我最早用 Stable Diffusion 的时候，每次出图都老老实实把步数拉到 50，心理上觉得“步数越多，画得越仔细”。直到有一天赶时间，随手降到 20 步，结果生成的图几乎一模一样。我盯着两张图来回切，硬是没看出 50 步在哪儿多画了一笔。这让我特别困惑，于是开始翻论文、看源码，想把这件事彻底搞清楚。后来发现，这个问题的答案比我想象的更有意思——它藏在扩散模型去噪过程的数学里，也藏在采样器的设计哲学里。
一张图是怎么从噪声里“浮”出来的
要理解步数，得先知道扩散模型怎么画画。它不是一笔一笔描，而是从一张纯噪声图开始，一步步“去噪”，每步去掉一点点噪声，同时让图像结构逐渐浮现出来。这个过程的原始版本（DDPM，Denoising Diffusion Probabilistic Models）需要 1000 步。每一步，模型预测当前画面中的噪声，然后减去一小部分，得到一张噪声稍少的图，再送进下一步。你可以想象成：把一张照片反复叠上一层层半透明噪声，叠 1000 次后完全看不清；反过来，一张一张揭掉这些噪声层，最后照片还原。但 1000 步实在太慢了，出一张图要跑好几分钟。
后来研究者的思路变了：能不能不揭 1000 次，只揭 20 次，但每次揭得聪明一点？这就引出了采样器的革命。
从 1000 步到 20 步，采样器在偷偷“跳步”
关键突破来自 2021 年的 DDIM（Denoising Diffusion Implicit Models）。它发现扩散模型去噪的过程在数学上可以看成一个常微分方程（ODE），而解这个方程不需要一步步老老实实走，可以大步跳。简单说，DDIM 把 1000 步的序列压缩成 50 步或更少，每一大步直接估算中间状态，结果和原版几乎一样。这就像你从北京开车到上海，原版路线是每个服务区都停，DDIM 是直接走高速，中间只停几个大站，到达时间一样，目的地也一样。
后来更快的采样器出现了，比如 DPM-Solver（DPM-Solver）和它的变体 DPM++ 2M。它们把 ODE 的数值解法优化到极致，用 10-15 步就能达到接近 50 步 DDIM 的质量。这些采样器在 Stable Diffusion 社区里被疯狂使用，因为每省一步就省一秒，批量出图时差距巨大。
为什么 20 步和 50 步看起来一样？关键时刻在头几步
这就回到了我最初的困惑。我后来用 X/Y 图对比各种步数，发现一个规律：步数增加带来的画面变化集中在最初的 10-15 步，后面几乎只是在微调边缘和极细微的纹理。（Stable Diffusion Art 上有大量对比图可以验证）
扩散模型在去噪的早期阶段（高噪声阶段）决定了图像的全局构图——主体在哪儿、大色块怎么分布。如果这几步稳定了，后面的步数只是在细化局部，比如头发丝的走向、布料褶皱的锐度。而人类视觉对整体构图更敏感，一旦构图一致，后面细节的微小差异我们很难一眼看出，特别是当图像被缩小到社交媒体的尺寸时。
另一个更根本的原因：很多现代采样器在设计上就是为了“收敛快”。比如 DPM++ 2M Karras，它用了一种叫 Karras 噪声调度的方法，让去噪步长在早期更大、后期更小，恰好匹配了图像生成的自然规律。所以它在 20 步时，已经非常接近该采样器能达到的“上限”了，再加到 50 步，也只是在极小的数值误差上反复打磨，肉眼分辨不出。
不同采样器，步数的影响天差地别
不是所有采样器都这么“省步”。下表是我实测和参考社区讨论（AUTOMATIC1111 Wiki）整理出的对比，能帮你看清步数到底该怎么选：
| 采样器 | 最低可用步数 | 推荐步数 | 超过推荐后的变化 |
|---|---|---|---|
| Euler a | 15 | 20-30 | 构图可能轻微漂移，细节随机变化（因为 a 代表 ancestral，每一步注入噪声） |
| Euler | 15 | 20-30 | 几乎无变化，收敛极快 |
| DDIM | 20 | 30-50 | 逐步收敛，但 50 步以上收益极低 |
| DPM++ 2M Karras | 10 | 15-25 | 极微，20 步后基本锁死 |
| DPM++ SDE Karras | 10 | 15-25 | 收敛快，但 SDE 随机性会带来细微纹理变化 |
| LMS | 20 | 30-40 | 缓慢收敛，需要更多步 |
注意 Euler a 这种带“a”的采样器，它在每一步会重新添加少量随机噪声，所以即使步数很高，画面也不是完全收敛，而是会持续产生微小的构图和细节变化。这有时被用来创造“多样性”，但如果你想稳定复现结果，就不要用 ancestral 采样器，或者把步数降到 20-30 并固定种子。
步数多到一定程度，反而可能“画脏”
有一个反直觉的事实：无限增加步数并不会让图像无限变好。 因为扩散模型在去噪到极低噪声水平时，数值误差会开始累积，模型预测的微小噪声可能不够准确，导致画面出现奇怪的纹理或噪点，这在肖像画中尤其明显，皮肤会莫名出现颗粒感。
另外，步数过多也会放大 CFG（Classifier-Free Guidance）带来的副作用。CFG 值越高，模型越倾向于生成“符合提示词”的内容，但也会让图像对比度过高、色彩溢出。当步数很多时，CFG 的这种“过驱动”效应会被反复叠加，最终生成一张塑料感很强、饱和度爆炸的图。所以有时候 20 步看着比 50 步更自然，这不是错觉，是 CFG 在捣乱。
什么时候你才需要更多步数？
虽然结论是 20 步大多够用，但有两种情况我会主动拉到 40-50 步：
- 极高分辨率（比如 2048×2048 以上直接生成，不用 upscale）。高分辨率意味着每个像素去噪需要更精细的控制，步数太少容易留下块状噪声。
- 需要极其精细的纹理，比如皮革、木纹、复杂织物，而且你打算放大 100% 检查。这时候多步数带来的细微差异能被看出来。
除此之外，日常出图我都在 20-25 步，省下的时间多跑几张图，往往比抠那一点步数收益大得多。
关于步数的常见误解
步数越多，显存占用越大？
不会。步数只影响生成时间，不影响显存。每一步的模型推理占用是固定的，步数多了只是重复跑多次，显存不变。
步数和 CFG 值怎么配合？
高 CFG（>10）时，步数不宜过高，否则容易过饱和；低 CFG 时，可以适当增加步数来提升细节，但依旧不必超过 30。我的习惯是：CFG 7-9 配 20-25 步，CFG 4-6 配 25-30 步。
用 SDXL 和 SD1.5 步数一样吗？
原则相同，但 SDXL 常用的 DPM++ 2M Karras 在 15 步就能出很好效果，可以更省。具体可参考社区测试。
为什么有些采样器最低步数标 10，但 10 步画出来很糊？
最低步数只是“能跑”，不代表质量好。通常需要比最低步数多 5-10 步才能达到可接受的质量。
我的选择：别纠结步数，先选对采样器
折腾了这么久，我最大的体会是：采样器选错，步数再多也救不回来；采样器选对，20 步就够。 如果你刚开始用 Stable Diffusion，建议直接锁定 DPM++ 2M Karras 或 Euler a，步数设 20-25，然后忘掉这个参数，去调整 prompt 和 seed 更实在。等你对画面细节有极致要求的那一天，再来细扣步数——到那时候，这篇文章的每一个字你都会自己验证一遍。
原创文章，作者：guanweilu，如若转载，请注明出处：https://guanweilu.cn/article/106.html