定位

官方高级通用加载器，支持 SDXL 模型，可手动指定 config_name（如 sd_xl_base.yaml），适合SDXL 组件混搭、自定义架构、非标准 SDXL 模型。

API 与输入

python

运行

INPUT_TYPES = {
    "required": {
        "ckpt_name": (["模型列表"], ),
        "config_name": (["配置文件列表"], {"default": "sd_xl_base.yaml"})
    }
}
RETURN_TYPES = ("MODEL", "CLIP", "VAE")  # 双 CLIP 需手动拆分

适用场景

• 高级实验：SDXL UNet + 自定义 CLIP/VAE
• 非标准 SDXL 模型（如修改架构的 SDXL 衍生版）

最简 JSON

json

{
  "1": {
    "inputs": {
      "ckpt_name": "sdxl_base_1.0.safetensors",
      "config_name": "sd_xl_base.yaml"
    },
    "class_type": "CheckpointLoader"
  }
}

---

二、第三方主流 SDXL 加载器（效率 / 功能拉满，必装）

3. CheckpointLoader|pysssss（增强型，SDXL 组件自由混搭）

核心定位

comfyui-pysssss 插件提供的全能加载器，完美支持 SDXL，解决官方加载器无预览、不能独立选 CLIP/VAE、难管理的痛点，是SDXL 专业用户首选。

核心优势（SDXL 专属）

• ✅ 模型预览图（模型目录放同名 .png 即可）
• ✅ 独立选择 MODEL/CLIP/CLIP2/VAE（自由混搭 SDXL 组件）
• ✅ 一键保存 / 调用预设（快速切换 SDXL Base/Refiner/ 风格模型）
• ✅ 自动识别 SDXL 双 CLIP，无需手动配置
• ✅ 显存优化，减少 SDXL 加载显存占用

输入输出

python

运行

INPUT_TYPES = {
    "required": {"ckpt_name": (["模型列表"], )},
    "optional": {
        "clip_name": (["CLIP 列表"], ),  # 独立选 CLIP-G
        "clip2_name": (["CLIP 列表"], ), # 独立选 CLIP-L
        "vae_name": (["VAE 列表"], )     # 独立选 VAE
    }
}
RETURN_TYPES = ("MODEL", "CLIP", "CLIP2", "VAE")

最简 JSON（SDXL 组件混搭示例）

json

{
  "1": {
    "inputs": {
      "ckpt_name": "sdxl_base_1.0.safetensors",
      "clip_name": "clip_g.safetensors",
      "clip2_name": "clip_l.safetensors",
      "vae_name": "sdxl_vae.safetensors"
    },
    "class_type": "CheckpointLoader|pysssss"
  }
}

---

4. Eff. Loader SDXL（高效精简，Base+Refiner 一体化）

核心定位

efficiency-nodes-comfyui 插件的 SDXL 专用高效加载器，一体化加载 SDXL Base + Refiner，简化 SDXL 两阶段生成流程，减少节点数量，提升效率。

核心功能

• ✅ 同时加载 SDXL Base + Refiner，自动切换两阶段
• ✅ 内置 Aesthetic Score（审美分数） 控制
• ✅ 精简 SDXL 工作流，减少节点连接
• ✅ 支持 SDXL Turbo 快速生成

输入输出

python

运行

INPUT_TYPES = {
    "required": {
        "base_ckpt": (["SDXL Base 列表"], ),
        "refiner_ckpt": (["SDXL Refiner 列表"], ),
        "vae_name": (["VAE 列表"], )
    }
}
RETURN_TYPES = ("MODEL", "CLIP", "CLIP2", "VAE", "REFINER_MODEL")

适用场景

• SDXL 两阶段生成（Base → Refiner）
• 快速出图、批量生成、工作流精简

---

5. DiffusersLoader（Diffusers 格式 SDXL 专用）

核心定位

ComfyUI-DiffusersLoader 插件提供的Diffusers 格式加载器，直接加载 HuggingFace 上的 Diffusers 格式 SDXL 模型（无需转成 .safetensors），适合用 HuggingFace 模型库的用户。

核心优势

• ✅ 直接加载 Diffusers 格式 SDXL（如 stabilityai/stable-diffusion-xl-base-1.0）
• ✅ 无需格式转换，节省时间
• ✅ 支持 SDXL、SD3、Flux 等新架构

输入输出

python

运行

INPUT_TYPES = {"required": {"model_name": (["Diffusers 模型列表"], )}}
RETURN_TYPES = ("MODEL", "CLIP", "CLIP2", "VAE")

---

三、特殊优化 SDXL 加载器（显存 / 性能向）

6. Nunchaku Loader（FP8 量化，SDXL 显存优化）

核心定位

ComfyUI-nunchaku-unofficial-loader 插件的 FP8 量化加载器，专为 SDXL 设计，将 SDXL 模型量化为 FP8 精度，大幅降低显存占用（约 50%），适合小显存显卡（如 8GB/12GB）跑 SDXL。

核心功能

• ✅ FP8 量化：SDXL 模型显存占用减半
• ✅ 支持 设备选择（CPU/GPU）
• ✅ 兼容标准 SDXL 工作流
• ✅ 输出：MODEL + CLIP（无 VAE，需单独加载）

输入输出

python

运行

INPUT_TYPES = {
    "required": {
        "ckpt_name": (["模型列表"], ),
        "weight_dtype": (["fp8", "fp16"], {"default": "fp8"})
    }
}
RETURN_TYPES = ("MODEL", "CLIP")

---

四、六大 SDXL 加载器核心对比表（选型速查）

表格

加载器名称	class_type	核心输出	适用场景	最大优势	显存占用
SDXLCheckpointLoader	SDXLCheckpointLoader	MODEL、CLIP、CLIP2、VAE	标准 SDXL 生成	原生双 CLIP，无需插件	标准
CheckpointLoader	CheckpointLoader	MODEL、CLIP、VAE	自定义 SDXL 架构	可指定 config，高级实验	标准
CheckpointLoader	pysssss	CheckpointLoader	pysssss	MODEL、CLIP、CLIP2、VAE	组件混搭、多风格切换	标准 + 优化
Eff. Loader SDXL	Eff. Loader SDXL	MODEL、CLIP、CLIP2、VAE、REFINER	Base+Refiner 一体化	精简流程，高效生成	标准
DiffusersLoader	DiffusersLoader	MODEL、CLIP、CLIP2、VAE	Diffusers 格式 SDXL	无需转换，直接加载	标准
Nunchaku Loader	NunchakuLoader	MODEL、CLIP	小显存跑 SDXL	FP8 量化，显存减半	极低

---

五、SDXL 加载器选型建议（按需求直接选）

1. 新手 / 标准 SDXL 生成 → SDXLCheckpointLoader（原生，无脑用）
2. 专业 / 组件混搭 / 多风格 → CheckpointLoader|pysssss（必装插件）
3. Base+Refiner 两阶段 → Eff. Loader SDXL（精简流程）
4. HuggingFace Diffusers 模型 → DiffusersLoader（无需转换）
5. 小显存（8GB/12GB）跑 SDXL → Nunchaku Loader（FP8 量化）
6. 高级实验 / 自定义架构 → CheckpointLoader（手动 config）