取樣器與排程器 (Sampler & Scheduler)
取樣器是 AI 圖像生成模型一步步去除畫面雜訊的核心演算法,而排程器則負責規劃每一步去雜訊的力道與節奏。在使用 Stable Diffusion 或 ComfyUI 本機生圖時,這兩者是微調畫質與風格的關鍵設定;主流的線上生圖平台則通常會在後台自動幫你選好最佳組合。
又稱: sampler, sampler_name, scheduler, Euler, DPM++ 2M Karras, 取樣方法, 排程演算法
前後對比實測




模型: Stable Diffusion XL 1.0 (przez API fal.ai, 30 kroków, CFG 7,5). 設定: Seed 1411,生成步數 30,CFG Scale 7.5,僅切換取樣器. 日期: 14.11.2026.
提示詞: a lighthouse on a rocky coast at dusk, waves crashing, dramatic sky, wide shot, photo
我在相同的測試條件下生成畫面,發現 Euler、DPM++ 2M Karras 和 DDIM 所產生的構圖幾乎完全一致,主要細節差異僅落在海浪水氣與岩石的表面紋理上。然而切換到 Euler a (ancestral) 時,畫面卻完全重組,直接在小島上多蓋了一座燈塔。帶有 a 或 ancestral 字眼的取樣器會在去雜訊的每一步額外注入隨機雜訊,因此即使固定了相同的 Seed,產出的構圖也可能大幅偏離其他演算法。
各生圖工具中的對應名稱
| 生圖工具 | 參數 | 數值範圍 | 預設值 |
|---|---|---|---|
| Seedream | 未確認 | - | - |
| ComfyUI | sampler_name / scheduler (KSampler)來自原始碼的清單 (docs.comfy.org 未列出) | 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 | 說明文件中未提供 |
| Midjourney | 無此參數 | - | - |
| FLUX | API 中無 | - | - |
| Ideogram | 無此參數 | - | - |
| GPT Image | 無此參數 | - | - |
| Imagen(已停用) | 讀取的說明文件中無 | - | - |
| Qwen-Image | 讀取的說明文件中無 | - | - |
| Stability AI (SD 3.5) | API 中無 | - | - |
- 參考來源,檢查於 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(已停用): 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...
適用時機
- 只要預設組合生成的成品符合預期,就直接保留原設定,不必刻意更換
- 想要在不更換 Seed 的前提下獲得更多構圖驚喜與多樣性時,切換為 ancestral 類型 (如 Euler a)
- 在測試微調 Prompt 或比較模型權重時,選擇非 ancestral 類型 (如 Euler 或 DPM++ 2M),以確保構圖具備高度一致性
常見錯誤
最常見的失誤是在比較不同取樣器時,忘了把隨機種子 (Seed) 固定成同一個數字,這樣你看到的其實只是換了亂數種子的構圖差異,根本測不出取樣器本身的運算特質。另一個迷思是到處尋找所謂的神級萬用取樣器;事實上多數熱門演算法之間的差異非常細微,提示詞的結構與 CFG 設定對畫面風格的影響力遠比換個取樣器大得多。
可直接複製的範例
ComfyUI: KSampler -> sampler_name = dpmpp_2m, scheduler = karras AUTOMATIC1111 / Forge: Sampling method: DPM++ 2M, Schedule type: Karras Midjourney, GPT Image, Ideogram, FLUX 3: 無此參數 (由系統自動處理)
常見問題
哪一個取樣器最好?有推薦的萬用組合嗎?
沒有任何一款演算法在所有情境下都最強。如果重視成像穩定、邊緣清晰且希望風格可重現,DPM++ 2M 搭配 Karras 排程器或是經典的 Euler 是社群公認最穩妥的配置;如果你想尋找隨機構圖靈感,Euler a 會更有發揮空間。
Sampler 和 Scheduler 到底有什麼具體差別?
簡單來說,取樣器是決定用什麼數學邏輯去清除畫面雜訊的工人,而排程器則是負責發號施令的時間表,負責計算每一階段去雜訊的步伐大小。兩者相輔相成,決定了整體去噪過程的精準度與速度。
取樣器名稱後面的 a 是什麼意思?
代表 ancestral (祖先取樣)。一般的取樣器會讓畫面一步步收斂穩定,但這類取樣器會在運算途中不斷添加微量雜訊,所以就算步數跑得再高也不會完全固定,每次微調都可能蹦出全新的視角與構圖。
