ComfyUI KSampler(K采样器)参数
KSampler 是 ComfyUI 图片生成的核心节点,负责控制 AI 图片生成过程中的采样、去噪和随机性,下面「参数、作用、取值范围、不同数值的效果、推荐值」进行说明
一、参数说明表
|
参数 |
作用 |
取值范围 |
具体值的作用 |
|---|---|---|---|
|
种子(Seed) |
控制随机噪声,影响生成图片的初始状态 |
0~2⁶⁴−1 |
相同模型、提示词、参数和种子,通常可以复现相同结果;不同种子会产生不同构图和细节 |
|
生成后控制 |
控制每次生成完成后种子的变化方式 |
固定、递增、递减、随机 |
固定:每次使用同一个种子;递增:每次 +1;递减:每次 -1;随机:每次重新生成种子 |
|
步数(Steps) |
控制采样去噪的迭代次数 |
通常 1~100,具体取决于模型和节点设置 |
步数越多,计算时间越长,但不一定画质越好 |
|
CFG |
控制图片对提示词的遵循程度 |
通常 1~20,技术上可使用其他非负数值 |
越高越严格遵循提示词;越低越自由,可能偏离提示词 |
|
采样器名称(Sampler) |
决定采用哪种算法进行采样 |
多种算法可选 |
不同算法影响生成速度、细节、平滑度和画面风格 |
|
调度器(Scheduler) |
决定每一步采样时的噪声变化分布 |
多种调度方式可选 |
控制不同采样步骤的噪声分配,影响生成过程和最终效果 |
|
降噪(Denoise) |
控制去噪强度 |
0.0~1.0 |
1.0:完全从噪声开始生成;0.5:保留较多输入图像信息;0:基本不改变输入图像 |
二、各参数数值的详细影响
1. 种子(Seed)
决定随机噪声的初始状态,不直接决定画面质量。
|
设置方式 |
作用 |
使用场景 |
|---|---|---|
|
固定(fixed) |
每次使用相同种子 |
修改提示词时对比效果 |
|
随机(randomize) |
每次随机生成种子 |
日常探索不同构图 |
|
递增(increment) |
每次种子 +1 |
批量测试不同结果 |
|
递减(decrement) |
每次种子 -1 |
按顺序测试种子 |
注意:
-
使用相同种子、相同参数:尽可能复现原图。
-
更换种子:即使提示词不变,也可能生成完全不同的人物姿势、构图和背景。
建议: 日常生成使用 randomize,找到满意的图片后切换 fixed,保存种子。
2. 步数(Steps)
控制模型执行多少次去噪迭代。
|
步数 |
效果 |
适用场景 |
|---|---|---|
|
1~5 |
去噪次数少,通常细节不足 |
快速测试、特殊蒸馏模型 |
|
10 |
生成较快 |
快速预览 |
|
15~20 |
速度和效果比较均衡 |
日常生成 |
|
25~30 |
增加采样迭代 |
追求细节 |
|
40~50 |
进一步增加计算量 |
部分传统模型 |
|
60~100 |
耗时明显增加 |
特殊模型或实验 |
|
100 以上 |
不一定带来改善 |
一般不推荐 |
注意:不同模型对步数的要求不同。例如 Z-Image-Turbo 这类 Turbo 模型,通常不需要传统模型那么多步数。
3. CFG(提示词引导强度)
CFG = Classifier-Free Guidance。
它决定生成图片对正向提示词的遵循程度。
|
CFG 值 |
生成倾向 |
可能出现的问题 |
|---|---|---|
|
0 |
基本不使用正向提示词引导 |
内容可能偏离描述 |
|
1 |
引导较弱 |
创作自由度高 |
|
2~3 |
引导较弱 |
细节可能不符合描述 |
|
4~5 |
引导适中 |
适合部分模型 |
|
6~8 |
引导较强 |
传统 SD 模型常用区间 |
|
9~12 |
强引导 |
可能出现画面僵硬、颜色过饱和 |
|
13~20 |
非常强 |
容易出现失真或细节异常 |
|
20 以上 |
极强引导 |
通常不推荐 |
注意:Flux、Z-Image 等模型的 CFG 推荐值可能明显不同,不能直接照搬 SD 的设置。
4. 采样器名称(Sampler)
采样器决定采用什么算法执行去噪。
常见采样器:
|
采样器 |
特点 |
适用场景 |
|---|---|---|
|
euler |
简单、速度快、效果稳定 |
通用文生图 |
|
euler_ancestral |
增加随机性,生成变化丰富 |
创意图片 |
|
heun |
采用更高阶的数值积分方式 |
追求采样质量 |
|
dpm_2 |
二阶采样算法 |
部分传统模型 |
|
dpm_2_ancestral |
二阶算法并加入随机性 |
创意生成 |
|
dpmpp_2m |
效率和效果较均衡 |
高质量生成 |
|
dpmpp_2m_sde |
引入随机微分方程采样 |
细节和纹理 |
|
dpmpp_3m_sde |
三阶多步 SDE 采样 |
部分高质量工作流 |
|
lms |
线性多步采样 |
传统模型 |
这里的采样器名称是 ComfyUI 常见选项,具体列表取决于版本。
建议:
-
通用 SD:euler、dpmpp_2m。
-
追求细节:dpmpp_2m_sde。
-
创意探索:euler_ancestral。
5. 调度器(Scheduler)
调度器决定每个采样步骤如何分配噪声强度。
|
调度器 |
特点 |
使用场景 |
|---|---|---|
|
simple |
简单的步长分配方式 |
通用 |
|
normal |
常规噪声调度 |
通用 |
|
karras |
Karras 噪声分布 |
传统 SD 高质量生成 |
|
exponential |
指数型噪声分布 |
特定采样组合 |
|
sgm_uniform |
SGM 均匀调度 |
部分模型 |
|
ddim_uniform |
DDIM 均匀调度 |
DDIM 采样 |
|
beta |
Beta 分布调度 |
特定模型和工作流 |
建议:
-
通用 SD:normal 或 karras。
-
Euler:simple 或 normal。
-
特定模型:优先遵循模型作者提供的工作流。
注意:采样器和调度器需要搭配使用,不是任何组合都能得到最佳效果。
6. 降噪(Denoise)
这个参数非常重要,尤其是图生图。
|
降噪值 |
效果 |
适用场景 |
|---|---|---|
|
0 |
不进行有效去噪 |
保留原图 |
|
0.1 |
极小幅度改变 |
微调 |
|
0.2 |
少量改变 |
轻微修饰 |
|
0.3 |
保留大部分原图结构 |
细节调整 |
|
0.4 |
中等偏轻修改 |
风格微调 |
|
0.5 |
保留较多原图特征 |
图生图 |
|
0.6 |
修改幅度增加 |
风格转换 |
|
0.7 |
原图结构开始明显变化 |
图生图重绘 |
|
0.8 |
大幅修改 |
较大程度重绘 |
|
0.9 |
接近重新生成 |
大幅度修改 |
|
1.0 |
完整去噪过程 |
标准文生图 |
这里需要特别注意:降噪值越高,修改幅度越大;降噪值越低,越保留原始输入图片的结构。
三、你截图中的参数,我建议这样理解
当前参数配置
|
参数 |
当前值 |
我的评价 |
|---|---|---|
|
Seed |
55148242434270 |
正常 |
|
Control |
randomize |
适合探索 |
|
Steps |
20 |
合理 |
|
CFG |
8.0 |
传统 SD 合理,其他模型需调整 |
|
Sampler |
euler |
通用 |
|
Scheduler |
simple |
通用 |
|
Denoise |
1.00 |
标准文生图设置 |
四、不同模型不要直接套用相同参数
|
模型类型 |
Steps |
CFG |
Sampler |
Scheduler |
Denoise |
|---|---|---|---|---|---|
|
SD 1.5 |
20~30 |
6~8 |
euler / dpmpp_2m |
normal / karras |
1.0 |
|
SDXL |
25~35 |
5~8 |
dpmpp_2m |
karras |
1.0 |
|
Z-Image-Turbo |
按模型推荐 |
按模型推荐 |
按官方工作流 |
按官方工作流 |
1.0 |
|
Flux |
按模型推荐 |
按模型推荐 |
按官方工作流 |
按官方工作流 |
1.0 |
以上是传统模型的常见起点,不是所有模型的固定最优值。