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

推荐起点:20~30

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

传统 SD / SDXL 推荐起点:6~8

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

 

文生图:1.0
图生图:0.4~0.8

 

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

适合传统 SD 文生图的基础配置

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。