TaoMate H3 的“三步”很容易让人以为，只要加载它，整个工作流就一定只跑三步、而且一定更快。视频实际演示的是另一种用法：先用原模型生成，再用带 LoRA 的后半程采样增强光影和细节。
这篇教程对应 9 月 19 日的视频，整理这套分段采样的设置、结果和取舍。
先准备模型、LoRA 和对应工作流
需要可以正常运行的 H3 ComfyUI 工作流，以及与加载器匹配的 TaoMate H3 LoRA。
视频提到了 Kijai 提取的版本，也使用了另一个体积较大的 ComfyUI 转换版。不要只根据文件名相似，就认为不同转换版和所有 H3 节点都能直接互换。
转换版作者给出的文件是 taomate_h3_3step_comfy.safetensors，放到 ComfyUI/models/loras/ 后，在 LoRA 加载器中选择。下载地址和节点项目在文末。
1. 先理解前后两段在做什么
视频使用两个采样阶段：
原生 H3 模型
↓ 前 4 步：先形成画面
带 TaoMate H3 LoRA 的模型
↓ 后 3 步：增强光影与细节
输出结果
因此，这个示例的总采样过程是 7 步。它与转换版说明中的“整段三步生成”不是同一套设置。
视频也提到社区讨论中的 9 步方案；如果你现在只是复现视频示例，先用前 4 步、后 3 步这组配置，不要把不同帖子里的数字拼在一起。
2. 设置两段采样
视频使用的是小丑鲨采样器相关节点。配置时要区分“总步数”和“这一段实际跑多少步”：
| 位置 | 视频中的设置 | 用途 |
|---|---|---|
| 两个采样器的总步数 | 都设为 7 | 保持整条采样计划一致 |
| 第一段实际运行步数 | 4 | 使用不带加速 LoRA 的原模型 |
| 第二段实际运行步数 | 3 | 使用带 TaoMate LoRA 的模型做增强 |
| LoRA 强度 | 可从视频提到的 0.7 比较 | 观察增强程度和提示词遵循的变化 |
eta | 视频提到可以使用 0.5 | 与视频所用采样器配置一起核对 |
关键点是：第一段没有加载这个加速 LoRA，第二段才使用它。 如果从一开始就给整个模型链都加上 LoRA，得到的已不是这里描述的前后分段方案。
视频在后面三步没有使用放大。想加二次放大时，可以按已有工作流接入，但建议先确认不放大的版本效果，再增加这一步，方便判断变化来自哪里。
3. 文生视频与多参视频怎么用
视频分别展示了文生视频和多参视频的使用，作者自己的多参测试也能运行。它们采用相似的分段思路，但模型输入不同，不能只把输入素材插进不对应的模型分支。
先确认你的基础 H3 工作流能正常生成，再替换后半段的模型和采样配置。这样遇到失败时，更容易区分是基础模型、参考输入，还是 LoRA 的兼容问题。
4. 画面更强，但需要同时看这些代价
光影和细节
这是视频里作者最满意的部分。将 LoRA 用作后半段精炼器时，画面的光影、视觉效果和细节表现更突出。
提示词遵循
视频里也出现了画面增强之后不够听提示词的情况。作者尝试降低 LoRA 强度，并把提示词写得更具体。
对比时不要只看“哪张更漂亮”，还要看主体、动作、镜头要求有没有被改变。强度不是越高越好。
高动态模糊
视频里的高动态画面仍然容易糊，作者不太推荐只靠这套配置处理这类场景。如果你的目标是激烈动作，先用同一条动作提示词比较运动中的细节，再决定是否保留这套增强。
耗时
作者在 RunningHub 上的这套流程大约需要十二三分钟，比其对照的普通加速 LoRA 二次采样方案慢约两分钟。
所以这里更适合把 TaoMate 看成一个画质取舍选项：它在该测试里提升了视觉效果，却没有让完整流程更快。换了机器、分辨率或时长，仍需重新比较。
建议怎样做一次有效对比
保留一份已经能运行的原工作流，再复制一份加入分段采样。两份使用相同的题材、画面尺寸和时长，分别看光影细节、提示词遵循、动态模糊和总耗时。
先确定这几个方面的变化是否符合自己的目标，再考虑提高 LoRA 强度或加入放大环节。