AI
Stable Diffusion 采样器选择指南
理解噪声调度、收敛性、速度与随机性的差异，并据此选择 Euler、DPM++、UniPC 等采样器和步数。
Stable Diffusion 的采样器决定“如何沿着去噪路径走”，调度器决定“每一步使用怎样的噪声强度”。它们会影响速度、细节、随机性和低步数表现，但不存在适合所有模型与画面的唯一答案。
先理解三个维度
收敛速度
有些采样器在十几步就能形成稳定结构，有些需要更多步数。步数增加到一定程度后，提升会迅速变小，甚至让画面变硬。
随机性
带有 ancestral 特性的采样器会在过程中继续引入噪声，同一提示词更容易产生变化，也更难在增加步数时保持完全一致。
调度方式
Karras 等 scheduler 调整的是噪声层级分布。它不是独立的“画风按钮”，应与采样器、模型和步数一起测试。
常见选择
| 采样器 | 特点 | 适合从哪里开始 |
|---|---|---|
| Euler | 直接、速度快、变化明显 | 快速构图与草稿 |
| Euler a | 随机性更强 | 希望同一提示词产生更多变化 |
| DPM++ 2M | 稳定、细节均衡 | 通用默认选择 |
| DPM++ SDE | 质感自然但通常更慢 | 写实与细腻纹理 |
| UniPC | 低步数效率较好 | 预览或时间敏感的工作流 |
| DDIM | 可预测、结构相对稳定 | 重绘、反演或需要复现的流程 |
这个表只是起点。不同 checkpoint、LoRA、VAE 与分辨率都会改变结果。
怎么做有效对比
固定以下条件：
- 模型、VAE 和 LoRA；
- 提示词与负面提示词；
- Seed；
- 分辨率、CFG 和去噪强度。
然后只改变采样器或 scheduler，并用相同的几组步数生成网格。比较：
- 主体结构是否稳定；
- 小面积纹理是否自然；
- 暗部与高光是否出现脏点；
- 增加步数后是否仍有明显收益；
- 单张耗时是否值得。
一个实用起点
不知道怎么选时，可以先用 DPM++ 2M 搭配常见 scheduler，在中等步数生成基线；需要更快预览时试 UniPC；想获得更强变化时试 Euler a。
[!TIP] 采样器只能改变去噪过程，不能弥补不匹配的模型、失真的高分辨率修复或过强 CFG。画面异常时，先检查整条工作流，不要把所有问题都归因于采样器。