KSampler / K采样器

节点功能：K采样器，KSampler 节点用于对潜在图像（latent image）进行多步去噪采样。它结合正向和负向条件（prompt），通过指定的采样算法和调度器，生成高质量的潜在图像。常用于文生图、图生图等 AI 图像生成流程中。

KSampler - 节点参数说明

输入参数
model	用于采样的扩散模型。
positive	正向提示词。
negative	反向提示词。
latent_image	初始 latent 图像
输出参数
LATENT	采样生成的潜空间图像。
控件参数
seed	随机数种子。
control_after_generate	种子生成后控制，fixed, increment，decrement, randomize
steps	采样步骤数。
cfg	提示词引导系数。值越高越贴近提示词描述；过高的 CFG 会破坏图像的自然性、一致性和逻辑合理性
sampler_name	采样器名称。
scheduler	调度器名字。
denoise	去噪强度，1.0 表示完全生成，低值用于保留原图特征（如图生图）。

简介：

KSampler 节点用于对潜在图像（latent image）进行多步去噪采样。它结合正向和负向条件（prompt），通过指定的采样算法和调度器，生成高质量的潜在图像。常用于文生图、图生图等 AI 图像生成流程中。

采样器：

采样器名称	备注说明	生成速度	图像风格特点	适合场景
euler	最基础的欧拉方法，速度快，图像锐利，但细节略显粗糙。	⚡非常快	边缘清晰、对比强、略显生硬	二次元、快速预览、草图生成
euler_cfg_pp	Euler + CFG 预处理版本，减少高 CFG 下的偏移。	⚡快	稳定性更好，色彩偏差更小	高 CFG 生成、写实图像
euler_ancestral	Euler 的随机祖先版本，结果更有随机性、更“梦幻”。	⚡快	细节丰富、层次感强、梦幻感	二次元、幻想风、艺术插画
euler_ancestral_cfg_pp	在 euler_ancestral 基础上加入 CFG 修正。	⚡中快	兼顾梦幻与稳定，风格细腻	插画、角色图、场景图
heun	改进欧拉法的二阶方法，兼顾速度与稳定性。	⏩中速	平滑自然，噪点少，比 Euler 更准确	写实风、人像、自然风光
heunpp2	第二版 Heun++，平衡噪声与细节。	⏩中速	更平滑、色彩过渡自然、细节保留好	写实、CG渲染、精致插画
dpm_2	DPM 第2版，早期稳定扩散方法，速度快。	⚡快	中规中矩，细节一般，风格偏硬	草图、初步构图、快速生成
dpm_2_ancestral	DPM2 的 ancestral 版本，增加随机性。	⏩中速	对比更强，层次丰富，随机性高	艺术风、插画、非写实图像
lms	Linear Multistep 方法，多步线性预测。	⏩中速	柔和平滑，噪声少但细节略减	人像、油画风、平面插图
dpm_fast	快速版 DPM 方法，优化生成效率。	⚡⚡极快	清晰但略损细节，实用性强	批量生成、预览图
dpm_adaptive	自适应 DPM 方法，根据图像复杂度自动调整步长。	🕓中慢	稳定高质，细节优秀	高清图、精细插画、写实渲染

采样器名称	备注说明	生成速度	图像风格特点	适合场景
dpmpp_2s_ancestral	DPM++ 系列，2-stage + ancestral 结构，提升随机性与细节。	⏩中速	细节丰富，层次清晰，色彩自然	高质量插画、艺术风作品
dpmpp_2s_ancestral_cfg_pp	在 dpmpp_2s_ancestral 基础上加入 CFG 修正，减少偏色与过度引导。	⏩中速	兼顾梦幻与写实，稳定性更强	高 CFG 设置下的高清生成
dpmpp_sde	基于随机微分方程（SDE）的 DPM++，更平滑的去噪过程。	🕓较慢	平滑、自然、真实感高	摄影风、写实人像、自然场景
dpmpp_sde_gpu	dpmpp_sde 的 GPU 加速版本，速度更快。	⏩中速偏快	同样平滑但计算更高效	大批量写实生成、GPU优化场景
dpmpp_2m	DPM++ 2M，多步（multi-step）算法，平衡速度与画质。	⏩中速	细节优秀、边缘干净、色彩准确	高清插画、写实场景、精细渲染
dpmpp_2m_cfg_pp	在 dpmpp_2m 上加入 CFG 修正，优化高 CFG 时的表现。	⏩中速	更稳定、更少伪影	高 CFG 输出、复杂构图
dpmpp_2m_sde	DPM++ 2M 的 SDE 变体，细节更自然。	🕓稍慢	平滑、光影自然、层次分明	写实插画、高保真影像
dpmpp_2m_sde_gpu	dpmpp_2m_sde 的 GPU 加速版本。	⏩中速	画质与原版相同但更快	高性能显卡生成场景
dpmpp_2m_sde_heun	使用 Heun 方法改进 DPM++ 2M SDE，进一步提升稳定性。	🕓较慢	去噪平衡佳，色彩柔和，噪声极低	写实肖像、CG渲染
dpmpp_2m_sde_heun_gpu	GPU 加速版 Heun SDE 方法。	⏩中速	高质量 + 快速	专业绘图、商用渲染
dpmpp_3m_sde	DPM++ 3M SDE，三步多级算法，最先进版本之一。	🕓慢	极高细节与稳定性，逼真度高	写实风、摄影级画质
dpmpp_3m_sde_gpu	dpmpp_3m_sde 的 GPU 优化版本。	⏩中速偏慢	高质量与高效率并存	高分辨率生成、商用渲染
ddpm	Denoising Diffusion Probabilistic Models，最早的扩散模型方法。	⚡较快	图像稳定但细节较少	基础模型测试、教学使用

采样器名称	备注说明	生成速度	图像风格特点	适合场景
lcm	Latent Consistency Model，加速采样算法，可在极少步数内生成图像。	⚡⚡极快	图像略模糊但风格稳定	实时生成、预览图、低算力环境
ipndm	Improved Pseudo Numerical Diffusion Model，改进版数值扩散方法。	⏩中速	细节保留良好，噪点少，效果稳定	插画、半写实风格
ipndm_v	ipndm 的变体版本，进一步优化速度与去噪精度。	⏩中快	平滑、自然、兼顾速度与质量	快速高质生成
deis	DPM 解法的早期改进版本（Differentiable Exponential Integrator Solver）。	⏩中速	平滑自然，层次过渡好	写实图像、风景图
res_multistep	Residual Multistep 多步残差方法，提升去噪稳定性。	⏩中速	清晰、稳定、色彩真实	高清插画、细节丰富场景
res_multistep_cfg_pp	在 res_multistep 基础上加入 CFG 修正。	⏩中速	更少色偏、更稳定	高 CFG 生成、角色图
res_multistep_ancestral	残差多步 + ancestral 随机性增强版本。	🕓稍慢	细节丰富、纹理自然、层次感强	艺术风插画、创意图像
res_multistep_ancestral_cfg_pp	在上面基础上加入 CFG 修正。	🕓稍慢	梦幻与稳定兼顾	高质量艺术插画
gradient_estimation	基于梯度估计的采样方法，理论性强，实验性算法。	🕓慢	精细但偶有伪影	实验性研究、高保真渲染
gradient_estimation_cfg_pp	加入 CFG 优化的梯度估计法。	🕓慢	细节优秀但生成时间长	学术研究、极致画质需求
er_sde	Exponential Refinement SDE，指数细化型随机微分算法。	🕓慢	极度平滑、真实光影、噪声低	写实风、摄影级渲染
seeds_2	多随机种子算法第二代，实现多样性输出。	⚡快	多样性强、细节略少	批量生成、风格探索
seeds_3	多种子算法第三代，改进噪声分布。	⚡快	随机性强、结构自然	灵感生成、创意绘图
sa_solver	Semi-Analytic Solver 半解析算法，理论精确度高。	🕓中慢	平滑过渡、细节清晰	写实渲染、CG场景
sa_solver_pece	sa_solver 的 PECE（预测-校正）版本，提升稳定性。	🕓中慢	色彩更自然、噪点更少	写实人像、高品质输出
ddim	Denoising Diffusion Implicit Models，经典非显式去噪算法。	⏩中速	稳定可重复、风格一致	批量生成、风格化作品
uni_pc	Unified Predictor-Corrector，统一预测-修正方法。	⏩中快	高质量、边缘干净、泛用性强	通用生成、精细插画
uni_pc_bh2	UniPC 的 bh2 变体，细节略优，速度略慢。	🕓中速	更平滑、更稳定	写实、人物、插画

调度器：

调度器名称	备注说明	生成速度	图像风格特点	适合场景
simple	最基础的线性或均匀步长策略	⚡快	生成稳定但不够平滑	快速测试、低复杂度生成
sgm_uniform	均匀分布的 SGM（Stochastic Gradient Method）步长	⚡快	平稳、细节中等	常规插画、草图生成
karras	Karras 步长调度，前期慢、后期快	⏩中速	平滑自然、细节好	写实、高清插画、复杂场景
exponential	指数增长或衰减步长	⏩中速	前期变化快、后期收敛稳	有层次感的插画或写实场景
ddim_uniform	DDIM 的均匀步长策略	⏩中速	稳定、可重复、风格固定	批量生成、风格化图像
beta	Beta 分布调度，步长遵循 beta 分布	⏩中速	中间步长密集，细节好	写实风、插画
normal	正态分布调度，步长集中在中间	⏩中速	中间阶段去噪更精细	插画、写实、CG 渲染
linear_quadratic	线性 + 二次函数混合步长	🕓中慢	前期缓慢，后期精细	高保真写实或精细 CG 场景
kl_optimal	KL 优化步长策略，理论上最优	🕓慢	平滑、逼真、层次丰富	研究、高清写实、实验性高保真生成

降噪图说明：

调度器	曲线示意图（文字描述）	核心特征（降噪节奏）
Simple	从（0,0）到（1,1）的直线，无波动，走势极简	完全匀速上升，逻辑简单，兼容性强，细节控制较弱，适合快速测试
SGM Uniform	平滑上升曲线，整体走势均衡，无明显快慢突变，中段略呈平缓上扬	基于 SGM 逻辑，降噪节奏均匀，稳定性高，适合需要多样生成结果的场景
Karras	先平缓后陡峭的S 形曲线	后期集中去噪，强化细节，适配写实风格、细节密集型生成
Exponential	前期陡峭、后期平缓的指数曲线	早期快速去噪，风格化表现强，适合风格化、抽象艺术生成
DDIM Uniform	阶梯式分段上升曲线，每段内匀速上升，段间有小幅阶跃，整体呈阶梯状趋近纵轴 1 点	分段匀速降噪，段间有阶跃，与 DDIM 采样器搭配性强，生成结果可预测性高
Beta	线性 - 缓升混合曲线，前期略快上扬，中期平缓，后期微加速收尾	平衡噪声探索与收敛，经典扩散模型常用，兼顾结构确立与细节微调
Normal	从左下角到右上角的直线对角线	噪声均匀线性衰减
Linear-Quadratic	线性 - 二次混合曲线，前期线性缓慢上升，后期二次函数加速上扬	前期探索画面结构，后期集中收敛细节，适合复杂场景、多元素组合的图像生成
KL Optimal	基于 KL 散度优化的平滑曲线，先慢升、中速上扬、后略加速收尾，整体无明显波动	优化噪声分布匹配，生成质量稳定，适合对分布一致性要求高的场景（如科研实验、精准风格控制）

Normal降噪图：（均匀降噪）

Karras降噪图：（先平缓后陡峭S曲线去噪）

Exponential降噪图：（前期平缓后期陡峭指数曲线）

插件列表

Comfy Core

KSampler / K采样器

简介：

采样器：

调度器：

文章导航