Sampler und Scheduler
Der Sampler bestimmt das mathematische Verfahren, mit dem ein Diffusionsmodell Schritt für Schritt Bildrauschen in ein klares Motiv verwandelt. Der Scheduler legt dabei fest, wie stark das Rauschen bei jedem einzelnen Zwischenschritt reduziert wird. In Werkzeugen wie Stable Diffusion oder ComfyUI lassen sich beide Werte präzise steuern, während Cloud-Dienste diese Entscheidung meist automatisch treffen.
Auch bekannt als: sampler, sampler_name, scheduler, sampling method, schedule type, Euler, DPM++ 2M Karras
Vorher und nachher: Praxistest




Modell: Stable Diffusion XL 1.0 (przez API fal.ai, 30 kroków, CFG 7,5). Einstellungen: Seed 1411, 30 Schritte, CFG 7,5, nur der Sampler wurde variiert. Datum: 14.11.2026.
Prompt: a lighthouse on a rocky coast at dusk, waves crashing, dramatic sky, wide shot, photo
Euler, DPM++ 2M Karras und DDIM lieferten bei mir fast denselben Bildausschnitt, feine Nuancen zeigten sich lediglich in den Texturen von Wasser und Felswänden. Euler a (ancestral) baute hingegen ein komplett anderes Motiv auf: einen Leuchtturm auf einer kleinen Felseninsel. Sampler mit dem Zusatz 'a' oder 'ancestral' mischen bei jedem Schritt neues Rauschen bei, weshalb sie selbst bei identischem Seed spürbar vom Rest abweichen.
Bezeichnung je Generator
| Generator | Parameter | Werte | Standard |
|---|---|---|---|
| Seedream | unbestätigt | - | - |
| ComfyUI | sampler_name / scheduler (KSampler)Listen aus dem Quellcode (docs.comfy.org führt sie nicht auf) | sampler_name: euler, euler_cfg_pp, euler_ancestral, euler_ancestral_cfg_pp, heun, heunpp2, exp_heun_2_x0, exp_heun_2_x0_sde, dpm_2, dpm_2_ancestral, lms, dpm_fast, dpm_adaptive, dpmpp_2s_ancestral, dpmpp_2s_ancestral_cfg_pp, dpmpp_sde, dpmpp_sde_gpu, dpmpp_2m, dpmpp_2m_cfg_pp, dpmpp_2m_sde, dpmpp_2m_sde_gpu, dpmpp_2m_sde_heun, dpmpp_2m_sde_heun_gpu, dpmpp_3m_sde, dpmpp_3m_sde_gpu, ddpm, lcm, ipndm, ipndm_v, deis, cfgpp_ud10_ab, res_multistep, res_multistep_cfg_pp, res_multistep_ancestral, res_multistep_ancestral_cfg_pp, gradient_estimation, gradient_estimation_cfg_pp, er_sde, seeds_2, seeds_3, sa_solver, sa_solver_pece, ddim, uni_pc, uni_pc_bh2. scheduler: simple, sgm_uniform, karras, exponential, ddim_uniform, beta, normal, linear_quadratic, kl_optimal | in der Dokumentation nicht angegeben |
| Midjourney | kein solcher Parameter | - | - |
| FLUX | nicht in der API vorhanden | - | - |
| Ideogram | kein solcher Parameter | - | - |
| GPT Image | kein solcher Parameter | - | - |
| Imagen (eingestellt) | nicht in der gelesenen Dokumentation | - | - |
| Qwen-Image | nicht in der gelesenen Dokumentation | - | - |
| Stability AI (SD 3.5) | nicht in der API vorhanden | - | - |
- Quellen, geprüft am 14.11.2026:
- Seedream: docs.byteplus.com/en/docs/ModelArk/1541523
- ComfyUI: raw.githubusercontent.com/comfyanonymous/ComfyUI/master/com...
- Midjourney: docs.midjourney.com/hc/en-us/articles/32859204029709-Parame...
- FLUX: docs.bfl.ml/api-reference/utility/generate-an-image-with-fl...
- Ideogram: developer.ideogram.ai/openapi/ideogram-api-v2.json
- GPT Image: developers.openai.com/api/docs/guides/image-generation
- Imagen: docs.cloud.google.com/vertex-ai/generative-ai/docs/image/ge...
- Qwen-Image: www.alibabacloud.com/help/en/model-studio/qwen-image-genera...
- Stability AI: docs.stability.ai/api-reference/generate/stable-diffusion-3...
Wann einsetzen
- Behalten Sie die Standardwerte bei, solange die Bildqualität Ihren Vorstellungen entspricht.
- Wählen Sie einen Ancestral-Sampler wie Euler a, wenn Sie bei gleichem Seed bewusst nach neuen Bildkompositionen und Variationen suchen.
- Nutzen Sie deterministische Sampler wie Euler oder DPM++ 2M, wenn Sie reproduzierbare Testreihen und konsistente Bilddetails benötigen.
Typischer Fehler
Der häufigste Fehler besteht darin, Sampler mit wechselnden Seeds zu vergleichen: In diesem Fall beurteilt man nur den Zufallswert, nicht die eigentliche Methode. Ebenso irreführend ist die Suche nach dem einen perfekten Sampler für jedes Motiv. Zwischen etablierten Samplern fallen die optischen Differenzen oft viel geringer aus als der Einfluss von Prompt und CFG-Wert.
Beispiel zum Kopieren
ComfyUI: KSampler -> sampler_name = dpmpp_2m, scheduler = karras AUTOMATIC1111 / Forge: Sampling method: DPM++ 2M, Schedule type: Karras Midjourney, GPT Image, Ideogram, FLUX: Kein separater Parameter verfügbar
Häufig gestellte Fragen
Welcher Sampler ist die beste Wahl?
Es gibt keinen Universalsieger. Für wiederholbare, scharfe Details liefert DPM++ 2M in Verbindung mit Karras hervorragende Resultate. Euler gilt als schneller und verlässlicher Standard.
Worin liegt der Unterschied zwischen Sampler und Scheduler?
Der Sampler ist der eigentliche Rechenalgorithmus zur Rauschentfernung. Der Scheduler bestimmt den Zeitplan, also welche Rauschmenge zu welchem Schritt abgebaut wird.
Warum erzeugt Euler a so andere Bilder als Euler?
Das 'a' steht für 'ancestral'. Diese Sampler ziehen bei jedem Rechenschritt frischen Zufall hinzu, wodurch das Bild selbst bei unverändertem Seed stark variiert.
