Save Latent Tensor 算子节点

将内存中的 LatentArtifact 潜空间张量以 PyTorch 原生 .pt 文件格式无损落盘写入本地磁盘。非常适用于底层排障调试、离线算法验证或构建自动化测试基准夹具 (Test fixtures)。

算子所属分类：ModularDiffusion/IO

核心速查 (TL;DR)

落盘的是底层纯张量，绝非解码后的像素成片：保存的是未反显的潜空间高维数值阵列。若需在其他工作流或自定义 Python 脚本中回载，可通过 torch.load(...) 直接读取并包装为 LatentArtifact；
输出绝对物理路径：输出端口 saved_path 暴露了落盘实体的绝对绝对路径，方便串联进下游的日志记录、外部自动化脚本或元数据汇总节点。

Generate Media Latents ─┬─→ [Save Latent Tensor] (离线调试/存档)
                        └─→ Decode Media Latent → Save Image (成片导出)

端口名称	数据类型	是否必填	详细功能与业务规范说明
`latent_tensor`	`LatentArtifact`	是	准备序列化落盘存储的潜空间特征张量。

端口名称	数据类型	详细功能与业务规范说明
`saved_path`	`str`	张量物理写入落盘后的绝对文件路径。

参数名称	数据类型	默认值	详细业务功能与调优说明
`file_path`	`str`	`debug/latent.pt`	存储目标路径。填写相对路径时会基于工作区主根目录自动解析；目标父级文件夹若不存在会自动创建。

落盘前自动执行 CPU 脱钩 (Detached & CPU-moved)：节点内部会在保存前将张量从 GPU 显存移入主机内存并执行 .detach().cpu()；因此导出的 .pt 文件高度安全，可在没有 GPU 的纯 CPU 测试服务器上平稳反序列化加载。
纯张量存储，不包含额外元数据：文件仅封装底层数值张量本身。如果你后续需要精确执行张量解包 (Latent unpacking)，可能依赖 source_shape 原始几何形状，请在调试记录中单独记录该参数。
留意磁盘空间消耗：.pt 权重文件具有可观的物理体积——1024×1024 分辨率的 SDXL 图像潜变量约为 4MB，而长达数十帧的 LTX / WAN 视频潜变量可能高达数以百兆计；请避免在无限循环测试中无节制落盘填满存储驱动器。