Sampler e scheduler
O sampler é o algoritmo matemático que o modelo de difusão utiliza para remover o ruído visual passo a passo, transformando estática em imagem limpa. Já o scheduler funciona como um guia de ritmo, definindo a quantidade exata de ruído a ser eliminada em cada etapa do processo. Esses parâmetros são amplamente ajustáveis em interfaces locais como Stable Diffusion e ComfyUI, enquanto ferramentas em nuvem costumam pré-selecioná-los de forma oculta.
Também conhecido como: sampler, sampler_name, scheduler, Euler, DPM++ 2M Karras
Antes e depois: meu teste




Modelo: Stable Diffusion XL 1.0 (przez API fal.ai, 30 kroków, CFG 7,5). Configurações: seed 1411, 30 passos, CFG 7,5, alterando apenas o sampler. Data: 14.11.2026.
Prompt: a lighthouse on a rocky coast at dusk, waves crashing, dramatic sky, wide shot, photo
Euler, DPM++ 2M Karras e DDIM geraram praticamente a mesma composição no meu teste: as variações ficaram restritas à textura da água e dos detalhes das rochas. Em contrapartida, o Euler a (ancestral) construiu um cenário completamente distinto, criando um farol sobre uma ilhota. Como os samplers ancestrais reinjetam ruído novo a cada passo, eles tendem a divergir bastante dos demais mesmo quando mantemos a mesma semente.
Como é chamado em cada gerador
| Gerador | Parâmetro | Valores | Padrão |
|---|---|---|---|
| Seedream | não confirmado | - | - |
| ComfyUI | sampler_name / scheduler (KSampler)Listas do código-fonte (docs.comfy.org não as lista) | 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 | não informado na documentação |
| Midjourney | não há esse parâmetro | - | - |
| FLUX | ausente na API | - | - |
| Ideogram | não há esse parâmetro | - | - |
| GPT Image | não há esse parâmetro | - | - |
| Imagen (descontinuado) | ausente na documentação consultada | - | - |
| Qwen-Image | ausente na documentação consultada | - | - |
| Stability AI (SD 3.5) | ausente na API | - | - |
- Fontes consultadas em 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...
Quando usar
- mantenha o sampler padrão se o estilo visual e a nitidez já atenderem ao que você precisa
- mude para uma variante ancestral (como Euler a) caso queira explorar novas composições e ideias sem alterar o prompt ou o seed
- utilize samplers determinísticos (como Euler ou DPM++ 2M) quando precisar de consistência absoluta para testes de personagens ou cenários
Erro comum
Comparar o efeito de samplers sem fixar o seed: ao fazer isso, você avalia apenas uma imagem aleatória contra outra, sem enxergar o comportamento real do algoritmo. Outro equívoco comum é passar horas caçando o sampler perfeito para qualquer tarefa. Na maioria dos casos, a diferença visual entre métodos consolidados é muito sutil se comparada à influência do prompt e do CFG scale.
Exemplo pronto para copiar
ComfyUI: KSampler -> sampler_name = dpmpp_2m, scheduler = karras AUTOMATIC1111 / Forge: Sampling method: DPM++ 2M, Schedule type: Karras Midjourney, GPT Image, Ideogram, FLUX: sem parâmetro disponível
Perguntas frequentes
Qual é o melhor sampler para o Stable Diffusion?
Não existe um vencedor absoluto. Para a maioria das ilustrações e fotos realistas, o DPM++ 2M combinado com o scheduler Karras oferece excelente equilíbrio entre fidelidade e velocidade. O Euler básico também é ótimo para resultados previsíveis com poucos passos.
Qual é a real diferença entre sampler e scheduler?
O sampler determina a fórmula matemática usada para deduzir e limpar a imagem a cada iteração. O scheduler define a escala de tempo dessa limpeza, decidindo se o processo começa agressivo e termina suave ou se mantém um ritmo linear ao longo dos passos.
Por que o Euler a gera imagens tão diferentes do Euler comum?
A letra 'a' indica um algoritmo ancestral. Enquanto o Euler simples remove ruído de forma direta e calculada, as versões ancestrais adicionam um pouco de ruído novo a cada etapa, provocando desvios criativos mesmo ao repetir o mesmo seed.
