[节点详解](/zh/comfyui-nodes "节点详解")Advanced[conditioning](/zh/comfyui-nodes/advanced/conditioning/clip-text-encode-sdxl "conditioning")CLIP Text Encode Hunyuan DiT CLIP文本编码混元
### [Qwen-Image-Layered 发布 - 支持图像分层编辑的生成模型](/zh/news/2025-12-19-qwen-image-layered-release)
2025/12/19
# CLIP Text Encode Hunyuan DiT CLIP文本编码混元
## CLIP Text Encode Hunyuan DiT ComfyUI 节点功能概述
`CLIPTextEncodeHunyuanDiT` 节点的主要功能是：
* **标记化** ：将输入的文本转换为模型可处理的标记序列。
* **编码** ：使用 CLIP 模型对标记序列进行编码，生成条件编码。
可以将该节点视为一个“语言翻译器”，它将用户输入的文本（无论是英文还是其他语言）翻译成 AI 模型能够理解的“机器语言”，从而使模型能够根据这些条件生成相应的内容。
## 类名
* **类名** : `CLIPTextEncodeHunyuanDiT`
* **类别** : `advanced/conditioning`
* **输出节点** : `False`
## CLIP Text Encode Hunyuan DiT 输入类型
参数| Comfy 数据类型| 描述
---|---|---
`clip`| `CLIP`| 一个 CLIP 模型实例，用于文本的标记化和编码，是生成条件的核心。
`bert`| `STRING`| 需要编码的文本输入，支持多行和动态提示。
`mt5xl`| `STRING`| 另一个需要编码的文本输入，支持多行和动态提示（多语言）。
* **`bert` 参数**：适用于英文文本输入，建议输入简洁且具有上下文的文本提示，以帮助节点生成更准确和有意义的标记表示。
* **`mt5xl` 参数**：适用于多语言文本输入，您可以输入任何语言的文本，帮助模型理解多种语言的任务。
## CLIP Text Encode Hunyuan DiT 输出类型
参数| Comfy 数据类型| 描述
---|---|---
`conditioning`| `CONDITIONING`| 编码后的条件输出，用于生成任务中的进一步处理。
## 方法
* **编码方法** : `encode`
该方法接受 `clip`、`bert` 和 `mt5xl` 作为参数。首先，它对 `bert` 进行标记化，然后对 `mt5xl` 进行标记化，并将结果存储在 `tokens` 字典中。最后，它使用 `clip.encode_from_tokens_scheduled` 方法将标记化的 tokens 编码为条件。
## 使用示例
* 待更新
## CLIP Text Encode Hunyuan DiT 节点的相关内容扩展
### BERT（Bidirectional Encoder Representations from Transformers）
BERT 是一种基于 Transformer 架构的双向语言表示模型。
它通过对大量文本数据的预训练，学习到丰富的上下文信息，然后在下游任务上进行微调，实现高性能。
**主要特点：**
* **双向性** ：BERT 同时考虑文本的左右上下文信息，能够更好地理解词语的含义。
* **预训练与微调** ：通过预训练任务（如 Masked Language Model 和 Next Sentence Prediction），BERT 可以在多种下游任务上进行快速微调。
**应用场景：**
* 文本分类
* 命名实体识别
* 问答系统
### mT5-XL（Multilingual Text-to-Text Transfer Transformer）
mT5-XL 是 T5 模型的多语言版本，采用编码器-解码器架构，支持多种语言的处理。
它将所有的 NLP 任务统一表示为文本到文本的转换，能够处理包括翻译、摘要、问答等多种任务。
**主要特点：**
* **多语言支持** ：mT5-XL 支持多达 101 种语言的处理。
* **统一任务表示** ：将所有任务转换为文本到文本的形式，简化了任务的处理流程。
**应用场景：**
* 机器翻译
* 文本摘要
* 问答系统
### BERT 和 mT5-XL 相关研究论文
1. [BERT: 用于语言理解的深度双向 Transformer 预训练](https://arxiv.org/pdf/1810.04805)
* **描述** : 这篇开创性论文介绍了 BERT，一个基于 transformer 的模型，在广泛的自然语言处理任务中都达到了最先进的效果。
2. [mT5: 大规模多语言预训练的文本到文本 Transformer](https://aclanthology.org/2021.naacl-main.41.pdf)
* **描述** : 这篇论文介绍了 mT5，T5 的多语言变体，它在一个覆盖 101 种语言的新 Common Crawl 数据集上进行训练。
3. [mLongT5: 一个用于处理更长序列的多语言高效文本到文本 Transformer](https://arxiv.org/pdf/2112.08760)
* **描述** : 这项工作开发了 mLongT5，一个专门设计用于高效处理更长输入序列的多语言模型。
4. [跨越语言障碍：深入了解 Google 的 mT5 多语言技术](https://medium.com/@rukaiya.rk24/bridging-linguistic-barriers-inside-googles-mt5-multilingual-technology-4a85e6ca056f)
* **描述** : 一篇讨论 Google 的 mT5 模型在多语言自然语言处理任务中的能力和应用的文章。
5. [BERT 相关论文](https://github.com/tomohideshibata/BERT-related-papers)
* **描述** : 一个精选的 BERT 相关研究论文列表，包括调查、下游任务和改进方案。
## 源码
* ComfyUI 版本: v0.3.10
* 2025-01-07
class CLIPTextEncodeHunyuanDiT:
@classmethod
def INPUT_TYPES(s):
return {"required": {
"clip": ("CLIP", ),
"bert": ("STRING", {"multiline": True, "dynamicPrompts": True}),
"mt5xl": ("STRING", {"multiline": True, "dynamicPrompts": True}),
}}
RETURN_TYPES = ("CONDITIONING",)
FUNCTION = "encode"
CATEGORY = "advanced/conditioning"
def encode(self, clip, bert, mt5xl):
tokens = clip.tokenize(bert)
tokens["mt5xl"] = clip.tokenize(mt5xl)["mt5xl"]
return (clip.encode_from_tokens_scheduled(tokens), )
[CLIP文本编码SDXL（Refiner）-ComfyUI节点](/zh/comfyui-nodes/advanced/conditioning/clip-text-encode-sdxl-refiner "CLIP文本编码SDXL（Refiner）-ComfyUI节点")[设置条件时间-ComfyUI节点](/zh/comfyui-nodes/advanced/conditioning/conditioning-settimestep-range "设置条件时间-ComfyUI节点")
主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网
