Sampler och scheduler
En sampler är den matematiska metod som bildmodellen använder för att steg för steg rensa bort brus, medan en scheduler bestämmer hur stora dessa brusminskningssteg ska vara. Tillsammans styr de hur snabbt och med vilken precision din slutliga bild växer fram. De justeras främst i öppna verktyg som Stable Diffusion och ComfyUI, medan molntjänster oftast sköter valet helt i bakgrunden.
Även känd som: sampler, sampler_name, scheduler, Euler, DPM++ 2M Karras
Före och efter: mitt test




Modell: Stable Diffusion XL 1.0 (przez API fal.ai, 30 kroków, CFG 7,5). Inställningar: seed 1411, 30 steg, CFG 7,5, endast samplern ändras. Datum: 14.11.2026.
Prompt: a lighthouse on a rocky coast at dusk, waves crashing, dramatic sky, wide shot, photo
När jag testade gav Euler, DPM++ 2M Karras och DDIM nästan exakt samma bildkomposition, där skillnaderna främst märktes i ytstrukturen på vatten och klippor. Euler a (ancestral) skapade däremot ett helt annat motiv: en fyr på en liten ö. Samplers märkta med 'a' eller 'ancestral' lägger till nytt brus i varje enskilt steg, vilket gör att de kan dra iväg i en helt ny riktning trots att man behåller samma seed.
Vad det kallas i respektive generator
| Generator | Parameter | Värden | Standardvärde |
|---|---|---|---|
| Seedream | obekräftat | - | - |
| ComfyUI | sampler_name / scheduler (KSampler)Listor från källkoden (docs.comfy.org listar dem inte) | 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 | anges inte i dokumentationen |
| Midjourney | ingen sådan parameter | - | - |
| FLUX | saknas i API:et | - | - |
| Ideogram | ingen sådan parameter | - | - |
| GPT Image | ingen sådan parameter | - | - |
| Imagen (avvecklad) | saknas i den lästa dokumentationen | - | - |
| Qwen-Image | saknas i den lästa dokumentationen | - | - |
| Stability AI (SD 3.5) | saknas i API:et | - | - |
- Källor, kontrollerade 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...
När det ska användas
- Behåll standardinställningen så länge du är nöjd med bildens utseende och skärpa
- Byt till en ancestral-variant (som Euler a) när du vill utforska nya tolkningar och variationer med samma seed
- Håll dig till deterministiska metoder (som Euler eller DPM++ 2M Karras) när du vill ha pålitliga och repeterbara resultat för direkta jämförelser
Vanligt misstag
Ett klassiskt misstag är att jämföra olika samplers utan att låsa sitt seed: då ser du bara slumpmässiga skillnader och inte hur algoritmen faktiskt arbetar. Ett annat misstag är att jaga en 'bästa sampler' för alla lägen. Skillnaden mellan de mest etablerade algoritmerna är i praktiken mycket mindre än den effekt din textprompt eller ditt CFG-värde har.
Exempel att kopiera
ComfyUI: KSampler -> sampler_name = dpmpp_2m, scheduler = karras AUTOMATIC1111 / Forge: Sampling method: DPM++ 2M, Schedule type: Karras Midjourney, GPT Image, Ideogram, FLUX 3: saknar parameter
Vanliga frågor
Vilken sampler är bäst?
Det finns ingen universell vinnare för varje bild. För snabba och repeterbara bilder fungerar vanliga Euler eller DPM++ 2M med Karras-schema utmärkt, medan ancestral-metoder passar bättre när du letar efter kreativa överraskningar.
Vad gör egentligen en scheduler jämfört med en sampler?
Samplern är själva beräkningsmotorn som rensar bort brus vid varje punkt, medan schedulern är tidsplanen som avgör hur mycket brus som ska tas bort i början respektive slutet av processen.
Varför ser bilderna annorlunda ut varje gång med Euler a trots samma seed?
Bokstaven 'a' står för ancestral. Dessa samplers tillför nytt slumpmässigt brus i varje delsteg, vilket gör att bilden inte konvergerar mot en fast punkt på samma sätt som vanliga samplers.
