Krita-AI-Diffusion插件Checkpoints检测问题解决方案
问题现象
在使用Krita 5.2.2配合Krita-AI-Diffusion插件1.15版本时,用户遇到了"Error: No checkpoints found! Checkpoints must be placed into ComfyUI/models/checkpoints"的错误提示。尽管ComfyUI在浏览器模式下工作正常且能显示所有已安装的checkpoints,但通过Krita连接时却无法识别这些模型文件。
问题分析
经过技术排查,发现该问题与checkpoints的元数据定义有关。在正常情况下,ComfyUI会通过etn/model_info接口查询模型信息,每个checkpoint文件应该包含正确的"base_model"元数据标识。例如,SD1.5模型应该被标识为:
"model_name.safetensors": {"base_model": "sd15", "is_inpaint": false, "is_refiner": false}
但在出现问题的案例中,checkpoint被错误地识别为"stab"而非"sd15",这导致插件无法正确识别模型类型,从而触发了找不到checkpoints的错误提示。
解决方案
-
更新comfyui-tooling-nodes:这是ComfyUI的一个组件,负责模型信息的处理和传递。更新该组件可以修复模型类型识别错误的问题。
-
验证模型元数据:通过访问ComfyUI的etn/model_info接口,检查每个checkpoint的元数据是否正确。确保SD1.5模型的base_model字段显示为"sd15"而非其他值。
-
模型文件放置:虽然用户已经将checkpoints放置在正确的目录(ComfyUI/models/checkpoints/)下,但仍需确认:
- 文件权限设置正确
- 文件格式兼容(.ckpt或.safetensors)
- 文件名不包含特殊字符
技术背景
Krita-AI-Diffusion插件通过ComfyUI后端实现AI绘图功能。当插件启动时,会查询ComfyUI提供的模型信息接口获取可用checkpoints列表。这个过程中,模型类型的正确识别至关重要,因为不同类型的模型(SD1.5/SDXL)需要不同的处理流程。
模型元数据错误通常源于:
- 模型文件损坏或不完整
- ComfyUI组件版本不兼容
- 模型配置文件缺失或错误
预防措施
为避免类似问题,建议用户:
- 定期更新Krita-AI-Diffusion插件及其依赖组件
- 从可靠来源获取模型文件
- 在添加新模型后,通过ComfyUI的web界面验证模型是否被正确识别
- 保持Krita和ComfyUI版本的兼容性
通过以上措施,可以确保AI绘图工作流的稳定运行,充分发挥Krita与Stable Diffusion结合的创作潜力。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00