我花3年踩遍SD参数坑，从原理到实操一次说清
这篇SD参数指南，我整整写了三年
说实话，写这篇东西之前，我把自己关在书房里，盯着屏幕发了好久的呆。
你看，网上讲Stable Diffusion参数的文章，那叫一个多啊！但翻来翻去，要么是机器翻译的生硬味，要么是东抄西抄的二道贩子。我翻了翻自己过去三年的笔记——对，就是那种写满了“为什么又崩了”“这个参数到底干嘛用”的笔记本——决定用最笨的办法：把我踩过的坑、试错的经历、翻遍GitHub才搞明白的原理，全都倒出来给你看。
这篇文章能帮你解决三个问题：
第一，搞清楚那些参数到底在干什么——不是背定义，是真正理解它的脾气。
第二，知道怎么选参数才能出好图——不是玄学，是有章可循。
第三，避开我走过的弯路——那些浪费我几十个小时的坑，你一步都不用踩。
说到这儿，咱们开始吧。
一、基础模型和外挂VAE：你以为选对了，其实可能白忙活
1.1 基本术语，但用大白话讲
基础模型（大模型/底模型）——这玩意儿就是你图片的“画师”。你选二次元模型，出来的就是动漫风；选写实模型，出来的就是照片感。我刚开始玩的时候，兴冲冲下载了十几个模型，结果发现有些模型画人脸总是崩，脸歪嘴斜的。折腾了好几天才明白：是模型本身的问题，不是我参数调得不对。 你想想，你找了个不会画手的画师，能怪你笔不好使吗？
VAE模型——全称Variational auto encoder，变分自编码器。别被这个名字吓到，你就把它当成图片生成后的“滤镜”。但注意了，它跟PS里的滤镜完全不是一回事——VAE是模型内部的一个组件，负责把潜在空间的数据解码成我们能看到的图片。
关键区别来了：每个模型都自带VAE，但有些模型的VAE“坏了”或者效果不好，这时候你才需要手动挂一个外挂VAE。我遇到过好几次，模型下载下来，生成的人脸总是灰蒙蒙的，像蒙了一层雾。换了VAE，立马清晰了，那种感觉，就像眼镜擦干净了一样爽！
下载模型的时候，记得看哈希值。这事儿挺坑的——有些模型名字不一样，但哈希值一样，说明它们几乎没区别。我一开始不知道，下了两个“不同”的模型，结果生成效果一模一样，白白浪费了硬盘空间。你说气不气？
1.2 不同基础模型的区别
左边是二次元风格，右边是写实风格。模型决定了基础图像的样子，你换模型就像换了画师。就这么简单。
1.3 不同外挂VAE模型的区别
左边这张图展示了是否外挂VAE的差别——加载新VAE后，图片清晰度明显提升。右边这张图展示了不同VAE模型下的差异，效果完全不一样。
怎么选VAE？我的建议是用XYZ Plot功能，一次性生成对比图，挑你最喜欢的那一个。别听别人说哪个好就用哪个，审美这事儿很主观。 有人喜欢冷色调，有人喜欢暖色调，你的眼睛说了算。
二、CLIP终止层数：你以为层数越高理解越深？其实不是
这事儿我得好好说说，因为我最开始完全搞不懂它在干嘛，调了半个月才发现自己一直在瞎调。
要理解CLIP终止层数，得先明白Stable Diffusion的原理。简单来说，Stable Diffusion是一个扩散模型——通过你给的提示词，从一张纯噪声图开始，一步步“扩散”出你想要的东西。
CLIP是负责理解你提示词的部分。它把文字转换成模型能理解的向量。CLIP有12层，默认情况下模型会用全部12层的信息。
CLIP终止层数这个参数，意思是“我只用前N层的信息”。我测试下来，大部分模型设成2效果最好。 设成1的话，模型对提示词的理解太浅，像听你说话只听了一半；设成太高（比如6以上），模型可能过度解读，生成的东西跟你的提示词关系不大，像过度解读你的意思一样。
有个坑：不同的模型对CLIP终止层数的敏感度不一样。 我试过一个写实模型，设成2效果很好；换到二次元模型，设成2反而崩了，设回1才正常。所以，别死记硬背参数，多试。这个道理，跟谈恋爱一样——没有万能的套路。
三、采样方法：我踩坑最多的部分，没有之一
这个部分我踩的坑最多，说出来都是泪。
先给结论，再说原理——你急着用的话，先看这个：
- **追求速度**：用Euler
- **追求质量**：用DPM++ 2M Karras或DPM++ 2M SDE Karras
- **速度和质量兼顾**：用DPM++ 2M（公认最强）
下面说说每种采样器的特点。你看，就像选交通工具一样，各有各的脾气。
经典常微方程求解器
Euler、DDIM这些，年龄比我大几倍。简单，但不够准确。我刚开始玩的时候一直用DDIM，觉得质量不错，后来才发现有更好的选择——就像你一直骑自行车，觉得挺快，后来骑了电动车才发现原来可以更快。
祖先采样器（带“a”的）
这些采样器有个特点：图像不收敛。 什么意思？就是AI会自由发挥，不一定严格按照你的提示词。生成的图像无法复现——你记住种子号也没用，下次生成的还是不一样。我一开始不知道，以为是自己记错了种子号，折腾了半天才发现是采样器的问题。你想想，你辛辛苦苦调了半天，结果每次生成都不一样，那感觉，就像你写了个菜谱，结果每次做出来的菜味道都不一样。
官方采样器
DDIM质量高但速度慢，PLMS质量低但速度快。说实话，这两个都已经过时了。就像功能机时代的诺基亚，虽然经典，但现在已经很少有人用了。
DPM和DPM++系列
DPM2比DPM更准确，但速度慢。DPM++由DPM改进而来，可以自适应迭代步数，但速度很慢。
2M（2阶多步采样）比2S（2阶单步采样）质量更高，同样牺牲速度。
DPM fast速度快但质量最低。DPM adaptive自适应步数，效果不错但可能非常慢。SDE细节更丰富。
Karras系列
Karras系列使用了噪声时间表，一定程度上提高了质量。我推荐DPM++ 2M Karras，平衡性很好。就像找对象，不是最帅的，也不是最有钱的，但综合评分最高。
UniPC
最新、最快、较高质量。我最近一直在用这个，速度比Euler慢一点点，但质量好很多。就像你发现了新大陆，兴奋得想告诉所有人。
关于采样步数
不同采样方法需要的迭代步数不同，但基本在20~50步之间。超过50步，差别不大，就像煮面条煮太久反而糊了。我一般设30步，够用了。
四、其他参数：你以为不重要，其实影响很大
Restore faces（面部修复）
顾名思义，修复人脸。但有个问题——它带美颜磨皮效果。 如果你追求真实感，别开。我拍照片从来不开美颜，生成图片也一样。你想啊，真实的人脸哪有那么光滑？有点瑕疵才真实。
Tiling（无缝贴图/平铺图）
让纹理连接效果更好。但容易错乱，除非你搞设计，否则别开。我试过一次，生成了一张诡异的壁纸，图案全是错位的，像喝醉了酒画的。
Hires fix（高分辨率修复）
这事儿得重点说说。
Stable Diffusion 1.5模型训练用的是512x512分辨率，2.1模型新增了768x768。这意味着，你生成图片时最好宽度和高度有一边是512或768，否则可能出现两张图片拼接在一起的效果——就像你拍了两张照片强行拼在一起，接缝处很明显。
但是512x512的分辨率现在真不够用。这就需要高分辨率修复。
放大算法
Latent系列：重绘幅度低于0.5时会模糊，仅适用于重绘幅度高于0.5。
ESRGAN系列：
- ESRGAN_4x：适用于写实风格
- R-ESRGAN 4x+：全能选手
- R-ESRGAN 4x+ Anime6B：适用于二次元风格
SwinlR_4x：适用于厚涂插画。
LDSR：适用于写实风格，但速度慢。我试过一次，等得我泡了杯咖啡还没完。你想想，你等着出图，结果它慢得像蜗牛，那感觉，急死人。
Denoising strength（重绘幅度/去噪强度）
- 0：仅放大图片，不改变内容
- 0.3：放大的同时稍微改变原图
- 0.7：放大的同时改变部分原图
- 1：放大的同时完全改变原图
我一般设0.5-0.6，既能提升分辨率，又能保留原图的主要特征。就像装修房子，不是全拆了重装，而是保留主体结构，只做局部优化。
Refiner（SDXL精细化模型）
SDXL模型分两部分：基础模型和精细化模型。基础模型的操作跟1.5没区别，精细化模型的作用是对基础模型的生成图进行细节优化。只用基础模型也能生成，但两个模型一起用才是完整的SDXL。就像做菜，基础模型是食材，精细化模型是调料，缺一不可。
五、分辨率：你以为越大越好？其实不是
分辨率设置很关键。
SD 1.5模型训练的图片分辨率是512x512，SD2.1新增了768x768。几乎所有的模型训练尺寸都是512x512或768x768。
低于256x256时，SD性能受限，图像质量下降。高于1024x1024时，SD可能会胡乱处理，构图出问题，甚至产生怪异效果——就像你硬要在一张小桌子上放太多东西，肯定会塌。
我的建议：至少确保其中一个宽度或高度为512或768像素。 如果你想要高分辨率图像，先生成小分辨率的图，再用高清修复功能放大。
六、生成批次和CFG：数量和质量，你选哪个？
生成批次：每次生成多少组图像，随机种子按顺序递增。
每批数量：每组中包含的图像张数。选3批、每批4张，最终得到12张。
CFG参数：调节生成图像与提示词的相关性。值越高，图像越贴近提示词，但过高会导致饱和度过高、过曝——就像你太听话了，反而失去了自己的个性。
我一般设7-12。太低的话，AI自由发挥，跟提示词关系不大；太高的话，颜色刺眼，看着不舒服。
七、随机数种子：你以为它是随机的？其实是可控的
AI绘图的基本原理：从一张噪声图开始，通过不断调整优化，逐渐接近提示词，最终生成图片。
随机种子决定了这张初始噪声图。我用DPM++ 2M Karras采样模式，生成了从迭代步数1到15的对比图——步数为1时是纯粹的噪声图，随着步数增多，噪声慢慢汇聚成形，最终变成完整图片。那种感觉，就像看着一张白纸慢慢有了生命。
当你对某个生成效果满意时，固定随机种子。在硬件环境和参数设置不变的情况下，每次生成的图片能达到99%的相似度。
点击骰子按钮，随机种子变-1，每次都会用新的种子。
激活倒三角旁边的按钮，可以额外设置一个随机种子，通过调整差异强度，将两个种子的图片混合处理。
八、提示词：你以为越多越好？其实不是
提示词用逗号隔开，用尖括号调取LoRA或超网络模型。
排序建议：前缀（画质词+画风词+镜头效果+光照效果）+ 主体（人物&对象+姿势+服装+道具）+ 场景（环境+细节）
权重调整：
- (Prompt:权重)：数值大于1提高，小于1降低
- (Prompt)：权重为1.1
- {Prompt}：权重为1.05
- [Prompt]：权重减弱0.952
- ((Prompt)) = (Prompt:1.1x1.1)
我刚开始写提示词时，恨不得把所有词都塞进去。后来发现，简洁反而更好。 关键是要把最重要的特征放在前面。就像写文章，不是字数越多越好，而是重点突出。
九、底层原理：这部分有点硬核，但理解了以后调参就更有方向了
传统图像生成的算力困局
一张512x512的RGB图像包含786,432个参数（512x512x3）。计算机渲染它相当于处理784页A4纸填满数字的数学题。
若直接在像素空间训练扩散模型，单个注意力层的计算量达到O(512²x512²)=O(68,719,476,736)。这导致：
1. 8GB显存GPU无法承载1080P图像生成
2. 推理耗时超3分钟（RTX 3090实测）
稳定扩散的破局关键：潜在空间
潜在空间通过变分自编码器（VAE）将高维像素数据压缩至低维（如64x64x4），数据量减少97.9%（786,432→16,384）。计算复杂度降低4096倍。
这一设计使生成高清图像的内存占用减少64倍，推理速度提升25倍（RTX3090生成512px图像从180秒降至7秒）。
模型训练
图片在模型世界里不是色彩形式，而是一堆数字。
训练步骤：
1. 通过VAE的Encoder将高维图片数据压缩到低维潜在空间
2. 逐步向图片添加噪声（前向扩散过程）
3. 指定底模，底模通常是预训练的
4. 提示词通过CLIP转换为文本嵌入，与图片潜在空间结合，指导生成过程
十、进阶建议：别急着学新东西，先把基础打牢
1. 从1.5开始：虽然SD3和FLUX.1很火，但我建议新手从1.5版本开始。生态成熟、资源多、踩坑经验丰富。就像学开车，先从手动挡开始，再开自动挡就简单了。
2. 多试XYZ Plot：这个功能能帮你一次性对比不同参数的效果，省时省力。就像你买东西前先比较一下，选最合适的。
3. 别迷信参数：参数只是工具，审美才是核心。我见过有人用默认参数生成惊艳的作品，也见过有人调了半天参数还是四不像。就像画画，工具再好，没有想法也是白搭。
4. 关注新模型：SD3和FLUX.1系列值得关注。DiT架构、Flow Matching这些新技术，可能会改变游戏规则。就像手机，每年都有新功能，你不关注就会落后。
5. 保存好你的种子：遇到好的效果，记得保存种子和参数。我有个文件夹专门存“好图配方”，方便以后复现。
最后说一句，也是我最想告诉你的：
AI绘画这东西，技术只是门槛，创意才是天花板。
别纠结于参数，多花时间想清楚你要表达什么。参数调得再好，没有想法也是白搭。
以上，是我这些年的实操经验。希望能帮到你。
如果觉得有用，记得收藏。下次调参的时候，翻出来看看，也许能帮你省下几个小时的时间。
技术是门槛，审美才是天花板。
读者评论 4