在 Stable Diffusion 这类扩散模型（Diffusion Models）中，采样器（Sampler） 是核心工具，它决定了 AI 如何从“随机噪声”一步步变成“符合提示词的图像”。简单说，采样器就是“降噪的算法”，不同的算法会导致生成速度、画质、风格出现明显差异。
先理解“扩散模型的工作逻辑”：为什么需要采样器？
扩散模型生成图像的过程，本质是“反向降噪”：
- 一开始，模型会生成一张完全随机的噪声图（类似电视雪花）；
- 然后，通过多次迭代，每次迭代都“去除一点噪声”，同时“加入一点符合提示词的信息”；
- 经过 N 次迭代后，噪声逐渐消失，最终变成一张清晰的图像。
而采样器的作用，就是**控制每次迭代“如何降噪”“降多少噪”**的算法。不同采样器的逻辑不同，就像“不同的厨师炒同一道菜”，步骤、火候不一样，最终味道（图像效果）也会不同。
采样器的核心差异：3个关键维度
所有采样器的区别，本质可以归结为以下3点，也是你选择时需要关注的：
- 迭代步数（Steps）
即需要多少次降噪才能出图。
- 有的采样器“效率高”，20-30步就能出清晰的图（如 Euler、LMS）；
- 有的采样器“追求细节”，需要50-100步才能让细节饱满（如 DPM++ 2M、Heun）。注意：步数不是越多越好，超过某个阈值后画质提升会停滞，反而浪费时间。
- 计算复杂度
简单说就是“每一步的计算量”。
- 简单采样器（如 Euler）每步计算很简单，速度快，但细节少；
- 复杂采样器（如 DPM++ SDE Karras）每步计算更精细，能捕捉更多纹理，但速度慢，对显卡要求高。
- 随机性与稳定性
- 有的采样器“随机性低”，生成结果更稳定，多次生成的图像风格接近（如 Euler、DPM++ 2M）；
- 有的采样器“保留更多随机性”，可能出现意外的创意效果，但也可能生成“崩坏图”（如 Euler a、DDIM 的低步数模式）。
常见采样器分类：不用死记，记场景即可
根据用途，采样器大致可以分为3类，日常用够了：
| 类型 | 代表采样器 | 核心特点 | 适合场景 |
|---|---|---|---|
| 快速预览型 | Euler、Euler a、LMS | 步数少（20-30步）、速度极快、细节一般 | 试提示词、调参数、低配置设备、生成草稿 |
| 平衡型 | DPM++ 2M Karras、DPM++ SDE Karras | 步数中等（40-60步）、画质优秀、速度适中 | 日常出图、高清壁纸、兼顾速度和细节 |
| 精细型 | Heun、DPM++ 3M Karras | 步数多（60-100步）、细节拉满、速度较慢 | 商业插画、复杂场景（如人物发丝、金属纹理） |
一句话总结：采样器的本质是“取舍”
没有“最好的采样器”，只有“最适合当前需求的采样器”：
- 想快？选 Euler 系列；
- 想稳且好？选 DPM++ 2M Karras；
- 想极致细节？选 Heun 或 DPM++ 3M。
刚开始用的时候，建议固定一个采样器（比如 DPM++ 2M Karras）熟悉参数，之后再尝试其他的对比效果~
💡
欢迎分享文章，或是与我联系