HyperTile 節點對擴散模型中的注意力機制應用平鋪技術，以優化圖像生成過程中的記憶體使用。它將潛在空間分割成較小的區塊並分別處理，然後重新組合結果。這使得在處理較大圖像尺寸時不會耗盡記憶體。

## 輸入

| 參數 | 說明 | 資料類型 | 必要 | 範圍 |
| --- | --- | --- | --- | --- |
| `model` | 要套用 HyperTile 優化的擴散模型 | MODEL | 是 | - |
| `切片尺寸` | 處理時的目標區塊大小（預設值：256）。實際區塊大小會向下取整為 8 的倍數，最小值為 32。 | INT | 否 | 1 - 2048 |
| `交換區大小` | 控制處理過程中區塊的重新排列方式，以提高效率（預設值：2） | INT | 否 | 1 - 128 |
| `最大深度` | 套用平鋪的最大深度層級（解析度尺度）。值為 0 時僅在最高解析度套用平鋪（預設值：0） | INT | 否 | 0 - 10 |
| `縮放深度` | 啟用時，區塊大小會在較深層級按比例縮放。這有助於在較低解析度下維持品質（預設值：False） | BOOLEAN | 否 | True / False |

## 輸出

| 輸出名稱 | 說明 | 資料類型 |
| --- | --- | --- |
| `model` | 已套用 HyperTile 優化的修改後模型 | MODEL |

> 本文檔由 AI 生成。如果您發現任何錯誤或有改進建議，歡迎貢獻！ [在 GitHub 上編輯](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/HyperTile/zh-TW.md)

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