comfui的sd1.5模型，有多少采样算法，详解每一个采样算法

水上冰石

474人浏览 · 2026-05-26 00:28:42

水上冰石 · 2026-05-26 00:28:42 发布

在ComfyUI里，采样器是控制AI如何一步步将“纯粹噪声”转化为“最终图像”的核心算法，就像一位雕塑家，每一次下刀都决定着作品的细节与神韵。

从架构上，这些算法主要分为两大流派：ODE求解器（常微分方程求解器）和SDE求解器（随机微分方程求解器）。

ODE求解器：逻辑严谨，路径清晰可循，适合追求稳定、高质量出图的场景。
SDE求解器：过程更为奔放，会主动引入随机噪声，因此画面更具创意和艺术美感，但每次生成的结果都会有独特的差异。

市面上的所有采样器，几乎都可以看作是这两种技术路线的变体和组合。

⚙️ ComfyUI 采样器「完全」图鉴

为了方便你理解，我将ComfyUI中常用的主流和进阶采样器，按算法特性和应用场景重新分类。

🚀 经典实用系列 (DPM & DPM2)

这个系列是Stable Diffusion初代时期的经典采样器，它们奠定了扩散模型早期采样的基础。

采样器名称	核心特点与简介	速度	画质	推荐步数
`dpm_2`	二阶采样器，质量高但收敛慢，比 `euler` 更精致，但效率较低。	慢	较高	20-30
`dpm_2_ancestral`	`dpm_2` 的“祖先”版本，每次迭代都会引入额外噪声，生成结果更具随机性。	慢	较高	20-30
`dpm_fast`	顾名思义，专为加速设计的采样器，能在较少步数内取得良好效果。	快	中	10-15
`dpm_adaptive`	自适应采样器，可根据图像特征自动调整步长，力求精准。	极慢	高	自调节

🏆 主力首选系列 (DPM++)

这是目前最受推荐的系列，代表了现代采样算法的技术水平，尤其适合追求高质量和稳定性的场景。

采样器名称	核心特点与简介	速度	画质	推荐步数
`dpmpp_2m`	通用首选。DPM++ 2M (M代表多步) 是平衡速度与质量的标杆，效果稳定且出色，是目前大多数工作流中最常见的选择。	快	高	20-30
`dpmpp_2m_sde`	真实感首选。在`dpmpp_2m`基础上加入了SDE策略，图像更平滑，光影和景深处理极其出色，适合追求照片级真实感的场景。	中	极高	15-25
`dpmpp_2s_ancestral`	创意首选。2S代表二阶单步，搭配祖先采样，生成过程富有创造性，结果生动多变。	中	高	15-25
`dpmpp_3m_sde`	细节之王。更高阶的采样方法，在图像保真度和细节保留上达到新的高度，是追求极致画质用户的首选。	慢	极高	20-30
`dpmpp_sde`	`dpmpp_2m_sde` 的前身，同样注重真实感与平滑度。	慢	高	15-20

🔧 基础稳健系列 (Euler, Heun, LMS)

这些是经典的数值解法器，是理解和调试其他复杂算法的基础。

采样器名称	核心特点与简介	速度	画质	推荐步数
`euler`	最基础的采样算法之一，速度快，生成的图像细节清晰但可能略显生硬。	极快	中	20-40
`euler_ancestral`	`euler` 的“祖先”版本，每一步都添加噪声，画面富于变化和艺术感。	快	中高	15-25
`heun`	二阶方法，比 `euler` 更精准，结果更稳定，能更好地平衡速度与质量。	中	较高	20-40
`heunpp2`	`heun` 的改进版，精度更高，细节保留更丰富，尤其在高低权重转换上表现更优。	中慢	高	20-30
`lms`	源自 `PNDM`，收敛速度快，能在较少步数内达到不错的画质。	快	中高	20-30

🧪 前沿与扩展系列 (UniPC, DDIM, LCM)

这些采样器各有专攻，或在特定任务上表现亮眼。

采样器名称	核心特点与简介	速度	画质	推荐步数
`uni_pc`	统一预测器校正器框架，通过多步预测来提升效率和画质，适合对精细度有高要求的场景。	快	高	10-20
`uni_pc_bh2`	`uni_pc` 的改进版，引入了二阶修正，细节和一致性表现更佳。	中	极高	10-20
`ddim`	经典的确定性采样器，通过隐式模型实现快速、稳定的采样，便于调试和寻找优质种子。	快	较高	10-20
`ddpm`	原始的扩散概率模型采样器，速度慢，画质一般，主要用于学术研究。	极慢	中	40-100+
`lcm`	潜在一致性模型采样器，能以极少步数（如4-8步）快速生成图像。	极快	中高	4-8
`deis`	一种利用指数积分的高阶求解器，提供了新的采样思路。	中	高	15-25

⚡ GPU 优化与实验性系列

这些采样器主要针对性能或特定研究领域。

采样器名称	核心特点与简介	速度	画质	推荐步数
`dpmpp_sde_gpu`	`dpmpp_sde` 的GPU优化版，通过并行计算显著提升生成速度。	极快	高	15-20
`dpmpp_2m_sde_gpu`	`dpmpp_2m_sde` 的GPU优化版，在保持真实感的同时大幅提速。	极快	极高	15-25
`dpmpp_3m_sde_gpu`	`dpmpp_3m_sde` 的GPU优化版，适合追求极致细节且显存充足的用户。	快	极高	20-30
`res_multistep`系列	残差多步采样器，通过整合多个步骤来增强生成稳定性。	中	高	20-30
`er_sde`	基于随机微分方程的采样器，方法较新颖，适合研究尝试。	慢	中高	20-30

💡 一张图看懂采样器与调度器的「最佳搭档」

采样器负责“如何降噪”，而调度器 (Scheduler) 则决定了“降噪的快慢节奏”，二者相辅相成。

下表是官方推荐的一些“最佳搭档”组合，能帮你稳定地获得高质量结果。

采样器 (Sampler)	最佳搭档调度器 (Scheduler)	为何是最佳搭档
`euler`	`normal`	产出速度快、细节锐利的草图风格图像。
`euler_ancestral`	`exponential`	创造出梦幻、柔和的光影过渡，艺术感极强。
`dpmpp_2m`	`karras`	行业黄金标准，质量与平衡性俱佳。
`dpmpp_2m_sde`	`karras`	真实感极强，光影和景深处理完美。
`dpmpp_3m_sde`	`linear_quadratic`	适用于复杂场景生成，能产生丰富的色彩渐变。

🛠️ 新手直接抄作业

如果你希望快速上手，建议从以下两个组合开始尝试：

组合一：快速出图 (追求速度与创意)

采样器: euler_ancestral
调度器: exponential (或 karras)
步数: 20-30步

组合二：高质量出图 (追求稳定与写实，适合绝大多数工作流)

采样器: dpmpp_2m 或 dpmpp_2m_sde_gpu
调度器: karras 或 sgm_uniform
步数: 20-40步

采样器的选择，其实就是一场关于速度、质量和随机性的平衡。在你熟悉基础参数后，也可以尝试 dpmpp_3m_sde_gpu 搭配 linear_quadratic 调度器，它对处理复杂场景和丰富色彩渐变很有优势。

希望这份详细的分类能帮你理清头绪。如果想针对某个具体风格或任务（比如动漫、写实）进行微调，也欢迎随时再和我聊聊～

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

孤舟笔记分布式与微服务篇十二分布式锁选Redis还是ZooKeeper？面试官要的不是站队，是对比分析

Redis 锁和 ZK 锁的核心差异在一致性模型：Redis 是 AP（异步复制，故障切换可能丢锁），ZK 是 CP（过半确认，不丢锁）。选型：已有 Redis 或高并发场景选 Redis + Redisson，金融或强一致场景选 ZK + Curator。能从一致性模型讲起，说出 Redis 的三大风险和 ZK 的优势，再给出场景化建议，就是高分回答。Redis 快是因为纯内存操作，ZK 慢是因

AtomGit开源社区

AI 视觉检测产品人工智能量产化检查流程实现

本文介绍了基于YOLO模型的量产测试软件自动化视觉检测系统开发全流程，主要包含以下内容：需求定义与数据准备通过摄像头非侵入式检测屏幕测试结果（Pass/Fail）采集真实设备UI截图作为训练数据定义7个检测类别（如pass_text、fail_text等）训练环境搭建详细说明Windows和Ubuntu系统下的GPU环境配置提供Miniconda虚拟环境创建和依赖安装命令介绍YOL

AtomGit开源社区

MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction

高清（HD）地图为驾驶场景提供了丰富且精确的环境信息，是自动驾驶系统规划模块中基础且不可或缺的核心组成部分。本文提出 MapTR，一种用于高效在线矢量化 HD 地图构建的结构化端到端 Transformer 模型。我们提出了一种统一的置换等价的建模方法，即将地图元素建模为一个点集，并包含一组等价的置换方式，从而准确描述地图元素的形状并稳定学习过程。我们设计了一种分层查询嵌入方案，以灵活编码结构化的