Conteúdo
Tutorial do ComfyUI KSampler: steps, CFG, sampler, scheduler e seed
O KSampler é o nó mais importante do ComfyUI. Ele gera imagens removendo o ruído passo a passo. Ao entender seus parâmetros, você consegue ajustar os resultados de forma consciente, em vez de ficar tentando valores às cegas.
seed: semente aleatória
Determina a aparência do ruído inicial. Com o mesmo modelo, prompt, parâmetros e seed, você obtém a mesma imagem.
control_after_generate controla como o seed muda após cada execução:
| Opção | Comportamento |
|---|---|
| randomize | Aleatório a cada execução, para testar várias composições |
| fixed | Permanece fixo, para ajustar outros parâmetros |
| increment / decrement | Soma 1 / subtrai 1 a cada execução |
Fluxo recomendado: use randomize até encontrar uma composição de que goste → mude para fixed → ajuste o prompt e os parâmetros.
steps: etapas
Define em quantas etapas o ruído será removido.
- Poucas etapas: a imagem fica borrada e com poucos detalhes.
- Mais etapas: a qualidade melhora, mas, depois de certo ponto, quase não há diferença; apenas fica mais lento.
- Para modelos comuns, 20 a 30 etapas costumam ser suficientes.
- Modelos ou LoRAs identificados como versões Turbo, Lightning, LCM, Hyper e outros modelos “acelerados” precisam de apenas 4 a 8 etapas. Configure conforme as instruções do modelo.
cfg: força do prompt
CFG (Classifier-Free Guidance) determina o quanto o modelo “segue” o prompt:
| CFG | Efeito |
|---|---|
| 1 | Quase ignora o prompt (comum usar 1 a 2 em modelos acelerados) |
| 4 a 8 | Faixa mais usada |
| 10 ou mais | Segue o prompt de perto, mas pode causar saturação excessiva, contraste forte e artefatos na imagem |
O CFG ideal varia bastante entre modelos. Por exemplo, muitos modelos da família Flux usam um parâmetro guidance separado, enquanto o CFG do KSampler fica em 1. Use como referência o valor recomendado na página do modelo ou no workflow oficial.
sampler_name: sampler
Define o algoritmo usado para remover o ruído em cada etapa. Algumas opções comuns:
| Sampler | Características |
|---|---|
euler | Simples, rápido e estável; uma ótima opção padrão |
euler_ancestral | Adiciona aleatoriedade a cada etapa, gerando mais variações; os resultados mudam bastante quando o número de etapas muda |
dpmpp_2m | Equilibra qualidade e velocidade; muito usado |
dpmpp_2m_sde | Produz detalhes mais ricos, mas é um pouco mais lento |
dpmpp_3m_sde | Precisa de mais etapas |
uni_pc | Tem bom desempenho com poucas etapas |
Samplers com ancestral (a) ou sde no nome têm aleatoriedade. Mesmo com o mesmo seed, mudar o número de etapas pode alterar bastante a imagem; os outros tendem a “convergir” conforme o número de etapas aumenta.
scheduler: agendador
Define como distribuir a “intensidade” da remoção de ruído entre as etapas:
| Scheduler | Características |
|---|---|
normal | Padrão |
karras | Etapas finais mais detalhadas; costuma ser combinado com a família dpmpp |
exponential | Semelhante a karras |
sgm_uniform | Recomendado para alguns modelos acelerados |
simple, beta | Usados em workflows de alguns modelos novos |
Combinações comuns: dpmpp_2m + karras e euler + normal.
denoise: intensidade da remoção de ruído
Define com que proporção do ruído começar:
- 1.0: começa totalmente a partir do ruído; usado para gerar imagens a partir de texto.
- Menor que 1.0: preserva parte da imagem de entrada; usado para gerar imagens a partir de imagens, fazer inpainting local e refinar o upscale. Quanto menor o valor, mais a imagem se aproxima do original.
Consulte Geração de imagens a partir de imagens.
KSampler Advanced
A versão avançada oferece um controle mais preciso:
| Parâmetro | Descrição |
|---|---|
| add_noise | Se deve adicionar ruído |
| start_at_step / end_at_step | Executa apenas o intervalo de etapas especificado |
| return_with_leftover_noise | Mantém o ruído restante na saída |
Uso: por exemplo, use o modelo A nas primeiras 20 etapas e deixe o modelo B refinar as 10 últimas (como no SDXL Refiner), ou use prompts diferentes em cada estágio.
Ordem recomendada para ajustar os parâmetros
- Primeiro, fixe o seed.
- Use o sampler, o scheduler e o número de etapas recomendados para o modelo.
- Ajuste o prompt até o conteúdo corresponder ao que você precisa.
- Ajuste o CFG: aumente se a imagem ficar sem vida ou o modelo não seguir o prompt; diminua se houver saturação excessiva ou artefatos.
- Só então experimente outros samplers.
Dica para comparar parâmetros
Conecte o mesmo conjunto de prompts a vários KSampler, cada um com parâmetros diferentes, e execute uma vez para comparar os resultados lado a lado. Ao copiar um nó, pressione Ctrl + Shift + V para manter as conexões de entrada.
Atualizado 12 de outubro de 2026