K采样器核心参数详解

admin

K采样器的输入参数可以分为三类，下表汇总了它们的作用和推荐设置：

参数名	类型	默认值	核心作用	推荐/常用设置
model	MODEL	无	用于去噪的模型（如 Stable Diffusion Checkpoint）	连接主模型加载器
positive	CONDITIONING	无	正向条件，描述希望图像包含的内容	连接正向提示词编码器
negative	CONDITIONING	无	负向条件，描述希望图像排除的内容	连接负向提示词编码器
latent_image	LATENT	无	待去噪的潜在图像，通常是纯噪声或上一步的输出	连接 Empty Latent 或 VAE Encode
seed	INT	0	随机种子，保证生成结果可复现。相同种子+相同参数=相同图像	调试时固定，探索时随机
control_after_generate	枚举	无	生成后对种子的操作：固定/递增/递减/随机	批量生成时常用“递增”
steps	INT	20	去噪步数。步数越多细节越精细，但速度越慢。超过35步后提升通常不明显	20-40 之间
cfg	FLOAT	8.0	Classifier-Free Guidance 系数。越高越贴合提示词，过高会降低质量、产生伪影	6-8 之间（SD1.5/SDXL）
sampler_name	枚举	无	采样算法，直接影响生成速度、风格和质量	见下文“采样器选择”
scheduler	枚举	无	调度器，控制噪声去除的过程曲线	见下文“调度器选择”
denoise	FLOAT	1.0	去噪强度。1.0为完全去噪（文生图）；<1.0会保留原始潜在图像的结构，用于图生图	文生图=1.0；图生图=0.5-0.75

采样器与调度器选择指南

采样器和调度器的组合决定了去噪的“手法”和“节奏”。

• 采样器 (Sampler)：euler_ancestral (euler a) 和 dpmpp_2m_sde 是公认的“百搭”选择，适合大多数场景。euler 速度较快，风格稳定；dpmpp_2m 系列则更擅长呈现写实细节。
• 调度器 (Scheduler)：karras 能在较低步数下获得更好的细节表现，是常用推荐。normal 最为稳定，simple 则最直接。
• 组合推荐：可以尝试 euler + simple、euler + karras 或 dpmpp_2m + karras 作为起点。不同模型（如 FLUX）可能有更适配的组合，如 ipndm + ddim_uniform 等。
  
  
  
  

🛠️ 高级技巧与常见问题

• 双采样器策略：可以串联两个 K采样器。第一个以较低步数快速生成草图，第二个接入第一个的 Latent 输出，用更低 denoise 值进行精修，从而在总时间相近的情况下提升细节。
• 报错排查：如果 K采样器报错 'str' object has no attribute 'copy'，通常是因为节点端口连错，将文本类型的数据连接到了需要 Latent 或 Conditioning 类型的输入端。如果图像模糊，检查 CFG 是否过高，或模型是否以不兼容的架构被加载。
• 
  
  
  
  

K采样器的强大在于其参数的相互配合。建议你先从一个稳定的组合开始，然后每次只调整一个参数，观察其带来的变化，逐步积累对参数影响的直觉。

tiantian

学习