想象你走进一间雾气弥漫的石材工坊。正中央摆着一块粗糙的大理石，雾太浓，你根本看不清里面藏着什么——也许是维纳斯，也许只是一块普通的石头。你接过凿子，在雾气中一刀一锤地雕琢。Stable Diffusion 生图，就是这场“雾中雕刻”：模型先给你一团纯随机噪声，也就是那块被浓雾裹住的石头；采样器（Sampler）是雕刻手法，决定每一刀怎么下、下多重；采样步数（Steps）是你总共雕多少刀，决定成品精细到什么程度。换一个采样器，就像换一位老师傅：有人大刀阔斧、几分钟出雏形；有人步步为营、慢工出细活。这篇文章不扯复杂的数学，就用工坊里那些事，把采样器的原理、派别、选择策略一次讲明白，让你下次生图时心里有数。

岗位关联

采样器是连接“噪声”与“美图”的那双手。掌握它，你就能把出图从碰运气变成可控的工艺——这是 AI 绘画从业者从“会玩”走向“专业”的关键一步。

目录
  1. 可视化演示
  2. 采样器是什么——雾中雕刻的刀法手册
  3. 采样步数的作用——雕多少刀才够
  4. 采样器的两大派系——浪人与学院派
  5. 常见采样器逐个认——四位老师傅
  6. 速度与质量的天平——会算账的工坊主
  7. 选择策略指南——先定需求再选刀
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示Stable Diffusi的核心机制，通过架构/数据/状态/性能四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Stable Diffusi：采样器的 采样器的作用原理与去噪生成过程 常见采样器类型与特性对比 核心机制可视化 Stable Diffusi整体架构与关键组件

采样器是什么——雾中雕刻的刀法手册

回到那间雾气弥漫的工坊。你面前的大理石其实不是普通石头——它内部藏着一团被浓雾裹住的半成品雕像，雾就是噪声。雕刻的第一步不是急着动手，而是先搞清楚：雾有多厚？从哪里下刀？采样器就是那个替你回答这两个问题的“刀法手册”。

在 Stable Diffusion 里，真正的雕刻发生在潜空间，也就是大理石内部那套看不见的腔体结构。模型先随机撒下一团高斯噪声作为起点，然后用一个叫 UNet 的“灰尘探测器”估算每块区域的噪声浓度，再按采样器规定的力度把灰尘擦掉。擦一次，雾淡一层，重复若干次，清晰的图像就浮现出来了。

每一轮去噪都可以写成一次简单的“减法”：

所以采样器不是“画家”，而是“雕刻手法”——它不决定雕像长什么样（那是底模和提示词的活），只决定你从乱石到成品走了怎样一条路。同一位模特，大刀阔斧的刀法和步步为营的刀法，最后成品的质感完全不同。

xt−1=xt−αt⋅εθ(xt,t)x_{t-1} = x_t - \alpha_t \cdot \varepsilon_\theta(x_t, t)
通俗地说：看看灰尘探测器说哪儿脏，按采样器定的力度擦掉一点点；多擦几次，雾就散了。
  1. 当前状态 \(x_t\)这是第 \(t\) 步的“半成品石头”，噪声还没去完，轮廓若隐若现。
    xt:第 t 步的带噪潜变量x_t : \text{第 } t \text{ 步的带噪潜变量}
  2. 噪声预测 \(\varepsilon_\theta\)UNet 这个“灰尘探测器”估算当前石头里还剩多少噪声。
    εθ(xt,t):θ 为模型参数，输出预测噪声\varepsilon_\theta(x_t, t) : \theta \text{ 为模型参数，输出预测噪声}
  3. 步长 \(\alpha_t\)采样器决定这一刀削多厚——是贪快冒进，还是稳扎稳打。
    αt:t 时刻的步长，由采样器与调度器决定\alpha_t : t \text{ 时刻的步长，由采样器与调度器决定}
  4. 相减去噪把预测出来的噪声从石头上“擦掉”，得到更清晰的一版，进入下一步循环。
    xt−1=xt−αt⋅εθ(xt,t)x_{t-1} = x_t - \alpha_t \cdot \varepsilon_\theta(x_t, t)

采样步数的作用——雕多少刀才够

工坊老师傅常说：“雕多少刀，比用什么刀更重要。”雕 5 刀，你可能只看到一个模糊的轮廓；雕 20 刀，肌肉线条开始浮现；雕 200 刀，除非你是神匠，否则只是在同一个地方反复打磨。采样步数就是“刀数”。

参数面板里的 Steps（步数）控制去噪循环的执行次数，WebUI 默认值通常在 20~30 之间。步数太少，噪声没擦干净，画面发糊、色块脏；步数太多，每一刀增加的细节越来越少，出图时间却线性上涨——甚至有采样器在极端步数下会把画面“磨花”，出现伪影（画面中奇怪的纹理或水痕）。

画质随步数的提升，是一条先陡后平的曲线：

记住这条曲线：陡峭的起点是“出形期”，平坦的尾巴是“磨光期”。会雕的人不会把 100 刀全花在磨光上，而是用 20 刀出形、再花 10 刀点睛。选步数，选的是“够用”，不是“最多”。

D(s)=Dmax⁡(1−e−s/τ)D(s) = D_{\max} \left( 1 - e^{-s / \tau} \right)
通俗地说：完成度先猛涨后趋平，这就是“边际收益递减”——前面每刀都是质变，后面每刀只是锦上添花。
  1. 完成度 \(D(s)\)雕了 \(s\) 刀之后，画面离“理想状态”还有多远，取值在 0 到 1 之间。
    D(s):步数为 s 时的画面完成度D(s) : \text{步数为 } s \text{ 时的画面完成度}
  2. 上限 \(D_{\max}\)这台工坊（底模 + 提示词）能到达的最精细程度，步数再多也突破不了。
    Dmax⁡:完成度上限，由模型和提示词决定D_{\max} : \text{完成度上限，由模型和提示词决定}
  3. 指数项 \(e^{-s/\tau}\)剩余“缺失感”随步数指数衰减，其中 \(\tau\) 是收敛速度常数。
    e−s/τ:τ 越大收敛越慢e^{-s/\tau} : \tau \text{ 越大收敛越慢}
  4. 整体形状完成度先陡升后趋平，拐点之后继续加步数，收益微乎其微。
    D(s)→Dmax⁡ 当 s→∞D(s) \to D_{\max} \text{ 当 } s \to \infty

采样器的两大派系——浪人与学院派

工坊里住着两派性格迥异的雕刻师。浪人派的规矩是：每下一刀都先喝口酒，手抖一下，让刀路带着一点“不可预测的意外”——可能砍出惊喜，也可能砍坏。学院派相反：每刀都记录在案，下一刀永远可以精确重现上一刀的结果。

这两种性格，对应采样器的两大派系：祖先采样器（名字带 a，如 Euler a、DPM++ 2M SDE）和非祖先采样器（如 Euler、DPM++ 2M、DDIM）。非祖先类的每一步都是确定性的：同样的起点、同样的提示词，出来的图可以复现。祖先类每一步额外掷一次骰子，加入随机噪声，让轨迹更“野”，同一设置下每次结果都不同。

它们的区别，只是在确定性结果上是否追加一份随机噪声：

选浪人还是学院派，取决于你在干什么：找灵感时，浪人派给你惊喜；交付复现时，学院派给你稳定。先想清楚你要“惊喜”还是“可复现”，派系就选对了一半。

xt−1=x^t−1+σt ztx_{t-1} = \hat{x}_{t-1} + \sigma_t \, z_t
通俗地说：学院派说“该走到哪就走到哪”；浪人派说“走到之后，再随缘抖一刀”。
  1. 干净预测 \(\hat{x}_{t-1}\)非祖先采样器会先算出这个“确定性的下一步”。
    x^t−1:确定性去噪结果\hat{x}_{t-1} : \text{确定性去噪结果}
  2. 随机噪声 \(z_t\)祖先采样器额外掷一次骰子，加入一份标准随机噪声。
    zt:标准正态随机噪声z_t : \text{标准正态随机噪声}
  3. 噪声强度 \(\sigma_t\)每步加的随机量大小，这是祖先类的专属“手抖幅度”。
    σt:第 t 步的附加噪声强度\sigma_t : \text{第 } t \text{ 步的附加噪声强度}
  4. 两支流对比当 \(\sigma_t = 0\) 时，公式退化为非祖先采样器，轨迹确定、可复现。
    σt=0⇒确定性轨迹\sigma_t = 0 \Rightarrow \text{确定性轨迹}

常见采样器逐个认——四位老师傅

工坊里最常用的四位老师傅，各有绝活。老实勤快的 Euler：数学最简单、速度快，适合快速验证构图；随性艺术家 Euler a：比 Euler 多一路随机性，初稿阶段常出人意料的好构图；理工男 DPM++：会记录历史动量，用巧劲加速收敛，细节在同步数下更扎实；严谨机器 DDIM：确定性去噪的代表，常用于需要精确复现的流程。

这些名字里的“2M“是二阶方法的意思，核心是动量修正——像推铅球前先蓄力，把过去几步的方向加权平均，再沿这个方向前进，路线更平滑。名字里的 Karras 后缀则是”节奏表”（调度器），让前期大步快走、后期小步精修，刀还是那把刀，节奏换了。

DPM++ 类采样器的动量更新可以写成：

四位师傅没有绝对高下，只有合适与否。想快出概念稿，找 Euler a；想精修细节，找 DPM++；想批量复现，找 DDIM 或 DPM++ 2M 这类非祖先选手。认熟了人，下次就不用在列表里一个个瞎试了。

vt=β vt−1+εθ(xt,t),xt−1=xt−αt vtv_t = \beta \, v_{t-1} + \varepsilon_\theta(x_t, t), \qquad x_{t-1} = x_t - \alpha_t \, v_t
通俗地说：不只看这一刀该削哪，还惦记着刚才几刀的走势，顺着势头出刀，自然又稳又快。
  1. 动量项 \(v_t\)像推铅球前的“蓄力”，记录了过去几步方向的加权和。
    vt:动量项，历史方向的加权积累v_t : \text{动量项，历史方向的加权积累}
  2. 衰减系数 \(\beta\)过去的信息会慢慢遗忘，通常保留 0.5~0.9 的比例。
    β∈(0,1):动量衰减系数\beta \in (0,1) : \text{动量衰减系数}
  3. 沿动量更新用动量代替单步噪声预测来移动，路线更平滑，高步数下细节更稳。
    xt−1=xt−αtvt:沿动量方向前进x_{t-1} = x_t - \alpha_t v_t : \text{沿动量方向前进}

速度与质量的天平——会算账的工坊主

工坊接了一个大单：三天要交出 30 座雕像。这时“雕得好”还得配上“雕得快”。速度和质量是一架天平，采样器是砝码的位置——你总得知道把砝码放哪边，才能算出最划算的结果。

出图速度由两个因素决定：单步耗时 × 步数。单步耗时主要看模型大小、显卡、图像分辨率，跟采样器关系不大；采样器真正影响的是“同样的步数，画面走到哪了”——也就是收敛速度。新式采样器（DPM++、UniPC 等）在相同步数下往往比老式采样器收敛得更快、细节更稳，而显存占用差异通常很小。

把“每多花一秒能换多少完成度”算出来，就是采样器的性价比：

会算账的工坊主会盯着“性价比曲线”：每多花一秒，画面提升多少。与其无脑加步数，不如换一个收敛更快的采样器，或者把省下的时间拿去多出几个构图方案。速度与质量从来不是单选题，而是算出来的最优解。

η(s)=Dmax⁡(1−e−s/τ)s⋅tstep\eta(s) = \frac{D_{\max}\left(1 - e^{-s/\tau}\right)}{s \cdot t_{\text{step}}}
通俗地说：性价比 = 换来的完成度 ÷ 花掉的时间。收敛越快、单步越省，这笔买卖就越划算。
  1. 总耗时 \(T(s)\)每步耗时乘以步数，步数越多，时间越长。
    T(s)=s⋅tstep:tstep 为单步生成耗时T(s) = s \cdot t_{\text{step}} : t_{\text{step}} \text{ 为单步生成耗时}
  2. 性价比 \(\eta\)单位时间内获得的完成度，是衡量采样器优劣的关键指标。
    η(s)=D(s)T(s):每秒换来的画面完成度\eta(s) = \frac{D(s)}{T(s)} : \text{每秒换来的画面完成度}
  3. 新采样器为什么香同样的步数 \(s\) 下，新采样器的收敛常数 \(\tau\) 更小，完成度更高，\(\eta\) 自然更大。
    τ↓⇒η↑\tau \downarrow \Rightarrow \eta \uparrow

选择策略指南——先定需求再选刀

接单之前，老匠人会先问清楚：甲方要的是“看方向的草稿”，还是“能交付的成品”？需求不同，刀法就不同。采样器选择的本质也是一样——先想清场景，再挑工具。

新手第一次进工坊，最稳的路径是：默认选 DPM++ 2M Karras，步数 20~30，跑通流程后再微调。试稿和探索阶段：Euler a + 低步数（15~20），快速看构图和风格方向。人像与写实定稿：DPM++ 2M 或 DPM++ SDE Karras，步数 25~35，皮肤和发丝细节更稳。二次元线稿：优先非祖先采样器，保证同一角色多角度风格统一。高清放大阶段：先低步数出小图选优，再配合放大模型和略高步数精修。

把“场景需求”翻译成分数，选型就变成一道算术题：

工坊的最后一课：工具是死的，需求是活的。把“这个采样器好不好”换成“这个场景适不适合它”，你就从“会点按钮”进阶成“会选工具”了。雾会散，雕像会显形，而那个懂得按需下刀的人，永远最有把握。

Score(S)=wq⋅Q(S)+wtT(S)\text{Score}(S) = w_q \cdot Q(S) + \frac{w_t}{T(S)}
通俗地说：给每个采样器打两个分——质量分和速度分，再按场景调权重，总分最高的就是你的答案。
  1. 质量分 \(Q(S)\)某场景下采样器 \(S\) 的细节表现，取值 0 到 1。
    Q(S):采样器 S 的质量评分Q(S) : \text{采样器 } S \text{ 的质量评分}
  2. 耗时 \(T(S)\)跑完固定步数需要的秒数，花得越少越好。
    T(S):采样器 S 的生成耗时T(S) : \text{采样器 } S \text{ 的生成耗时}
  3. 场景权重 \(w\)赶稿时把 \(w_t\) 调大，交付时把 \(w_q\) 调大。
    wq,wt:质量与速度的权重w_q, w_t : \text{质量与速度的权重}
  4. 取总分最高者算出所有候选采样器的得分，挑最高的那个。
    arg⁡max⁡SScore(S):选择得分最高的采样器\arg\max_S \text{Score}(S) : \text{选择得分最高的采样器}

AI 应用场景

电商产品图的批量稳定输出

阶段：图像生成与批量出图

解决的问题：传统电商详情页靠摄影师实拍加后期修图，一组产品图动辄数小时，且每张图光线、角度难以统一。用非祖先采样器（如 DPM++ 2M）加固定随机种子，可以在相同提示词模板下批量生成风格一致、角度可控的产品图，并保证同批次结果可复现。

具体案例：某家居品牌需要 200 张香薰瓶白底图。设计师选用 DPM++ 2M、30 步、固定种子，配合统一的提示词模板批量出图，两小时交付初稿，后期只需统一微调瑕疵，效率比实拍提升数倍。

二次元头像的快速试稿

阶段：草图生成与快速迭代

解决的问题：接单画师最怕“方向错了白画一场”。传统手绘一版草稿要 20 分钟，而用带随机性的祖先采样器低步数出图，可以在几分钟内给出多种构图和姿态供客户挑选，把不确定性留在最便宜的环节。

具体案例：某头像工作室用 Euler a、16 步先出 8 张风格草稿给客户投票，锁定方向后再换 DPM++ 2M、30 步精修出最终成品，客诉率明显下降。

影视概念图的精细定稿

阶段：高清放大与精修

解决的问题：概念设计大图最容易在细节处崩坏——毛发、金属反光、远处建筑结构。新式采样器配合“先小图选优、后放大精修”的策略，可以在高分辨率下保留更多纹理细节，避免画面被反复去噪磨成“塑料感”。

具体案例：影视概念设计师做科幻场景时，首轮用 20 步小图筛选构图，定稿后换 DPM++ SDE Karras、50 步配合放大模型重绘，最终输出接近 4K 级的概念图用于提案。

Python 演示

python48 行
import mathimport random  class TinySampler:    """用 64 个噪声粒子模拟 Stable Diffusion 的采样去噪过程."""     TARGET = [(math.sin(i * 0.35) + 1) / 2 for i in range(64)]     def __init__(self, strategy="euler", steps=20):        self.strategy = strategy        self.steps = steps        self.particle_list = [random.random() for _ in range(64)]        self.momentum_list = [0.0 for _ in range(64)]     def fraction(self, step):        if self.strategy == "euler":            return step / self.steps        return 1 - (1 - step / self.steps) ** 1.5     def denoise(self):        report = []        for s in range(1, self.steps + 1):            f = self.fraction(s)            for i in range(64):                target = self.TARGET[i]                if self.strategy == "euler":                    self.particle_list[i] = target + (self.particle_list[i] - target) * (1 - f)                else:                    self.momentum_list[i] = 0.7 * self.momentum_list[i] + (target - self.particle_list[i])                    self.particle_list[i] += 0.35 * self.momentum_list[i]            noise = sum(abs(self.particle_list[i] - self.TARGET[i]) for i in range(64)) / 64            report.append((s, noise))        return report  def main():    random.seed(42)    for strategy in ("euler", "dpm"):        sampler = TinySampler(strategy=strategy, steps=20)        report = sampler.denoise()        picked = [r for r in report if r[0] in (1, 5, 10, 15, 20)]        summary = "  ".join("第%d步:%.3f" % (s, v) for s, v in picked)        print("[%s] %s" % (strategy, summary))  if __name__ == "__main__":    main()
目的：用一个迷你粒子模型模拟 Euler 与新式采样器的去噪快慢差异——跑完就能看到，同样的 20 步，新式采样器在第 15 步左右的噪声水平已经比老采样器第 20 步还低。
  1. TARGET = [(math.sin(i * 0.35) + 1) / 2 for i in range(64)]构建一个正弦目标信号，代表“最终图像”藏在噪声里的骨架。
  2. self.particle_list = [random.random() for _ in range(64)]64 个 0~1 随机数，模拟生图起始的纯噪声。
  3. def fraction(self, step):每种采样器对“第几步”有自己的节奏函数，相当于刀法节奏。
  4. return 1 - (1 - step / self.steps) ** 1.5新式采样器曲线：前期快速逼近，后期精细微调。
  5. self.momentum_list[i] = 0.7 * self.momentum_list[i] + (target - self.particle_list[i])动量项记住历史方向，让路线更顺滑。
  6. self.particle_list[i] += 0.35 * self.momentum_list[i]沿动量方向前进，这是 DPM 类方法的精髓。
  7. noise = sum(abs(self.particle_list[i] - self.TARGET[i]) for i in range(64)) / 64计算平均绝对误差，衡量“还剩多少噪声”。
  8. random.seed(42)固定起点，保证两种策略在相同噪声上竞争，公平对比。

常见误区

误区“我之前把步数拉到 60，还是觉得不够清晰，是不是再调高到 100 就更好了？”

正解步数收益递减，画质曲线先陡后平。步数过高不仅浪费时间，某些采样器还会出现过度平滑甚至伪影。就像雕石头：前 30 刀把轮廓雕出来，后面 70 刀可能只是反复刮同一处，石头反而被磨花。正确做法是先跑 20~30 步看效果，再决定是否加步。

为何常见：UI 上步数是最直观的“数值越大越高级”的旋钮，让人误以为它是质量开关。

误区“我在列表里看到 'DPM++ 2M Karras'，Karras 应该也是一种采样器吧？”

正解Karras 不是刀法，是“节奏表”（调度器）。它只决定每一步的步长怎么随时间变化——前期大步、后期小步精修。同一把刀配上不同节奏表，效果会有差异，但算法底子还是 DPM++ 2M 那套。选的时候先看刀法名，再看后缀的调度器。

为何常见：采样器列表把算法名和调度器名连在一起显示，UI 没有区分这两个概念。

误区“同一组提示词，换 Euler a 出二次元，换 DPM++ 出写实，所以采样器决定画风。”

正解画风主要来自底模、LoRA 和提示词，采样器只决定“从噪声走向图像的路线”。同一终点，不同路线只是中途细节不同；换底模才是换了一间工坊。采样器更多影响的是细节锐度、伪影多少、是否可复现，而不是美术风格。

为何常见：新手在探索阶段同时换了采样器和提示词，控制变量没做好，产生了“换了采样器画风就变了”的因果错觉。

误区“DPM++ 这种高级采样器，不加到 40 步以上都是浪费。”

正解恰恰相反，新式采样器的卖点就是“少步数高效收敛”——20~30 步已经能到不错的效果，40 步以上收益很小；真正需要较多步数的反而是某些老式设计。判断标准是看收敛曲线，而不是“功能越强越费资源”。

为何常见：直觉上觉得“高级工具要用力用”，但采样器优化的正是效率，这也是它存在的意义。

面试题

Q1. 采样器在 Stable Diffusion 中的主要作用是什么？

单选题 · easy

  • A.把低分辨率图强行放大
  • B.把随机噪声逐步还原成图像← 正确答案
  • C.对生成图像做自动锐化
  • D.为提示词自动扩展词语

答案：B。采样器负责在多步去噪循环中决定每一步怎么走，把随机噪声一步步“擦”成清晰图像。放大分辨率是放大模型的事，锐化是后处理滤镜的事，扩展词语则属于提示词助手的功能。

Q2. 采样步数太少，最常见的后果是什么？

单选题 · easy

  • A.生成速度明显变慢
  • B.画面色彩过于鲜艳
  • C.画面模糊细节严重缺失← 正确答案
  • D.图片尺寸被自动缩小

答案：C。步数太少意味着去噪循环没跑完，噪声没被擦干净，画面就会发糊、细节缺失。速度变慢是步数太多的问题，色彩和尺寸则与步数无直接关系。

Q3. 关于祖先采样器，下列说法正确的是？

单选题 · easy

  • A.每步都能精确倒推上一步
  • B.完全不需要设置采样步数
  • C.只适合放大图像分辨率
  • D.每步都加入随机性不可回溯← 正确答案

答案：D。祖先采样器（如 Euler a）每一步都会额外加入随机噪声，轨迹带有随机性，不可精确回溯。它同样需要设置步数，也不承担放大图像的工作。

Q4. 以下哪些属于常见的采样器？

多选题 · mid

  • A.Euler a 采样器← 正确答案
  • B.DPM++ 系列采样器← 正确答案
  • C.PNG 图表压缩工具
  • D.DDIM 去噪采样器← 正确答案

答案：ABD。Euler a、DPM++、DDIM 都是主流采样器。PNG 是图片格式，压缩工具与采样无关，属于干扰项。

Q5. Karras 调度器的主要作用是什么？

单选题 · mid

  • A.提高提示词长度上限
  • B.增加模型神经元的数量
  • C.调整去噪步长随时间曲线← 正确答案
  • D.固定图片输出宽高比例

答案：C。Karras 是“节奏表”，它改变每一步去噪步长随时间的分布——前期大步、后期小步精修。提示词长度、神经元数量、宽高比例都和它无关。

Q6. 在相同采样步数下，DPM++ 相比 Euler 通常表现如何？

单选题 · mid

  • A.必定占用更多显存空间
  • B.细节更丰富收敛速度更快← 正确答案
  • C.只能生成黑白色调图像
  • D.不再需要任何采样步数

答案：B。DPM++ 利用动量修正加速收敛，相同步数下通常细节更扎实、完成度更高。显存占用与采样器关系不大，它也不是黑白专用，更不可能不需要步数。

Q7. 采样步数过高之后，可能出现哪些现象？

多选题 · mid

  • A.画质提升趋于停止← 正确答案
  • B.出图耗时持续增加← 正确答案
  • C.部分采样器出现伪影← 正确答案
  • D.分辨率自动翻倍提升

答案：ABC。步数过高时收益递减，画质接近上限不再提升，耗时却线性增长，少数采样器还会产生过度平滑的伪影。分辨率由模型和输出设置决定，不会因为步数变高而翻倍。

Q8. 为什么祖先采样器每一步都要加入随机噪声？

单选题 · hard

  • A.为了降低显卡的内存占用
  • B.为了让生成视频更加流畅
  • C.探索更大轨迹且过程不可逆← 正确答案
  • D.为了提升提示词的权重

答案：C。加入随机噪声是为了在去噪轨迹中引入多样性，探索更大的生成空间，代价是过程不可复现。显存、视频流畅度、提示词权重都不是它加入随机性的目的。

Q9. 做批量电商产品图，追求稳定可复现，应该优先选择？

单选题 · hard

  • A.每步全随机的祖先采样器
  • B.任意更换随机种子出图
  • C.完全不做任何高清放大
  • D.非祖先采样器如 DPM++ 2M← 正确答案

答案：D。批量出图要求同提示词、同种子能稳定复现相同结果，非祖先采样器（如 DPM++ 2M）轨迹确定，最适合这类流程。祖先采样器带随机性，难以精确复现。

Q10. 关于采样器选择策略，下列说法正确的有哪些？

多选题 · hard

  • A.探索阶段低步数快出草稿← 正确答案
  • B.精细阶段适当提高采样步数← 正确答案
  • C.采样器可完全替代提示词
  • D.祖先采样器适合精准复现

答案：AB。探索阶段用低步数快速看构图，定稿阶段适当加步数精修，是推荐的节奏。采样器不能替代提示词；祖先采样器带随机性，恰恰不适合精准复现，反而非祖先采样器才是复现场景的首选。