Stable Diffusion 采样器、步数与 CFG 怎么选：从 Euler a 到 DPM++ 2M Karras 的实用指南

出图发糊、人物崩坏、颜色过艳，很多时候不是提示词的错，而是采样参数没调对。Stable Diffusion 出图的本质，是从一团随机噪声开始，一步步「去噪」还原成图像。采样器（Sampler）决定每一步用什么算法去噪；步数（Steps）决定去噪重复多少轮；CFG（Classifier-Free Guidance，提示词引导系数）决定画面向提示词靠拢的程度。三者共同决定成图质量与速度，重要性不亚于模型本身。下面逐个讲清作用与选法。

步数指去噪迭代的轮数。步数太少，画面会残留噪声、结构含糊；步数增加，细节逐步收敛，但超过一定数值后提升有限，只是白白拉长出图时间。一般建议 20-40 步，这是社区通行区间，多数模型在其中已充分收敛。Euler a 这类随机性强的采样器，步数变化会明显改变构图内容；DPM++ 2M Karras 这类确定性采样器则相对稳定，加步数主要是微调细节。批量抽卡时可先用 20-25 步筛构图，选中后再提高步数精修。另外，Turbo、Lightning 等蒸馏模型只需极少步数（通常 4-8 步），不适用常规区间。

CFG 控制生成结果服从提示词的强度。数值过低（如 2-3），模型自由发挥空间大，画面氛围松弛，但容易跑题、漏掉元素；数值过高（如 12 以上）会被过度约束，出现高饱和、生硬锐化、边缘过曝、整体发灰等过拟合观感，构图也变得僵化。一般建议 4-9：写实人像常取 5-7，风格化插画可取 7-9。换新模型时，从 7 附近起步，再按观感微调。CFG 与步数会互相影响，调参时最好固定其中一个、只动另一个，否则难以判断是哪项改动起了作用。

Euler a（ancestral，祖先采样类）：每一步都会引入新噪声，出图柔和、色彩偏浓，构图随步数和种子波动明显，适合快速探索氛围与构图；代价是随机性强，重跑未必复现同一张图。

DPM++ 2M Karras：社区使用最广的组合之一。2M 表示二阶多步求解器，Karras 噪声调度让去噪后段更细腻，收敛稳定、细节干净，速度与质量平衡好，是写实与通用场景的安全默认项，许多模型作者也把它列为推荐配置。

DPM++ SDE Karras：基于随机微分方程，纹理细节更丰富，皮肤质感、发丝等写实表现常被认为更出色，但速度更慢、随机性也更强，重跑结果也可能不一致。

UniPC：较新的统一预测校正求解器，较少步数下也能保住细节，适合想压低步数提速的用户。DDIM：老牌确定性采样器，相邻步数之间画面变化平缓，适合小步迭代微调构图。

选择思路可简单记为：探索构图用 Euler a，稳定量产用 DPM++ 2M Karras，追求写实细节试 DPM++ SDE Karras，低步数提速选 UniPC。没有万能的最强采样器，只有是否匹配模型与目标。

种子（Seed）决定初始噪声的形态。同一提示词、同参数、同模型下，固定 Seed 就能复现同一张图；在此基础上微调步数、CFG 或采样器，可以对这张图做受控的变体迭代。Seed 设为 -1 则每次抽一张新卡。常见工作流是：先用随机 Seed 大量出图，看到满意的就回查并固定它的 Seed，再精修其余参数。

示例一，写实人像：选写实类模型，采样器 DPM++ 2M Karras，Steps 30，CFG 6。正向提示词：a portrait of a young woman, soft window light, detailed skin texture, 85mm lens, photorealistic。负向提示词：lowres, bad anatomy, bad hands, blurry, deformed, watermark, text, oversaturated。

示例二，场景氛围插画：采样器 Euler a，Steps 28，CFG 7。正向提示词：a cozy cabin in a snowy forest at dusk, warm glowing windows, falling snow, cinematic atmosphere, painterly。负向提示词：lowres, blurry, mutated, extra limbs, watermark, text, oversaturated。

负向提示词（Negative Prompt）用于压制常见瑕疵，两组清单都可按需增删。两组参数是常见起点而非标准答案，先跑通，再围绕自己的模型与审美微调。

三个常见误区：一是盲目拉高步数，越过收敛点之后只是浪费时间；二是把 CFG 当画质开关，以为越高越准，结果画面越来越僵；三是同时改动多个参数，出了问题无法归因。建议一次只动一个参数，先低步数快筛，再固定 Seed 精修。模型作者给出的推荐配置是最好的起点，在此之上按需微调，比照搬别人的参数更有效。