节点列表
1. KSampler
最常用的采样器节点，执行标准的图像采样过程。
- 节点类型: 采样器
- 输入数量: 4
- 输出数量: 1
- 所属类别: sampling
- 类型: MODEL（蓝色）
- 描述: Stable Diffusion模型
- 用途: 用于图像生成
- 类型: CONDITIONING（橙色）
- 描述: 正向提示词条件
- 用途: 指导图像生成方向
- 类型: CONDITIONING（橙色）
- 描述: 负向提示词条件
- 用途: 避免生成不想要的内容
- 类型: LATENT（绿色）
- 描述: 潜在空间图像
- 用途: 采样的起点
- 类型: LATENT（绿色）
- 描述: 采样后的潜在空间
- 用途: 传递给VAEDecode解码
- 类型: 数字
- 描述: 随机种子
- 可选: 否
- 默认值: 0
- 取值范围: 0 - 4294967295
- 说明: 相同种子生成相同图像
- 类型: 数字
- 描述: 采样步数
- 可选: 否
- 默认值: 20
- 取值范围: 1 - 150
- 说明: 步数越多质量越好但越慢
- 类型: 数字
- 描述: 提示词相关性（Classifier Free Guidance）
- 可选: 否
- 默认值: 8.0
- 取值范围: 1.0 - 30.0
- 说明: 值越大越遵循提示词
- 类型: 下拉选择
- 描述: 采样器算法
- 可选: 否
- 默认值: euler
- 选项: euler, euler_ancestral, heun, ddim, dpmpp_2m, dpmpp_sde, dpmpp_2m_sde, dpm_fast, dpm_adaptive, lcm, ddim_uniform
- 类型: 下拉选择
- 描述: 调度器策略
- 可选: 否
- 默认值: normal
- 选项: normal, karras, exponential, sgm_uniform, simple, ddim_uniform, beta
- 类型: 数字
- 描述: 去噪强度
- 可选: 否
- 默认值: 1.0
- 取值范围: 0.0 - 1.0
- 说明: 1.0为完全生成，0.0为不改变
{
"3": {
"inputs": {
"seed": 123456789,
"steps": 20,
"cfg": 8,
"sampler_name": "euler",
"scheduler": "normal",
"denoise": 1,
"model": ["4", 0],
"positive": ["6", 0],
"negative": ["7", 0],
"latent_image": ["5", 0]
},
"class_type": "KSampler"
}
}
CheckpointLoaderSimple
├── MODEL ──────────────┐
├── CLIP ───┬────────────┼── KSampler ─── VAEDecode
└── VAE ────┴────────────┘ │
└── samples ──┘
CLIPTextEncode (positive) ─── positive ──┘
CLIPTextEncode (negative) ─── negative ──┘
EmptyLatentImage ─── latent_image ───────┘
- 作用: 控制随机性
- 使用: 相同种子生成相同图像
- 技巧: 点击随机按钮生成新种子
- 建议: 找到好种子后记录下来
- 作用: 控制采样质量
- 影响: 步数越多质量越好但速度越慢
- 推荐: 20-30步通常足够
- 权衡: 在质量和速度间平衡
- 作用: 控制对提示词的遵循程度
- 影响: 值越大越遵循提示词
- 推荐: 7-12之间
- 注意: 值过高可能导致图像失真
- euler: 快速，质量好，推荐
- euler_ancestral: 更随机，创意性更强
- heun: 质量更高，速度较慢
- ddim: 经典采样器，稳定
- dpmpp_2m: 高质量，推荐
- dpmpp_sde: 更高质量，更慢
- lcm: 极速，质量稍低
- normal: 标准调度
- karras: 更好的质量分布
- exponential: 指数衰减
- sgm_uniform: 均匀分布
- 1.0: 完全生成（文生图）
- 0.5-0.8: 部分修改（图生图）
- 0.3-0.5: 轻微修改（图像修复）
- 文生图（denoise=1.0）
- 图生图（denoise=0.5-0.8）
- 图像修复（denoise=0.3-0.5）
- 批量生成
- steps和cfg需要平衡调整
- 不同采样器适合不同场景
- denoise值根据用途调整
- seed可以复现结果
2. KSamplerAdvanced
高级采样器，提供更多控制选项。
- 节点类型: 采样器
- 输入数量: 4
- 输出数量: 1
- 所属类别: sampling
- 类型: MODEL（蓝色）
- 描述: Stable Diffusion模型
- 用途: 用于图像生成
- 类型: CONDITIONING（橙色）
- 描述: 正向提示词条件
- 用途: 指导图像生成方向
- 类型: CONDITIONING（橙色）
- 描述: 负向提示词条件
- 用途: 避免生成不想要的内容
- 类型: LATENT（绿色）
- 描述: 潜在空间图像
- 用途: 采样的起点
- 类型: LATENT（绿色）
- 描述: 采样后的潜在空间
- 用途: 传递给VAEDecode解码
- 类型: 下拉选择
- 描述: 是否添加噪声
- 选项: enable, disable
- 说明: 控制是否添加初始噪声
- 类型: 数字
- 描述: 噪声种子
- 说明: 控制初始噪声
- 类型: 数字
- 描述: 采样步数
- 说明: 与KSampler相同
- 类型: 数字
- 描述: 提示词相关性
- 说明: 与KSampler相同
- 类型: 下拉选择
- 描述: 采样器算法
- 说明: 与KSampler相同
- 类型: 下拉选择
- 描述: 调度器策略
- 说明: 与KSampler相同
- 类型: 数字
- 描述: 开始步数
- 说明: 从第几步开始采样
- 类型: 数字
- 描述: 结束步数
- 说明: 到第几步结束采样
- 类型: 下拉选择
- 描述: 是否返回剩余噪声
- 选项: disable, enable
{
"13": {
"inputs": {
"add_noise": "enable",
"noise_seed": 123456789,
"steps": 20,
"cfg": 8,
"sampler_name": "euler",
"scheduler": "normal",
"start_at_step": 0,
"end_at_step": 20,
"return_with_leftover_noise": "disable",
"model": ["4", 0],
"positive": ["6", 0],
"negative": ["7", 0],
"latent_image": ["5", 0]
},
"class_type": "KSamplerAdvanced"
}
}
- 分步控制采样过程
- 多阶段采样
- 精细控制去噪
- start_at_step和end_at_step控制采样范围
- 比KSampler更复杂但更灵活
- 适合高级用户
采样器对比
速度对比
从快到慢： 1. lcm 2. euler 3. euler_ancestral 4. dpmpp_2m 5. ddim 6. heun 7. dpmpp_sde
质量对比
从高到低： 1. dpmpp_sde 2. heun 3. dpmpp_2m 4. euler 5. ddim 6. euler_ancestral 7. lcm
推荐配置
sampler: euler
scheduler: normal
steps: 15
cfg: 7
sampler: dpmpp_2m
scheduler: karras
steps: 30
cfg: 8
sampler: euler_ancestral
scheduler: karras
steps: 25
cfg: 9
最佳实践
1. 参数调优
- steps: 从20开始，根据需要调整
- cfg: 从7开始，逐步调整
- sampler: euler是很好的起点
- scheduler: normal或karras
2. 性能优化
- 减少steps: 提高速度
- 使用快速采样器: euler或lcm
- 调整cfg: 避免过高值
3. 质量提升
- 增加steps: 提高质量
- 使用高质量采样器: dpmpp_2m或dpmpp_sde
- 使用karras调度器: 改善质量分布
常见问题
Q1: 如何选择采样器？
A: euler是很好的起点，dpmpp_2m提供更好质量，lcm最快。
Q2: steps设置多少合适？
A: 20-30步通常足够，可以根据需要调整。
Q3: cfg值多少合适？
A: 7-12之间，过高可能导致图像失真。
Q4: denoise值如何设置？
A: 文生图用1.0，图生图用0.5-0.8，修复用0.3-0.5。
Q5: 如何复现结果？
A: 记录seed值，使用相同参数。
相关节点
工作流示例
更新日志
- 2026-01-26: 初始版本创建