گره HyperTile یک تکنیک کاشی‌بندی را برای مکانیزم توجه در مدل‌های انتشار به کار می‌گیرد تا مصرف حافظه را در طول تولید تصویر بهینه کند. این گره فضای نهفته را به کاشی‌های کوچک‌تر تقسیم کرده و آن‌ها را جداگانه پردازش می‌کند، سپس نتایج را دوباره کنار هم می‌چیند. این امکان کار با اندازه‌های بزرگ‌تر تصویر را بدون اتمام حافظه فراهم می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | ضروری | محدوده |
| --- | --- | --- | --- | --- |
| `مدل` | مدل انتشار که بهینه‌سازی HyperTile روی آن اعمال می‌شود | MODEL | بله | - |
| `اندازه کاشی` | اندازه هدف کاشی برای پردازش (پیش‌فرض: 256). اندازه مؤثر کاشی به نزدیک‌ترین مضرب 8 گرد می‌شود، با حداقل 32. | INT | خیر | 1 - 2048 |
| `اندازه تعویض` | نحوه بازآرایی کاشی‌ها را در طول پردازش برای بهبود کارایی کنترل می‌کند (پیش‌فرض: 2) | INT | خیر | 1 - 128 |
| `حداکثر عمق` | حداکثر سطح عمق (مقیاس تفکیک‌پذیری) برای اعمال کاشی‌بندی. مقدار 0 کاشی‌بندی را فقط در بالاترین تفکیک‌پذیری اعمال می‌کند (پیش‌فرض: 0) | INT | خیر | 0 - 10 |
| `مقیاس عمق` | وقتی فعال باشد، اندازه کاشی در سطوح عمق پایین‌تر به صورت متناسب مقیاس‌دهی می‌شود. این می‌تواند به حفظ کیفیت در تفکیک‌پذیری‌های پایین‌تر کمک کند (پیش‌فرض: False) | BOOLEAN | خیر | True / False |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `مدل` | مدل اصلاح‌شده با بهینه‌سازی HyperTile اعمال‌شده | MODEL |

> 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/HyperTile/fa.md)

---
**Source fingerprint (SHA-256):** `d3c55e6a38abecc8fe612dbb91a3ba26de9bc5cf8a187f01cf4746550f62f40a`