`CLIPMergeSimple` یک گره پیشرفته ادغام مدل است که برای ترکیب دو مدل رمزگذار متنی CLIP بر اساس نسبت مشخصی استفاده می‌شود.

این گره در ادغام دو مدل CLIP بر اساس نسبت مشخصی تخصص دارد و ویژگی‌های آن‌ها را به طور مؤثری ترکیب می‌کند. این گره به‌صورت انتخابی وصله‌هایی را از یک مدل به مدل دیگر اعمال می‌کند و اجزای خاصی مانند شناسه‌های موقعیت و مقیاس logit را حذف می‌کند تا مدلی ترکیبی ایجاد کند که ویژگی‌های هر دو مدل منبع را در خود داشته باشد.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | نوع ورودی | پیش‌فرض | محدوده |
| --- | --- | --- | --- | --- | --- |
| `clip1` | اولین مدل CLIP برای ادغام. این مدل به‌عنوان مدل پایه در فرآیند ادغام عمل می‌کند. | CLIP | اجباری | - | - |
| `clip2` | دومین مدل CLIP برای ادغام. وصله‌های کلیدی آن، به جز شناسه‌های موقعیت و مقیاس logit، بر اساس نسبت مشخص شده روی مدل اول اعمال می‌شوند. | CLIP | اجباری | - | - |
| `ratio` | نسبت ویژگی‌های مدل دوم را برای ترکیب با مدل اول تعیین می‌کند. نسبت 1.0 به معنای پذیرش کامل ویژگی‌های مدل دوم و نسبت 0.0 به معنای حفظ تنها ویژگی‌های مدل اول است. | FLOAT | اجباری | 1.0 | 0.0 - 1.0 (گام: 0.01) |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `clip` | مدل CLIP ادغام‌شده حاصل که ویژگی‌های هر دو مدل ورودی را بر اساس نسبت مشخص شده ترکیب می‌کند. | CLIP |

## توضیح مکانیزم ادغام

### الگوریتم ادغام

این گره از میانگین‌گیری وزنی برای ادغام دو مدل استفاده می‌کند:

1. **کلون کردن مدل پایه**: ابتدا `clip1` را به‌عنوان مدل پایه کلون می‌کند
2. **دریافت وصله‌ها**: تمام وصله‌های کلیدی را از `clip2` دریافت می‌کند
3. **فیلتر کردن کلیدهای خاص**: کلیدهایی که به `.position_ids` و `.logit_scale` ختم می‌شوند را نادیده می‌گیرد
4. **اعمال ادغام وزنی**: از فرمول `(1.0 - ratio) * clip1 + ratio * clip2` استفاده می‌کند

### توضیح پارامتر نسبت

- **نسبت = 0.0**: کاملاً از clip1 استفاده می‌کند و clip2 را نادیده می‌گیرد
- **نسبت = 0.5**: سهم ۵۰٪ از هر مدل
- **نسبت = 1.0**: کاملاً از clip2 استفاده می‌کند و clip1 را نادیده می‌گیرد

## موارد استفاده

1. **ترکیب سبک مدل**: ترکیب ویژگی‌های مدل‌های CLIP آموزش‌دیده روی داده‌های مختلف
2. **بهینه‌سازی عملکرد**: متعادل‌سازی نقاط قوت و ضعف مدل‌های مختلف
3. **تحقیقات تجربی**: بررسی ترکیب‌های مختلف رمزگذارهای CLIP

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/CLIPMergeSimple/fa.md)

---
**Source fingerprint (SHA-256):** `0d3c8388dbe88675ea7fb51161ab41ce898bcf63983b3d2817b16ec5bfa613e5`