在ComfyUI里，采样器是控制AI如何一步步将"纯粹噪声"转化为"最终图像"的核心算法，就像一位雕塑家，每一次下刀都决定着作品的细节与神韵。
从架构上，这些算法主要分为两大流派：ODE求解器（常微分方程求解器）和SDE求解器（随机微分方程求解器）。
- ODE求解器：逻辑严谨，路径清晰可循，适合追求稳定、高质量出图的场景。
- SDE求解器：过程更为奔放，会主动引入随机噪声，因此画面更具创意和艺术美感，但每次生成的结果都会有独特的差异。
市面上的所有采样器，几乎都可以看作是这两种技术路线的变体和组合。
⚙️ ComfyUI 采样器「完全」图鉴
为了方便你理解，我将ComfyUI中常用的主流和进阶采样器，按算法特性和应用场景重新分类。
🚀 经典实用系列 (DPM & DPM2)
这个系列是Stable Diffusion初代时期的经典采样器，它们奠定了扩散模型早期采样的基础。
|-----------------------|---------------------------------------------|----|----|-------|
| 采样器名称 | 核心特点与简介 | 速度 | 画质 | 推荐步数 |
| dpm_2 | 二阶采样器，质量高但收敛慢，比 euler 更精致，但效率较低。 | 慢 | 较高 | 20-30 |
| dpm_2_ancestral | dpm_2 的"祖先"版本，每次迭代都会引入额外噪声，生成结果更具随机性。 | 慢 | 较高 | 20-30 |
| dpm_fast | 顾名思义，专为加速设计的采样器，能在较少步数内取得良好效果。 | 快 | 中 | 10-15 |
| dpm_adaptive | 自适应采样器，可根据图像特征自动调整步长，力求精准。 | 极慢 | 高 | 自调节 |
🏆 主力首选系列 (DPM++)
这是目前最受推荐的系列，代表了现代采样算法的技术水平，尤其适合追求高质量和稳定性的场景。
|--------------------------|------------------------------------------------------------------------|----|----|-------|
| 采样器名称 | 核心特点与简介 | 速度 | 画质 | 推荐步数 |
| dpmpp_2m | 通用首选。DPM++ 2M (M代表多步) 是平衡速度与质量的标杆，效果稳定且出色，是目前大多数工作流中最常见的选择。 | 快 | 高 | 20-30 |
| dpmpp_2m_sde | 真实感首选 。在dpmpp_2m基础上加入了SDE策略，图像更平滑，光影和景深处理极其出色，适合追求照片级真实感的场景。 | 中 | 极高 | 15-25 |
| dpmpp_2s_ancestral | 创意首选。2S代表二阶单步，搭配祖先采样，生成过程富有创造性，结果生动多变。 | 中 | 高 | 15-25 |
| dpmpp_3m_sde | 细节之王。更高阶的采样方法，在图像保真度和细节保留上达到新的高度，是追求极致画质用户的首选。 | 慢 | 极高 | 20-30 |
| dpmpp_sde | dpmpp_2m_sde 的前身，同样注重真实感与平滑度。 | 慢 | 高 | 15-20 |
🔧 基础稳健系列 (Euler, Heun, LMS)
这些是经典的数值解法器，是理解和调试其他复杂算法的基础。
|-----------------------|----------------------------------------------|----|----|-------|
| 采样器名称 | 核心特点与简介 | 速度 | 画质 | 推荐步数 |
| euler | 最基础的采样算法之一，速度快，生成的图像细节清晰但可能略显生硬。 | 极快 | 中 | 20-40 |
| euler_ancestral | euler 的"祖先"版本，每一步都添加噪声，画面富于变化和艺术感。 | 快 | 中高 | 15-25 |
| heun | 二阶方法，比 euler 更精准，结果更稳定，能更好地平衡速度与质量。 | 中 | 较高 | 20-40 |
| heunpp2 | heun 的改进版，精度更高，细节保留更丰富，尤其在高低权重转换上表现更优。 | 中慢 | 高 | 20-30 |
| lms | 源自 PNDM，收敛速度快，能在较少步数内达到不错的画质。 | 快 | 中高 | 20-30 |
🧪 前沿与扩展系列 (UniPC, DDIM, LCM)
这些采样器各有专攻，或在特定任务上表现亮眼。
|------------------|------------------------------------------|----|----|---------|
| 采样器名称 | 核心特点与简介 | 速度 | 画质 | 推荐步数 |
| uni_pc | 统一预测器校正器框架，通过多步预测来提升效率和画质，适合对精细度有高要求的场景。 | 快 | 高 | 10-20 |
| uni_pc_bh2 | uni_pc 的改进版，引入了二阶修正，细节和一致性表现更佳。 | 中 | 极高 | 10-20 |
| ddim | 经典的确定性采样器，通过隐式模型实现快速、稳定的采样，便于调试和寻找优质种子。 | 快 | 较高 | 10-20 |
| ddpm | 原始的扩散概率模型采样器，速度慢，画质一般，主要用于学术研究。 | 极慢 | 中 | 40-100+ |
| lcm | 潜在一致性模型采样器，能以极少步数（如4-8步）快速生成图像。 | 极快 | 中高 | 4-8 |
| deis | 一种利用指数积分的高阶求解器，提供了新的采样思路。 | 中 | 高 | 15-25 |
⚡ GPU 优化与实验性系列
这些采样器主要针对性能或特定研究领域。
|------------------------|----------------------------------------------|----|----|-------|
| 采样器名称 | 核心特点与简介 | 速度 | 画质 | 推荐步数 |
| dpmpp_sde_gpu | dpmpp_sde 的GPU优化版，通过并行计算显著提升生成速度。 | 极快 | 高 | 15-20 |
| dpmpp_2m_sde_gpu | dpmpp_2m_sde 的GPU优化版，在保持真实感的同时大幅提速。 | 极快 | 极高 | 15-25 |
| dpmpp_3m_sde_gpu | dpmpp_3m_sde 的GPU优化版，适合追求极致细节且显存充足的用户。 | 快 | 极高 | 20-30 |
| res_multistep系列 | 残差多步采样器，通过整合多个步骤来增强生成稳定性。 | 中 | 高 | 20-30 |
| er_sde | 基于随机微分方程的采样器，方法较新颖，适合研究尝试。 | 慢 | 中高 | 20-30 |
💡 一张图看懂采样器与调度器的「最佳搭档」
采样器负责"如何降噪"，而调度器 (Scheduler) 则决定了"降噪的快慢节奏"，二者相辅相成。
下表是官方推荐的一些"最佳搭档"组合，能帮你稳定地获得高质量结果。
|-----------------------|------------------------|-----------------------|
| 采样器 (Sampler) | 最佳搭档调度器 (Scheduler) | 为何是最佳搭档 |
| euler | normal | 产出速度快、细节锐利的草图风格图像。 |
| euler_ancestral | exponential | 创造出梦幻、柔和的光影过渡，艺术感极强。 |
| dpmpp_2m | karras | 行业黄金标准，质量与平衡性俱佳。 |
| dpmpp_2m_sde | karras | 真实感极强，光影和景深处理完美。 |
| dpmpp_3m_sde | linear_quadratic | 适用于复杂场景生成，能产生丰富的色彩渐变。 |
🛠️ 新手直接抄作业
如果你希望快速上手，建议从以下两个组合开始尝试：
组合一：快速出图 (追求速度与创意)
- 采样器 :
euler_ancestral - 调度器 :
exponential(或karras) - 步数: 20-30步
组合二：高质量出图 (追求稳定与写实，适合绝大多数工作流)
- 采样器 :
dpmpp_2m或dpmpp_2m_sde_gpu - 调度器 :
karras或sgm_uniform - 步数: 20-40步
采样器的选择，其实就是一场关于速度、质量和随机性 的平衡。在你熟悉基础参数后，也可以尝试 dpmpp_3m_sde_gpu 搭配 linear_quadratic 调度器，它对处理复杂场景和丰富色彩渐变很有优势。
希望这份详细的分类能帮你理清头绪。如果想针对某个具体风格或任务（比如动漫、写实）进行微调，也欢迎随时再和我聊聊～