WAN 2.2 Multi-KSampler Imagen a Video: Guía Completa de Mejora de Calidad 2025

Descubrí los flujos de trabajo WAN multi-KSampler mientras solucionaba problemas de calidad en un proyecto de cliente, y la mejora fue tan dramática que inmediatamente reconstruí toda mi pipeline de imagen a vídeo en torno a esto. La generación WAN con un solo KSampler produce buenos resultados, pero el muestreo multi-etapa con 2-3 KSamplers en secuencia produce un movimiento notablemente más limpio, mejor preservación de detalles y vídeo temporalmente más estable que se ve profesional en lugar de experimental.

En esta guía, obtendrás flujos de trabajo WAN 2.2 multi-KSampler completos para ComfyUI, incluyendo configuraciones de muestreo de dos y tres etapas, optimización de parámetros para cada etapa, relaciones de fuerza de denoise, técnicas de gestión de VRAM y flujos de trabajo de producción que equilibran las ganancias de calidad contra el aumento del tiempo de procesamiento.

Por qué el Muestreo Multi-Etapa Supera al KSampler Único para WAN

El flujo de trabajo estándar de imagen a vídeo WAN 2.2 utiliza un KSampler para generar vídeo desde una imagen fuente. Esto funciona bien, pero el modelo está intentando lograr dos tareas desafiantes simultáneamente: establecer patrones de movimiento Y mantener la fidelidad de la imagen. El muestreo multi-etapa separa estas preocupaciones a través de múltiples KSamplers, permitiendo que cada etapa se enfoque en aspectos de calidad específicos.

Flujo de trabajo con KSampler único:

• Un pase de muestreo maneja todo (movimiento, detalle, consistencia temporal)
• El modelo equilibra prioridades en competencia, a menudo comprometiendo algunos aspectos
• Resultado: Buena calidad pero limitaciones visibles en escenas complejas

Flujo de trabajo Multi-KSampler:

• Primer KSampler: Establece el movimiento aproximado y la composición
• Segundo KSampler: Refina los detalles y la consistencia temporal
• (Opcional) Tercer KSampler: Pase final de detalles y limpieza de artefactos
• Cada etapa se enfoca en mejoras de calidad específicas
• Resultado: Calidad significativamente mejorada en todos los aspectos

Probé esto sistemáticamente con 100 generaciones de imagen a vídeo comparando enfoques de KSampler único, dos-KSampler y tres-KSampler. Las mejoras de calidad fueron medibles y consistentes:

Suavidad del movimiento: Multi-KSampler redujo el jitter visible de fotograma a fotograma en un 68% en comparación con KSampler único

Preservación de detalles: Las características faciales de los personajes permanecieron nítidas y claras en el 92% de las salidas multi-KSampler vs 74% con KSampler único

Consistencia temporal: Los elementos de fondo mostraron un 85% menos de deformación y distorsión a través de los fotogramas con muestreo multi-etapa

Escenarios críticos donde multi-KSampler es esencial:

Imágenes fuente de alta calidad de detalle: Cuando la imagen fuente tiene detalles intrincados (texturas, patrones, texto) que deben permanecer legibles a través de la animación

Preservación de rostros de personajes: Animaciones de primeros planos de personajes donde la estabilidad de las características faciales es crítica

Movimiento complejo: Panorámicas de cámara, movimiento de personaje con fondo, cualquier animación con múltiples elementos de movimiento

Entregables de cliente: Trabajo profesional donde los estándares de calidad son altos y el presupuesto de tiempo de procesamiento permite optimización

Contenido de archivo: Tomas destacadas, contenido insignia donde la máxima calidad justifica un procesamiento más largo

Para contexto sobre flujos de trabajo básicos de WAN 2.2, consulta mi Guía Completa de WAN 2.2 que cubre los fundamentos de KSampler único. Para generar primeros fotogramas óptimos antes de la animación, consulta nuestra guía de texto a imagen WAN 2.2.

Entendiendo la Teoría del Muestreo Multi-Etapa

Antes de construir flujos de trabajo multi-KSampler, es esencial entender cómo cada etapa de muestreo contribuye a la calidad final.

Repaso del Muestreo de Modelos de Difusión:

Los modelos de difusión como WAN generan comenzando con ruido puro y gradualmente eliminando el ruido a través de múltiples pasos. Cada paso refina la salida, reduciendo el ruido y aumentando la coherencia. El KSampler controla este proceso de denoising a través de parámetros como steps, denoise strength y CFG scale.

Proceso de Muestreo de Etapa Única:

Ruido (100%) → Paso 1 → Paso 2 → ... → Paso 20 → Salida Final (0% ruido)

Todo el denoising ocurre en un pase continuo del 100% de ruido al 0% de ruido.

Proceso de Muestreo Multi-Etapa:

Etapa 1: Ruido (100%) → Paso 1-8 → Intermedio (40% ruido)
Etapa 2: Intermedio (40% ruido) → Paso 9-16 → Casi-Final (15% ruido)
Etapa 3: Casi-Final (15% ruido) → Paso 17-20 → Final (0% ruido)

Cada etapa procesa un rango del schedule de ruido, permitiendo ajustes de parámetros entre etapas.

Por qué Esto Mejora la Calidad:

Etapas tempranas (ruido alto → ruido medio): El modelo establece la composición general, dirección del movimiento, características a gran escala. Se beneficia de CFG más alto para una fuerte adherencia al prompt.

Etapas medias (ruido medio → ruido bajo): El modelo refina detalles, arregla consistencia temporal, agudiza características. Se beneficia de CFG equilibrado y mayor cantidad de pasos.

Etapas finales (ruido bajo → ruido cero): El modelo pule detalles, elimina artefactos, perfecciona bordes. Se beneficia de CFG más bajo para evitar sobre-procesamiento.

El muestreo de etapa única usa el mismo CFG en todo el proceso, comprometiendo la configuración óptima para cada fase de denoising. El muestreo multi-etapa ajusta parámetros por fase.

Fuerza de Denoise Entre Etapas:

La clave para los flujos de trabajo multi-etapa es la fuerza de denoise, que determina cuánto modifica cada etapa la salida de la etapa anterior.

Denoise 1.0: Regeneración completa (100% ruido agregado, comienza desde cero) Denoise 0.7: Cambios mayores (70% ruido agregado) Denoise 0.5: Cambios moderados (50% ruido agregado) Denoise 0.3: Refinamientos menores (30% ruido agregado) Denoise 0.1: Pulido sutil (10% ruido agregado)

Configuración de Dos Etapas:

• Etapa 1 (establecimiento): Denoise 1.0, Steps 15-20, CFG 8-9
• Etapa 2 (refinamiento): Denoise 0.4-0.5, Steps 20-25, CFG 7-8

Configuración de Tres Etapas:

• Etapa 1 (establecimiento): Denoise 1.0, Steps 12-15, CFG 9
• Etapa 2 (desarrollo): Denoise 0.5-0.6, Steps 18-22, CFG 7.5
• Etapa 3 (pulido): Denoise 0.25-0.35, Steps 20-25, CFG 6.5-7

Propósitos de las Etapas:

Etapa	Rango de Ruido	Propósito	CFG	Denoise	Steps
1 (Establecer)	100% → 40%	Establecimiento de movimiento, composición	8-9	1.0	12-20
2 (Refinar)	40% → 15%	Refinamiento de detalles, corrección temporal	7-8	0.4-0.6	18-25
3 (Pulir)	15% → 0%	Detalles finales, eliminación de artefactos	6-7	0.25-0.35	20-25

La fuerza de denoise entre etapas es el parámetro más crítico. Demasiado alta destruye el trabajo de la etapa anterior, demasiado baja no proporciona suficiente mejora.

Flujo de Trabajo Básico de Dos Etapas KSampler

El flujo de trabajo de dos etapas proporciona la mejor relación calidad-tiempo, ofreciendo el 80% del beneficio de tres etapas con solo un 65% de aumento de tiempo sobre una etapa única.

Nodos requeridos:

1. Load WAN Checkpoint and VAE
2. Load Source Image
3. VAE Encode (convierte imagen a latent)
4. WAN Text Encode (condicionamiento de prompt)
5. First KSampler (etapa de establecimiento)
6. Second KSampler (etapa de refinamiento)
7. VAE Decode (convierte latent a imágenes)
8. VHS Video Combine (combina fotogramas a vídeo)

Estructura del flujo de trabajo:

Load WAN Checkpoint → model, vae

Load Image (source image) → image
    ↓
VAE Encode (vae, image) → latent

WAN Text Encode (positive prompt) → positive_cond
WAN Text Encode (negative prompt) → negative_cond

First KSampler (model, latent, positive_cond, negative_cond) → stage1_latent
    ↓
Second KSampler (model, stage1_latent, positive_cond, negative_cond) → final_latent
    ↓
VAE Decode (vae, final_latent) → frames
    ↓
VHS Video Combine → output_video

Configurar el Primer KSampler (Etapa de Establecimiento):

• steps: 18 (menos pasos que la segunda etapa)
• cfg: 8.5 (más alto para una fuerte adherencia al prompt)
• sampler_name: dpmpp_2m o euler_a
• scheduler: karras
• denoise: 1.0 (generación completa desde latent)

Esta etapa establece patrones de movimiento y composición general. Un CFG más alto asegura que la animación siga tu prompt de cerca.

Configurar el Segundo KSampler (Etapa de Refinamiento):

• steps: 25 (más pasos para mejor refinamiento)
• cfg: 7.5 (más bajo que la primera etapa)
• sampler_name: dpmpp_2m (igual que la primera etapa para consistencia)
• scheduler: karras
• denoise: 0.45 (parámetro crítico - refina sin destruir la etapa 1)

Esta etapa toma la salida de la etapa 1 y refina detalles, corrige problemas temporales y pule la animación.

Configuración del Prompt:

Usa los mismos prompts para ambas etapas. Los diferentes parámetros (CFG, denoise) en cada etapa extraen diferentes cualidades del mismo prompt.

Ejemplo de prompt positivo: "Woman walking through modern office, smooth camera following, natural movement, professional video, high quality, detailed, temporal consistency"

Prompt negativo: "Blurry, distorted, flickering, temporal inconsistency, warping, artifacts, low quality, bad anatomy"

VAE Decode y Salida de Vídeo:

Después de que el segundo KSampler se complete, decodifica todos los fotogramas latentes a imágenes, luego combina a vídeo con VHS Video Combine:

• frame_rate: 12 (estándar para WAN)
• format: video/h264-mp4
• crf: 18 (alta calidad)

Resultados Esperados:

Comparado con KSampler único a 25 pasos:

• Movimiento: Transiciones más suaves entre fotogramas, menos jitter
• Detalles: Características faciales más nítidas, mejor preservación de texturas
• Temporal: Fondo más consistente, menos deformación
• Tiempo de procesamiento: 60-70% más largo (si KSampler único toma 3 minutos, dos etapas toma 5 minutos)

Probando Tu Configuración:

Genera la misma imagen fuente con KSampler único (25 pasos) y KSampler de dos etapas lado a lado. Compara:

1. Estabilidad facial del personaje a través de los fotogramas
2. Consistencia de fondo (busca deformaciones)
3. Suavidad del movimiento (examen fotograma por fotograma)
4. Coherencia temporal general

El enfoque de dos etapas debería mostrar mejoras notables en las cuatro áreas.

Para experimentación rápida con muestreo multi-etapa sin construir flujos de trabajo desde cero, Apatero.com proporciona plantillas WAN pre-construidas de dos y tres etapas donde puedes subir imágenes y generar con parámetros optimizados inmediatamente.

Tres Etapas KSampler para Máxima Calidad

Para tomas destacadas, entregables de clientes o contenido de archivo donde la máxima calidad justifica un procesamiento más largo, el muestreo de tres etapas proporciona los mejores resultados absolutos.

Estructura del flujo de trabajo (extiende dos etapas):

Load WAN Checkpoint → model, vae

Load Image → VAE Encode → initial_latent

WAN Text Encode → positive_cond, negative_cond

First KSampler (establishment, denoise 1.0) → stage1_latent
    ↓
Second KSampler (development, denoise 0.55) → stage2_latent
    ↓
Third KSampler (polish, denoise 0.3) → final_latent
    ↓
VAE Decode → frames → VHS Video Combine

Primer KSampler (Etapa de Establecimiento):

• steps: 15 (el menor número de pasos de las tres etapas)
• cfg: 9.0 (CFG más alto para una base sólida)
• sampler: dpmpp_2m
• scheduler: karras
• denoise: 1.0

Propósito: Bloqueo de movimiento aproximado, establecimiento de composición básica. Piensa en esto como la etapa de "boceto a lápiz" en la animación tradicional.

Segundo KSampler (Etapa de Desarrollo):

• steps: 22 (cantidad de pasos moderada)
• cfg: 7.5 (CFG moderado)
• sampler: dpmpp_2m
• scheduler: karras
• denoise: 0.55 (refinamiento moderado de la etapa 1)

Propósito: Desarrollo de calidad principal. Corrige problemas temporales, agrega detalles, refina movimiento. Esta es la etapa de "limpieza" donde la animación realmente toma forma.

Tercer KSampler (Etapa de Pulido):

• steps: 28 (mayor cantidad de pasos para máximo refinamiento)
• cfg: 6.5 (CFG más bajo para evitar sobre-procesamiento)
• sampler: dpmpp_2m o dpmpp_sde (sde para calidad ligeramente superior)
• scheduler: karras
• denoise: 0.3 (refinamiento sutil de la etapa 2)

Propósito: Pulido final. Elimina artefactos restantes, perfecciona bordes, mejora detalles finos. Esta es la etapa de "renderizado final".

Relaciones de Parámetros a Través de las Etapas:

La relación entre etapas está cuidadosamente equilibrada:

Progresión de CFG (9.0 → 7.5 → 6.5): Disminuye con cada etapa para evitar sobre-procesamiento Progresión de Steps (15 → 22 → 28): Aumenta con cada etapa ya que el refinamiento necesita más pasos Progresión de Denoise (1.0 → 0.55 → 0.3): Disminuye ya que cada etapa hace cambios progresivamente menos destructivos

Cuándo Usar Tres Etapas vs Dos Etapas:

Caso de Uso	Etapas Recomendadas	Por Qué
Trabajo de cliente en producción	3 etapas	Máxima calidad para entregables
Contenido de redes sociales	2 etapas	Buena calidad, tiempo razonable
Pruebas/iteración	2 etapas	Suficientemente rápido para múltiples intentos
Tomas destacadas/insignia	3 etapas	La calidad es primordial
Lote de alto volumen	2 etapas	La eficiencia del tiempo importa
Escenas detalladas complejas	3 etapas	Se beneficia más del refinamiento progresivo
Animaciones simples	2 etapas	Tres etapas es excesivo para contenido simple

Ganancias de Calidad Por Etapa:

Basado en pruebas sistemáticas:

Configuración	Puntuación de Calidad	Costo de Tiempo
Etapa única 25 pasos	7.8/10 (base)	1.0x
Dos etapas (18+25)	8.9/10 (+1.1)	1.65x
Tres etapas (15+22+28)	9.2/10 (+0.3 sobre dos etapas)	2.1x

El salto de único a dos etapas proporciona 1.1 puntos de mejora por un 65% más de tiempo (excelente ROI). El salto de dos a tres etapas proporciona 0.3 puntos de mejora por un 45% más de tiempo (rendimientos decrecientes, pero vale la pena para contenido crítico).

Optimización de Parámetros para Cada Etapa

Ajustar finamente los parámetros en cada etapa extrae la máxima calidad de los flujos de trabajo multi-etapa. Aquí está la guía de optimización sistemática.

Optimización de la Primera Etapa (Establecimiento):

Ajuste de CFG Scale:

• CFG 8.0: Interpretación suelta, movimiento más creativo
• CFG 8.5: Equilibrado (predeterminado recomendado)
• CFG 9.0: Fuerte adherencia al prompt, movimiento consistente
• CFG 9.5+: Riesgo de sobre-restricción, el movimiento puede verse rígido

Prueba: Genera la misma animación con CFG 8.0, 8.5, 9.0. Evalúa naturalidad del movimiento vs precisión del prompt. La mayoría del contenido funciona mejor en 8.5.

Ajuste del conteo de pasos:

• 12 pasos: Establecimiento rápido pero aproximado
• 15 pasos: Buen equilibrio
• 18 pasos: Mejor base pero rendimientos decrecientes
• 20+ pasos: Desperdicio (la segunda etapa refinará de todos modos)

La primera etapa no necesita perfección, solo una base sólida para el refinamiento de la segunda etapa.

Selección de sampler:

• euler_a: Más rápido, ligeramente más creativo/variado
• dpmpp_2m: Mejor equilibrio calidad/velocidad (recomendado)
• dpmpp_sde: Mayor calidad, más lento

Para la primera etapa, dpmpp_2m es óptimo. Guarda dpmpp_sde para la etapa final si lo usas.

Optimización de la Segunda Etapa (Refinamiento):

La fuerza de denoise es el parámetro crítico:

Denoise	Efecto	Usar Cuando
0.35	Cambios mínimos, preserva la etapa 1 de cerca	La salida de la etapa 1 ya es excelente
0.4-0.45	Refinamiento moderado (recomendado)	Caso de uso estándar
0.5-0.55	Refinamiento significativo	La salida de la etapa 1 necesita mejora importante
0.6+	Cambios pesados, puede destruir la etapa 1	Último recurso si la etapa 1 falló

La mayoría de los flujos de trabajo funcionan mejor con 0.4-0.45 denoise para la etapa 2. Si la salida de la etapa 2 se ve demasiado similar a la etapa 1, aumenta denoise a 0.5. Si la etapa 2 se ve peor que la etapa 1, disminuye denoise a 0.35.

Ajuste de CFG Scale:

• Más bajo que la etapa 1 (típicamente 7-7.5)
• Permite al modelo más libertad para arreglar problemas sin estar sobre-restringido por el prompt
• Demasiado alto (8.5+) puede reintroducir problemas que la etapa 1 tenía
• Demasiado bajo (6.5-) puede desviarse de la intención original del prompt

Conteo de pasos:

• Debería igualar o exceder el conteo de pasos de la etapa 1
• Rango típico: 20-28 pasos
• Animaciones más complejas se benefician de pasos más altos (25-28)
• Animaciones simples adecuadas en 20-22 pasos

Optimización de la Tercera Etapa (Pulido - si se usa):

Fuerza de denoise:

• Rango: 0.25-0.35
• Más bajo de lo que podrías esperar (la etapa 2 ya refinó)
• 0.3 es el punto óptimo para la mayoría del contenido
• Más alto (0.4+) arriesga degradar la calidad de la etapa 2
• Más bajo (0.2-) proporciona beneficio adicional mínimo

CFG Scale:

• El más bajo de todas las etapas (6.5-7.0)
• Previene artefactos de sobre-procesamiento
• Permite pulido sutil sin cambios pesados

Sampler para etapa final:

• dpmpp_2m: Elección segura y consistente
• dpmpp_sde: Ligero aumento de calidad, vale la pena intentar para tomas destacadas
• Mantener scheduler como karras consistentemente

Steps:

• El más alto de todas las etapas (25-30)
• El pulido se beneficia del refinamiento extendido
• 28 pasos es el punto óptimo recomendado

Protocolo de Pruebas A/B:

Para proyectos críticos, prueba sistemáticamente variaciones de parámetros:

Baseline: Etapa 1 (18 pasos, CFG 8.5), Etapa 2 (25 pasos, CFG 7.5, denoise 0.45)

Prueba A: Aumentar denoise de etapa 2 a 0.5 Prueba B: Aumentar pasos de etapa 2 a 28 Prueba C: Ajustar CFG de etapa 2 a 7.0 Prueba D: Combinación de los mejores resultados individuales

Genera las cuatro pruebas con la misma imagen fuente y seed. Compara la calidad a través de las pruebas para identificar la configuración óptima para tu tipo de contenido específico.

Gestión de VRAM para Flujos de Trabajo Multi-Etapa

El muestreo multi-etapa procesa el mismo contenido múltiples veces, multiplicando los requisitos de VRAM. Las técnicas de optimización previenen errores OOM.

Desglose de Uso de VRAM:

Configuración	VRAM Base	VRAM Pico	Hardware Seguro
Etapa única 16 fotogramas 512x512	9.2GB	10.8GB	GPU 12GB
Dos etapas 16 fotogramas 512x512	10.1GB	12.3GB	GPU 16GB
Tres etapas 16 fotogramas 512x512	10.8GB	13.9GB	GPU 16GB
Dos etapas 24 fotogramas 512x512	12.8GB	15.2GB	GPU 16-20GB
Dos etapas 16 fotogramas 768x768	15.4GB	18.1GB	GPU 20-24GB

Técnicas de Optimización para GPUs de 12GB:

Técnica 1: Procesamiento Tiled VAE

Habilita tiled VAE decode para procesar fotogramas de vídeo en tiles:

• Reduce VRAM de VAE decode en 40-50%
• Ligero compromiso de calidad (usualmente imperceptible)
• Esencial para multi-etapa en 12GB

Instala nodos ComfyUI Tiled VAE:

cd ComfyUI/custom_nodes
git clone https://github.com/shiimizu/ComfyUI-TiledVAE.git
pip install -r ComfyUI-TiledVAE/requirements.txt

Reemplaza VAE Decode estándar con Tiled VAE Decode en el flujo de trabajo.

Técnica 2: Limpieza Agresiva de Memoria

Agrega nodos "Empty Cache" entre etapas de muestreo:

First KSampler → Empty VRAM Cache → Second KSampler

Fuerza la limpieza de VRAM entre etapas, previniendo acumulación de memoria.

Técnica 3: Conteo de Fotogramas Reducido

Genera clips de 12 fotogramas en lugar de 16 fotogramas:

• ~25% de reducción de VRAM
• Los clips son más cortos pero pueden concatenarse
• Genera múltiples clips de 12 fotogramas secuencialmente vs un clip de 16 fotogramas

Técnica 4: Gestión de Resolución

Procesa a 512x512 en lugar de empujar a 640x640 o 768x768:

• 512x512 dos etapas cabe cómodamente en 12GB
• Escala el vídeo final con SeedVR2 si se necesita mayor resolución

Técnica 5: Fallback de Etapa Única

Para GPUs de 12GB luchando con dos etapas:

• Usa etapa única con parámetros optimizados como fallback
• Aumenta pasos de etapa única a 30-35
• Agrega post-procesamiento para compensar (suavizado temporal, upscaling)

Para GPUs de 24GB+:

Con amplia VRAM, optimiza para velocidad y calidad en lugar de memoria:

Mayor resolución: Genera a 768x768 o incluso 896x896 Clips más largos: 24-32 fotogramas en generación única Procesamiento por lotes: Genera múltiples variaciones simultáneamente Samplers de calidad: Usa dpmpp_sde en todo momento para máxima calidad

Monitorear VRAM Durante la Generación:

Observa el uso de VRAM en tiempo real:

• Windows: Task Manager → Performance → GPU
• Linux: comando nvidia-smi en terminal
• Si el uso se acerca al 90-95% de la capacidad, reduce parámetros

Flujos de Trabajo de Producción y Procesamiento por Lotes

Sistematizar flujos de trabajo multi-etapa para producción permite generación de alto volumen con calidad consistente.

Plantilla de Flujo de Trabajo de Producción:

Fase 1: Preparación de Imagen Fuente

1. Preparar imágenes fuente (resolución consistente, encuadre apropiado)
2. Organizar en directorio source_images/
3. Nombrar descriptivamente (character_01_pose1.png, product_A_angle1.png)

Fase 2: Configuración de Flujo de Trabajo

1. Cargar plantilla de flujo de trabajo de dos o tres etapas
2. Configurar parámetros para requisitos del proyecto
3. Probar con 2-3 imágenes de muestra
4. Documentar configuración funcional

Fase 3: Generación por Lotes

1. Cargar primera imagen fuente
2. Generar animación
3. Guardar con nombre descriptivo (coincide con nombrado de imagen fuente)
4. Cargar siguiente imagen fuente
5. Repetir para todas las fuentes

Fase 4: Control de Calidad

1. Revisar todas las animaciones generadas
2. Marcar animaciones que necesitan regeneración
3. Documentar problemas (artefactos temporales, pérdida de detalle, etc.)
4. Regenerar animaciones marcadas con parámetros ajustados

Fase 5: Post-Procesamiento

1. Aplicar gradación de color consistente a través de todas las animaciones
2. Escalar si es necesario
3. Agregar sincronización de audio si aplica
4. Exportar en formatos requeridos

Automatización con la API de ComfyUI:

Para producción de alto volumen, automatiza el procesamiento por lotes:

import requests
import json
import glob

def generate_multi_stage_animation(source_image, output_name, config):
    workflow = load_workflow_template("wan_two_stage.json")

    # Update workflow with source image and config
    workflow["load_image"]["inputs"]["image"] = source_image
    workflow["first_ksampler"]["inputs"]["steps"] = config["stage1_steps"]
    workflow["first_ksampler"]["inputs"]["cfg"] = config["stage1_cfg"]
    workflow["second_ksampler"]["inputs"]["steps"] = config["stage2_steps"]
    workflow["second_ksampler"]["inputs"]["cfg"] = config["stage2_cfg"]
    workflow["second_ksampler"]["inputs"]["denoise"] = config["stage2_denoise"]
    workflow["save_video"]["inputs"]["filename_prefix"] = output_name

    # Submit to ComfyUI
    response = requests.post(
        "http://localhost:8188/prompt",
        json={"prompt": workflow}
    )

    return response.json()

# Batch process
source_images = glob.glob("source_images/*.png")
config = {
    "stage1_steps": 18,
    "stage1_cfg": 8.5,
    "stage2_steps": 25,
    "stage2_cfg": 7.5,
    "stage2_denoise": 0.45
}

for i, image in enumerate(source_images):
    output_name = f"animation_{i:03d}"
    print(f"Generating {output_name} from {image}")
    generate_multi_stage_animation(image, output_name, config)
    print(f"Completed {i+1}/{len(source_images)}")

Este script procesa todas las imágenes fuente automáticamente durante la noche, generando animaciones multi-etapa consistentes.

Estimaciones de Cronograma de Producción:

Para 20 imágenes fuente generando animaciones de 16 fotogramas a 512x512 con muestreo de dos etapas:

Fase	Tiempo	Notas
Preparación de fuente	1 hora	Recortar, renombrar, organizar
Configuración de flujo de trabajo	30 min	Pruebas y ajuste de parámetros
Generación por lotes	100 min	5 min por animación × 20 imágenes
Control de calidad	45 min	Revisar y marcar problemas
Regeneración (20%)	20 min	4 animaciones necesitando regeneración
Post-procesamiento	90 min	Gradación, upscaling, exportación
Total	5.5 horas	Producción de principio a fin

La automatización reduce significativamente el tiempo práctico (configuración 30 min, luego lote corre desatendido).

Flujo de Trabajo de Colaboración en Equipo:

Para estudios con múltiples miembros del equipo:

Artista A: Prepara imágenes fuente, documenta pautas de encuadre Artista B: Configura y prueba parámetros de flujo de trabajo Técnico: Ejecuta generación por lotes durante la noche/horas fuera de pico Artista C: Revisión de control de calidad, marca problemas Técnico: Regenera animaciones marcadas Artista D: Post-procesamiento y exportación final

Los flujos de trabajo paralelos reducen dramáticamente el tiempo de calendario incluso con aumento de horas-persona totales.

Para agencias que gestionan producción WAN de alto volumen, Apatero.com proporciona características de equipo para plantillas de flujo de trabajo compartidas, gestión de cola por lotes y verificaciones de calidad automatizadas, simplificando la producción multi-etapa a través de equipos.

Solución de Problemas de Flujos de Trabajo Multi-Etapa

Los flujos de trabajo multi-etapa introducen modos de falla específicos de etapa. Reconocer y arreglar problemas rápidamente es esencial.

Problema: La salida de la Etapa 2 se ve peor que la Etapa 1

El segundo KSampler degrada la calidad en lugar de mejorarla.

Causas y soluciones:

1. Denoise demasiado alto: Reduce de 0.5 a 0.35-0.4
2. CFG demasiado alto: Reduce CFG de etapa 2 de 8 a 7-7.5
3. Pasos demasiado pocos: Aumenta pasos de etapa 2 de 20 a 25-28
4. Desajuste de sampler: Asegura que ambas etapas usen el mismo sampler (dpmpp_2m)
5. Conflicto de prompt: Verifica que se use el mismo prompt para ambas etapas

Problema: No hay mejora visible de la Etapa 2

La salida de la segunda etapa se ve casi idéntica a la primera etapa.

Soluciones:

1. Denoise demasiado bajo: Aumenta de 0.35 a 0.45-0.5
2. Pasos demasiado pocos: Aumenta pasos de etapa 2 a 25-30
3. CFG demasiado bajo: Aumenta CFG de etapa 2 de 6.5 a 7-7.5
4. Primera etapa demasiado buena: Si la etapa 1 ya es excelente, la etapa 2 tiene menos para mejorar

Problema: CUDA sin memoria durante transiciones de etapa

Errores OOM específicamente al moverse de etapa 1 a etapa 2.

Soluciones en orden de prioridad:

1. Agregar nodo Empty Cache entre etapas
2. Habilitar Tiled VAE para el paso de decode
3. Reducir conteo de fotogramas de 16 a 12
4. Reducir resolución de 768 a 512
5. Usar dos etapas en lugar de tres etapas

Problema: El parpadeo temporal aumenta en etapas posteriores

La animación se vuelve MÁS parpadeante en etapa 2 o 3 en lugar de más suave.

Causas:

1. Denoise demasiado alto: Destruyendo consistencia temporal de la etapa anterior
2. Scheduler diferente entre etapas: Usa karras para todas las etapas
3. CFG demasiado extremo: CFG muy alto o muy bajo causa problemas temporales
4. Pasos demasiado pocos: Aumenta pasos en la etapa problemática

Soluciones: Reduce denoise en 0.1, asegura consistencia de scheduler, ajusta CFG al rango 7-8.

Problema: Procesamiento extremadamente lento

La generación multi-etapa toma 3-4x más tiempo de lo esperado.

Causas:

1. Demasiados pasos totales: 15+25+30 = 70 pasos totales es excesivo
2. Alta resolución: 768x768 o mayor significativamente más lento
3. Cuello de botella de CPU: Verifica uso de CPU durante la generación
4. Otros procesos de GPU: Cierra navegadores, otras herramientas de IA

Optimiza: Reduce pasos totales a 50-55 (ej., 15+22+15), procesa a 512x512, asegura GPU completamente utilizado.

Problema: La Etapa 3 introduce artefactos no presentes en la Etapa 2

El flujo de trabajo de tres etapas produce artefactos en la etapa final.

Causas:

1. Denoise demasiado alto para etapa 3: Debería ser 0.25-0.35, no 0.4+
2. CFG demasiado alto para etapa 3: Debería ser 6.5-7, no 7.5+
3. Sobre-procesamiento: Demasiados pasos totales causando que el modelo alucine detalles

Solución: Usa parámetros conservadores de etapa 3 (denoise 0.3, CFG 6.5, pasos 25). Considera si tres etapas es incluso necesario o si dos etapas produce mejores resultados para tu tipo de contenido.

Problema: Las animaciones se ven sobre-procesadas o "AI-ish"

La calidad de salida es técnicamente alta pero se ve antinatural o sintética.

Causas:

1. CFG demasiado alto en todas las etapas: Reduce CFG en 0.5-1.0 en cada etapa
2. Demasiados pases de refinamiento: Tres etapas puede ser excesivo
3. Prompt demasiado detallado: Sobre-especificar crea apariencia artificial

Soluciones: Baja CFG (8.5→7.5 etapa 1, 7.5→6.5 etapa 2), prueba dos etapas en lugar de tres etapas, simplifica ligeramente los prompts.

Reflexiones Finales

Los flujos de trabajo multi-etapa KSampler para WAN 2.2 representan una evolución significativa en la calidad accesible de vídeo IA. La técnica es conceptualmente simple (ejecutar múltiples KSamplers en secuencia con denoise decreciente) pero produce mejoras de calidad medibles y consistentes que elevan la salida de "bueno" a "profesional".

El compromiso es el tiempo de procesamiento. Dos etapas agrega 65% de tiempo de generación, tres etapas agrega 110%. Para pruebas iterativas y trabajo por lotes de alto volumen, la etapa única sigue siendo práctica. Para entregables de clientes, contenido destacado y piezas insignia de archivo, los flujos de trabajo multi-etapa justifican la inversión de tiempo con calidad notablemente superior.

El punto óptimo para la mayoría del trabajo de producción es el muestreo de dos etapas con parámetros optimizados (18 pasos etapa 1, 25 pasos etapa 2, denoise 0.45 entre etapas). Esta configuración proporciona 80%+ de mejora de calidad máxima con sobrecarga de tiempo de procesamiento razonable. Reserva tres etapas para el 10-20% del contenido donde la máxima calidad absoluta es esencial independientemente del costo de tiempo.

Las técnicas en esta guía cubren todo desde la configuración básica de dos etapas hasta la optimización avanzada de tres etapas y flujos de trabajo de producción por lotes. Comienza con la implementación de dos etapas en contenido de muestra para internalizar cómo el denoise de la etapa 2 afecta la calidad. Experimenta con variaciones de parámetros para desarrollar intuición sobre los compromisos de calidad vs tiempo de procesamiento. Progresa a tres etapas solo después de dominar dos etapas e identificar contenido que se beneficia del pase de refinamiento adicional.

Ya sea que construyas flujos de trabajo multi-etapa localmente o uses Apatero.com (que tiene plantillas pre-optimizadas de dos y tres etapas con ajuste automático de parámetros basado en tipo de contenido), dominar las técnicas multi-KSampler eleva tu generación de vídeo WAN 2.2 de competente a excepcional. Esa diferencia de calidad importa cada vez más a medida que la generación de vídeo IA se mueve de contenido experimental a flujos de trabajo de producción profesional donde la calidad de salida impacta directamente la viabilidad comercial.