目錄
ComfyUI KSampler 參數詳解：steps、CFG、sampler、scheduler、seed
KSampler 是 ComfyUI 中最核心的節點，負責從雜訊一步步去噪產生圖片。理解它的參數，就能有意識地調整結果，而不是瞎試。
seed：隨機種子
決定起始雜訊的樣子。相同的模型、提示詞、參數與種子，會產生相同的圖片。
control_after_generate 控制每次執行後種子的變化：
| 選項 | 行為 |
|---|---|
| randomize | 每次隨機，用來大量嘗試不同構圖 |
| fixed | 固定不變，用來微調其他參數 |
| increment / decrement | 每次加 1 / 減 1 |
建議流程：先用 randomize 找到喜歡的構圖 → 改成 fixed → 再微調提示詞與參數。
steps：步數
去噪要分幾步完成。
- 步數太少：圖片模糊、細節不足。
- 步數增加：品質提升，但超過某個程度後幾乎沒有差別，只會變慢。
- 一般模型 20～30 步就足夠。
- 標示為 Turbo、Lightning、LCM、Hyper 等「加速版」模型或 LoRA，只需要 4～8 步，請依照模型說明設定。
cfg：提示詞強度
CFG（Classifier-Free Guidance）決定模型多「聽話」：
| CFG | 效果 |
|---|---|
| 1 | 幾乎忽略提示詞（加速版模型常用 1～2） |
| 4～8 | 常用範圍 |
| 10 以上 | 很貼近提示詞，但容易過度飽和、對比過強、出現破圖 |
不同模型的最佳 CFG 差異很大。例如許多 Flux 類模型使用另外的 guidance 參數，KSampler 的 CFG 則設為 1。以模型頁面或官方範本的建議值為準。
sampler_name：取樣器
決定每一步怎麼去噪的演算法。常見的選擇：
| 取樣器 | 特色 |
|---|---|
euler | 簡單、快速、穩定，很好的預設值 |
euler_ancestral | 每一步加入隨機性，結果較多變化；步數不同時結果差異大 |
dpmpp_2m | 品質與速度兼顧，非常常用 |
dpmpp_2m_sde | 細節較豐富，稍慢 |
dpmpp_3m_sde | 需要較多步數 |
uni_pc | 少步數時表現好 |
名稱中帶有 ancestral（a） 或 sde 的取樣器有隨機性，即使種子相同，步數改變時圖片也會變很多；其他的則會隨步數「收斂」。
scheduler：排程
決定每一步去噪的「幅度」怎麼分配：
| 排程 | 特色 |
|---|---|
normal | 預設 |
karras | 後段步驟更細緻，常和 dpmpp 系列搭配 |
exponential | 類似 karras |
sgm_uniform | 部分加速模型建議使用 |
simple、beta | 部分新模型的範本會使用 |
常見的好組合：dpmpp_2m + karras、euler + normal。
denoise：去噪強度
從多少比例的雜訊開始：
- 1.0：完全從雜訊開始，用於文生圖。
- 小於 1.0：保留輸入圖片的一部分，用於圖生圖、局部重繪與放大修飾。數值越小，越接近原圖。
詳見 圖生圖。
KSampler Advanced
進階版提供更細的控制：
| 參數 | 說明 |
|---|---|
| add_noise | 是否加入雜訊 |
| start_at_step / end_at_step | 只執行指定範圍的步驟 |
| return_with_leftover_noise | 輸出時保留剩餘雜訊 |
用途：例如前 20 步用 A 模型、後 10 步交給 B 模型精修（SDXL Refiner 的做法），或兩個階段使用不同的提示詞。
調整參數的建議順序
- 先固定種子。
- 用模型建議的取樣器、排程、步數。
- 調整提示詞，直到內容符合需求。
- 微調 CFG：畫面太平淡或不聽話就調高，太過飽和或破圖就調低。
- 最後才嘗試不同的取樣器。
比較參數的技巧
把同一組提示詞接到多個 KSampler，每個設定不同的參數，一次執行就能並排比較。複製節點時按 Ctrl + Shift + V 可以保留輸入連線。
更新於 2026年10月12日