Minds pour ComfyUI : tests de préférence sur images et vidéos

Minds intègre les études d'audience directement dans le graphe où vous créez vos images et vos vidéos. Au lieu d'exporter chaque variante, d'ouvrir un outil de test séparé et de réimporter manuellement le fichier retenu dans votre chaîne de production, vous reliez vos variantes au nœud Minds · Audience Preferences. Le nœud soumet une question de préférence validée à vos Audiences sélectionnées, affiche l'étude terminée et transmet les médias originaux retenus aux nœuds suivants.

Minds est la plateforme de bout en bout dédiée aux études synthétiques commerciales. Elle réunit analyses qualitatives et quantitatives grâce à des Minds, des Audiences et des Studies réutilisables. Minds PRISM fournit le socle de raisonnement, d'inférence et de modélisation des sources pour mener des études synthétiques rigoureusement délimitées. La plateforme prend en charge de nombreux cas d'usage, de l'exploration qualitative aux méthodes quantitatives comme MaxDiff ; cet adaptateur ComfyUI propose un test de préférence catégorielle ciblé, plutôt qu'une transposition intégrale de toutes les méthodes d'étude dans un widget de graphe. Consultez le guide sur les Minds et leur ancrage ainsi que la vue d'ensemble des fonctionnalités si vos besoins d'étude dépassent le simple arbitrage entre variantes créatives.

Cette capture montre uniquement les nœuds du flux et restitue un test d’intégration terminé avec deux visuels publiés de campagnes Coca-Cola. La publicité B (Share a Coke) a reçu 4 choix sur 5 (80 %) ; la publicité A (football), 1 (20 %). Les deux originaux, leurs vignettes correspondantes dans les résultats et le visuel gagnant enregistré sont visibles. Ce test QA avec cinq Minds vérifie l’intégration, pas les performances de la campagne. Sources des campagnes: Coca-Cola football, Share a Coke.

Placez le pointeur sur les résultats et faites défiler avec la molette ou avec deux doigts sur le pavé tactile pour atteindre les conclusions et les commandes du bas. Le graphe reste immobile. Cette capture de documentation plus haute montre le résultat complet en une seule vue.

Ce que vous pouvez faire en un seul nœud

Le nœud rassemble la collecte des ressources, la préparation du brouillon, l'exécution validée, l'affichage des résultats et la sélection finale. Les champs standard de ComfyUI recueillent la question, le contexte de visionnage, les libellés des variantes et les identifiants d'Audiences. L'interface de réponse Minds s'affiche directement dans le nœud une fois l'étude terminée.

Le résultat reste strictement lié aux ressources fournies, à la formulation exacte de la question et aux populations retenues. Le nœud ne sélectionne pas d'Audience alternative en arrière-plan, ne remplace pas un média manquant par une description textuelle générée par un modèle et ne fusionne pas plusieurs Audiences en une population unique. Consultez la documentation des résultats et du dépannage pour connaître en détail la structure des sorties et la gestion des nouvelles tentatives.

Prérequis

Utilisez un serveur ComfyUI sous votre contrôle, disposant des droits nécessaires pour installer un pack de nœuds personnalisés et ses dépendances Python. Le serveur doit pouvoir émettre des requêtes HTTPS vers Minds et être associé à un compte Minds actif doté d'un accès API et d'Audiences prêtes. Son environnement Python doit contenir l'installation PyTorch existante de ComfyUI. Le pack ajoute à cet environnement ses dépendances déclarées pour les requêtes HTTP et le traitement d'images.

Préparez au moins deux variantes distinctes et une question à laquelle ces contenus permettent de répondre. Une comparaison d'images nécessite de vraies images ; une comparaison vidéo requiert les vidéos cibles dès lors que la question porte sur le mouvement, le rythme ou l'audio. Un concept textuel est pertinent pour évaluer des intentions narratives, mais il ne remplace pas le test d'une vidéo finalisée.

Sélectionnez une Audience adaptée à l'arbitrage visé. Le guide des Audiences détaille le fonctionnement des populations réutilisables, et le guide des Studies explicite l'objet d'étude enregistré qui sous-tend le nœud. Un nom d'Audience évocateur ne suffit pas à garantir son ancrage, sa représentativité ou sa pertinence pour une décision stratégique.

Installation et distribution actuelle

Le package officiel est ComfyUI-Minds sur GitHub, publié par Minds. La page sur Comfy Registry utilise l'éditeur minds et l'identifiant de pack comfyui-minds. Vérifiez-y l'état de validation de la version avant de vous reposer sur le gestionnaire de packs. La release GitHub fournit une méthode d'installation directe indépendante de cet état.

Au 16 octobre 2026, la version 0.2.0 du Registry est marquée « Flagged » et attend une vérification. La version GitHub est disponible, mais la soumission au Registry ne garantit pas encore une disponibilité vérifiée dans Manager. Consultez le statut actuel de la version avant installation.

Les preuves de fonctionnement documentées reposent sur ComfyUI 0.41.0 avec l'interface frontend 1.55.17 et des exemples courts d'images et de vidéos. Elles confirment que l'installation, l'exécution validée de l'étude, l'affichage des résultats et l'enregistrement natif fonctionnent dans cet environnement précis. Elles ne garantissent pas une exécution sur Comfy Cloud, une intégration en tant que Partner Node sur une marketplace, ni une compatibilité avec toutes les futures versions de ComfyUI.

Installer depuis le dépôt officiel

Ouvrez un terminal dans votre dossier d'installation ComfyUI et clonez le pack dans custom_nodes :

cd /path/to/ComfyUI/custom_nodes
git clone https://github.com/minds-ai-co/ComfyUI-Minds

Installez ComfyUI-Minds/requirements.txt avec le même interpréteur Python que celui qui exécute ComfyUI. Par exemple, en adaptant le chemin vers votre environnement :

/path/to/comfy-python -m pip install -r ComfyUI-Minds/requirements.txt

Une commande pip globale risque d'installer les dépendances dans un environnement différent. Les installations desktop, portables ou sous environnement virtuel ont chacune leur propre chemin d'interpréteur ; utilisez celui du serveur que vous lancez réellement. Ne remplacez pas l'installation PyTorch de ComfyUI pour installer ce pack.

Redémarrez ComfyUI après l'installation. Recherchez Minds · Audience Preferences dans le menu des nœuds. S'il n'apparaît pas, vérifiez les erreurs d'importation de nœuds personnalisés dans les logs du serveur avant de lancer une étude. Installer un dépôt dans le mauvais dossier ou avec le mauvais interpréteur ne se résoudra pas en modifiant votre question dans Minds.

Configurer les identifiants sur le serveur

Créez ou gérez votre clé dans les paramètres de clés API Minds, puis configurez votre gestionnaire d'environnement pour injecter MINDS_API_KEY dans le processus du serveur ComfyUI. Redémarrez le processus avec ces variables appliquées. Une variable définie dans un terminal indépendant n'est pas transmise automatiquement à une application desktop ou à un service déjà en cours d'exécution.

Cette clé permet à l'adaptateur Python d'appeler l'API Minds. Elle ne constitue ni une entrée de variante, ni une valeur à insérer dans un graphe partagé, ni un paramètre requis par l'iframe de réponse. Pour préserver la réutilisabilité de vos workflows, séparez l'authentification des questions et des médias.

Charger un exemple prêt à l'emploi

Le pack comprend sept workflows d'exemple : sélection de publicités, vignettes, packaging, comparaison entre Audiences, tests original vs version révisée, concepts vidéo et sélection vidéo native. Ouvrez l'un d'eux via le navigateur de modèles de ComfyUI ou importez son fichier JSON depuis le dossier example_workflows du package installé.

Pour utiliser les fichiers de démonstration inclus, copiez d'abord les ressources d'exemple dans le répertoire input de ComfyUI. Pour vos propres tests, sélectionnez vos fichiers ou raccordez votre pipeline de génération. Chaque exemple contient un seul nœud d'étude Minds ; les nœuds de chargement et d'enregistrement appartiennent au workflow ComfyUI global.

Commencez par une comparaison simple et ciblée pour vérifier facilement les libellés, les pièces jointes et la formulation de la question validée. Étendez ensuite le panel de variantes dans la limite des capacités supportées. Dissociez votre premier test technique d'intégration de la décision créative finale, qui devra reposer sur une population d'étude plus large et correctement ancrée.

Sélectionner les Audiences

Renseignez un ou plusieurs UUIDs d'Audiences existantes dans audience_ids, séparés par des virgules. Ces Audiences doivent être accessibles par le compte associé à la clé API du serveur et prêtes pour la recherche. Le nœud n'analyse pas de description démographique en texte libre dans ce champ et ne génère pas de nouvelle Audience à la volée.

Un nœud optionnel, Minds · Find Audiences, liste les identifiants accessibles, leurs noms, le nombre de Minds associés et leur disponibilité. Utilisez son champ de recherche pour filtrer la liste et son paramètre d'offset pour parcourir les résultats au-delà des cent premiers. Cet outil sert uniquement à l'exploration. Votre graphe de test n'a besoin que du nœud de préférence principal une fois les identifiants choisis.

Pour comparer les retours entre plusieurs Audiences, conservez les résultats séparés. Si vous souhaitez également que le graphe sélectionne automatiquement un média, indiquez l'un des identifiants testés dans selection_audience_id. Laisser ce champ vide lors d'un test multi-Audiences affiche les résultats de l'étude mais bloque la sélection automatique, car l'adaptateur ne dispose d'aucun critère pour déterminer quelle population doit piloter la suite du flux.

Connecter les images et définir des libellés précis

Reliez un batch IMAGE à l'entrée images. Une seconde source peut être raccordée à images_b, ce qui évite d'ajouter un nœud de regroupement Minds intermédiaire pour comparer deux sources natives. Le nœud accepte aussi bien des listes que des batches ; les dimensions des images peuvent différer si les sorties continuent sous forme d'images distinctes.

Le champ labels_json nomme chaque variante native dans l'ordre. Les images apparaissent en premier (la première entrée image avant la seconde), suivies des vidéos natives (la première entrée vidéo avant la seconde). Les libellés constituent des identifiants stricts et distincts utilisés par la question, le rapport de résultats et le module de sélection.

["Original", "Revision"]

Si un batch connecté contient plusieurs images, chaque image doit recevoir un libellé. Deux batches connectés peuvent donc regrouper plus de deux variantes. Modifier le nombre de candidats sans actualiser les libellés génère une erreur de contrat technique : le système n'invente pas de noms et ne supprime aucune image de manière implicite.

Choisissez des libellés clairs et compréhensibles a posteriori, comme "Accroche originale" et "Accroche courte". Évitez d'insérer un jugement ou une préférence supposée dans le libellé. L'étude interroge l'audience sur les variantes fournies ; les libellés doivent servir à les identifier sans introduire d'argumentaire persuasif.

Rédiger une question de préférence pertinente

Le nœud exécute une question catégorielle standardisée sur les variantes étiquetées. Demandez une évaluation précise que le matériel permet de trancher. "Quelle vignette préféreriez-vous ouvrir ?" diffère de "Quelle vignette explique le sujet le plus clairement ?". Le résultat d'une question ne répond pas automatiquement à l'autre.

Utilisez le champ context pour fournir les informations nécessaires à l'évaluation : emplacement de diffusion de la création, contexte de visionnage prévu ou critères à prendre en compte. Veillez à ce que ce contexte reste neutre et équilibré entre les variantes. Si le produit, l'offre ou le ciblage diffèrent, déterminez si vous testez une déclinaison créative ou une proposition de valeur plus large avant d'en interpréter les résultats.

La question complète, le contexte et les références créatives doivent respecter la limite de taille fixée par l'API. Ne compensez pas un dépassement en supprimant silencieusement les éléments qui précisent le contexte de visionnage. Reformulez intentionnellement le brief et générez une nouvelle demande de test pour le contenu modifié.

Mettre en file d'attente, vérifier et valider

Lancez le graphe une première fois. Le nœud crée ou réutilise sa Study enregistrée, téléverse les médias natifs requis et prépare le brouillon exact. Une fenêtre de révision affiche les Audiences sélectionnées, la langue, la question intégrale et les variantes. La préparation du brouillon ne démarre pas l'interrogation des répondants ; la sélection en aval reste bloquée à ce stade.

Lisez la question telle que les répondants la recevront, avec son contexte et les références des variantes. Vérifiez que l'ordre des libellés correspond bien aux fichiers connectés et que la population choisie est cohérente avec votre décision. Annulez en cas d'erreur. La validation s'applique au brouillon enregistré affiché, et non à d'éventuelles modifications ultérieures du graphe.

Cliquez sur Approve this draft, puis relancez la file d'attente. Le nœud vérifie la révision approuvée et démarre ou reprend l'exécution persistante de cette étude. Les droits d'accès au compte, la disponibilité des Audiences, le forfait et les limites d'utilisation restent régis par l'API Minds partagée.

Utilisez New test request après toute modification de contenu, de libellé, de question, de contexte, de langue ou d'Audience. Ce bouton génère un nouvel identifiant de requête et réinitialise l'approbation précédente ainsi que l'affichage des résultats. Conservez l'identifiant existant si vous souhaitez simplement reprendre une tentative interrompue avec des paramètres identiques.

Consulter les résultats intégrés

Une fois l'étude terminée, les résultats s'affichent directement dans le nœud via la même interface de réponse Minds que celle des widgets MCP. Elle présente la question, la ventilation par Audience, la distribution catégorielle, les enseignements clés et le détail des réponses individuelles des Minds disponibles. Faites défiler la zone de résultats pour explorer l'ensemble des retours.

Les captures d'écran reposent sur une Audience QA de cinq Minds et sur des exemples volontairement simples afin d'illustrer le bon fonctionnement du flux. Le nom affiché d'une Audience et un graphique clair ne transforment pas ces exemples en données de marché représentatives ni en prévisions calibrées pour une campagne.

Pour une prise de décision réelle, vérifiez que l'Audience, le contexte de visionnage et les variantes correspondent parfaitement aux enjeux du projet. Analysez les conclusions qualitatives et les réponses disponibles en complément de la distribution chiffrée. Ouvrez la Study dans Minds si vous souhaitez exploiter les fonctionnalités avancées de gestion d'études, de comparaison ou d'export décrites dans la documentation des Studies.

Poursuivre le flux avec les originaux sélectionnés

Reliez selected_images à un nœud de traitement d'image ou à Save Image. Reliez selected_videos à un nœud de traitement vidéo ou à Save Video. Ces sorties conservent les objets natifs d'origine : elles ne reconstruisent pas une image gagnante à partir d'une miniature et ne convertissent pas une vidéo en une série d'images fixes échantillonnées.

Réglez top_k pour définir la taille de la sélection parmi l'ensemble des variantes. Les ex aequo situés au niveau du seuil sont conservés, ce qui peut porter le nombre d'éléments en sortie au-delà de cette valeur. Une première place partagée constitue une égalité stricte ; le nœud ne privilégie pas la première entrée simplement parce qu'elle a été connectée en premier.

Les ressources hébergées et les concepts textuels peuvent être retenus en tant qu'enregistrements créatifs, mais ils ne peuvent pas générer un objet natif IMAGE ou VIDEO qui n'a jamais été transmis en entrée. L'absence de modalité native bloque la sortie média correspondante, tandis que les autres sorties de résultats restent exploitables. La documentation des résultats détaille les formats JSON et les sorties personnalisées pour l'automatisation.

Tester des vidéos et des concepts avec méthode

Pour les vidéos natives, connectez les objets VIDEO cibles, étiquetez-les et formulez une question qui porte sur l'intégralité de l'extrait. La piste audio est déterminante lorsque la décision dépend de la voix off, de la musique, du rythme ou des informations parlées. Le guide des workflows vidéo détaille le fonctionnement des ports, la révision et les sorties natives.

Pour des intentions narratives ou des scripts, utilisez des concepts textuels étiquetés dans assets_json. Précisez explicitement que l'évaluation porte sur des concepts et non sur des vidéos finalisées. La préférence pour un concept écrit ne préjuge pas de l'accueil d'une réalisation finale dont le casting, le montage, le son, le rythme ou l'univers visuel restent à définir.

L'article illustré sur les workflows créatifs présente des cas d'usage concrets, notamment les déclinaisons publicitaires et les comparaisons entre versions originales et révisées. Rapprochez toujours ces exemples de la question effectivement posée, sans assimiler chaque répartition de préférences à un résultat commercial garanti.

En quoi cette intégration diffère de celle pour ChatGPT

L'intégration ChatGPT introduit les études Minds au cœur d'une conversation via MCP et OAuth. L'adaptateur ComfyUI, quant à lui, interroge l'API Minds depuis son serveur Python à l'aide d'une clé côté serveur. Les deux approches s'appuient sur la même plateforme d'étude, mais répondent à des logiques de travail et à des modes d'authentification différents.

Privilégiez ComfyUI lorsque les médias générés doivent rester dans le graphe et que les résultats de préférence servent à router directement les fichiers originaux vers les étapes suivantes. Optez pour un client conversationnel comme ChatGPT ou Claude lorsque votre besoin relève du dialogue d'étude ou d'un flux agentique plus large. La vue d'ensemble des intégrations détaille les différentes options disponibles.

L'iframe de résultats dans ComfyUI réutilise l'interface de réponse standard ; elle ne transforme pas le nœud en serveur MCP, n'ajoute pas OAuth à ComfyUI et ne nécessite aucun plugin ChatGPT. De même, le nœud n'installe aucun checkpoint Mosaic et ne propose pas de réglage de sélection de modèle. Son fonctionnement s'en tient strictement au workflow testé de l'API Study de Minds décrit ici.

Prochaines étapes et support

Consultez le guide vidéo pour mettre en place une comparaison audio/vidéo native, ou le guide des résultats et du dépannage en cas de sortie bloquée, de délai d'attente dépassé ou de question d'interprétation. Le dépôt source contient le pack installable, les exemples et le suivi des tickets de support.

Si vous débutez sur Minds, commencez par la vue d'ensemble, puis découvrez les Minds, les Audiences et les Studies. Le graphe ComfyUI constitue un point d'entrée ciblé dans cet écosystème d'étude complet : la qualité de vos arbitrages dépendra toujours de la population, des éléments créatifs et de la question de recherche que vous y injectez.