Modular Diffusion Pipeline Builder

🧨 Diffusers 파이프라인을 한 번 로드하고 캐시하여 플로우의 다른 모든 노드가 이를 재사용할 수 있도록 합니다.

카테고리: ModularDiffusion/Pipeline

어떤 노드인가요?

한 번 빌드하고 여러 번 생성하세요. 이 노드를 가장 먼저 배치하고, 가중치가 필요한 다른 모든 Modular Diffusion 노드(Generate Media Latent, VAE Encode/Decode, Create Noise 등)에 pipeline 출력을 연결하세요.
provider를 먼저 선택하세요. 다른 모든 파라미터(모델 리포지토리, 런타임 노브)는 이 선택에 따라 다시 생성됩니다.
파이프라인은 구성 해시(hash)에 의해 캐시됩니다. 로드 시점 파라미터(모델 리포지토리, 양자화, LoRA)를 변경하면 다시 빌드되고 재캐시됩니다. 런타임 파라미터(프롬프트, 스텝)는 재빌드를 트리거하지 않습니다.
출력 유형: Pipeline Config.

[Pipeline Builder] → Create Noise Latents → Generate Media Latents → Decode Media Latent

Modular Diffusion Pipeline Builder

이름	유형	필수 여부	설명
`loras`	`loras`	아니오	하나 이상의 Load LoRA 노드를 연결합니다. 연결 순서대로 중첩됩니다.

이름	유형	설명
`pipeline`	`Pipeline Config`	캐시된 파이프라인 아티팩트입니다. `pipeline` 입력을 받는 모든 노드에 전달하세요.
`logs`	`str`	확인된 구성 해시를 포함한 빌드 로그입니다.

이름	유형	설명
`provider`	choice	`Flux`, `Flux2`, `Stable Diffusion`, `Stable Diffusion 3`, `Qwen`, `Z-Image`, `HunyuanVideo 1.5`, `LTX`, `LTX2`, `WAN`. 이를 변경하면 아래의 모든 파라미터가 전환됩니다.
`pipeline_type`	choice	제공업체별 파이프라인 클래스(예: `FluxPipeline`, `WanImageToVideoPipeline`). 파이프라인이 수행할 수 있는 작업을 결정합니다.
`<model repo>`	HF repo picker	Hugging Face 리포지토리 ID입니다. Diffusers 형식만 지원되며, 단일 파일 `.safetensors` 체크포인트는 직접 로드되지 않습니다.

이름	유형	기본값	설명
`memory_optimization_strategy`	choice	`Manual`	`Automatic`은 아래의 개별 노브 토글을 숨기고 모델별로 합리적인 기본값을 사용합니다.
`attention_slicing`	bool	`False`	약간의 속도 저하로 손쉽게 메모리를 절약합니다.
`vae_slicing`	bool	`False`	잠재 텐서를 1개 단위 배치로 디코딩합니다. 큰 배치 크기에 유용합니다.
`transformer_layerwise_casting`	bool	`False`	트랜스포머를 더 낮은 정밀도로 유지하고 계산 중에 레이어별로 업캐스팅합니다.
`cpu_offload_strategy`	choice	`None`	`Model` (전체 서브모듈) 또는 `Sequential` (레이어별) — 유휴 가중치를 CPU로 이동하여 VRAM을 확보하며, 추론 속도와 트레이드오프됩니다.
`quantization_mode`	choice	`None`	`fp8` / `int8` / `int4` (`optimum-quanto` / `bitsandbytes`를 통해). 약간의 품질 저하를 대가로 트랜스포머 가중치 크기를 줄입니다.

필요한 항목만 활성화하세요 — 각 옵션은 속도와 메모리를 트레이드오프합니다.

재시작 후 파이프라인 캐시. 캐시는 프로세스 메모리에만 존재하므로, 다음 실행 시 노드가 자동으로 다시 확인하여 로드합니다.
로드 시 VRAM 부족 (Out of VRAM). 모델 가중치가 사용 가능한 GPU 메모리를 초과하는 경우입니다. 영향력이 큰 순서대로 다음 해결책을 시도해 보세요: quantization_mode를 int8 또는 int4로 설정, cpu_offload_strategy를 Model로 설정(유휴 서브모듈을 CPU로 이동), 또는 vae_slicing 활성화(디코딩 중 피크 메모리 감소). 각 옵션은 약간의 추론 속도를 희생하여 VRAM 사용량을 줄입니다.
LoRA가 적용되지 않음. 두 가지를 확인하세요: (1) LoRA가 선택한 pipeline_type과 동일한 모델 아키텍처용으로 학습되었는지 확인하세요(Flux LoRA는 WAN 파이프라인에서 작동하지 않음). (2) Load LoRA 노드가 이 노드의 loras 입력에 연결되어 있는지 확인하세요.
다른 파라미터를 구성하기 전에 provider를 먼저 설정하세요. provider를 변경하면 새 모델에 맞게 모든 파라미터가 다시 생성됩니다. 파라미터 이름이 일치하는 연결은 유지되지만 값은 기본값으로 돌아갑니다. 올바른 제공업체를 미리 선택하면 설정을 반복하는 수고를 덜 수 있습니다.