1. 刚接触 Stable Diffusion 时那些术语到底在说什么如果你刚把 Stable Diffusion 装好打开 WebUI 看到满屏的 Sampler、CFG Scale、Seed、Denoising Strength大概率会有点懵。这些词不是随便起的每一个都直接决定你出图的风格、速度和质量。我见过太多人卡在第一步参数乱填出图要么糊成一团要么完全不听提示词的话。Stable Diffusion 本质上是一个文本到图像的扩散模型。它从一张纯噪声图开始通过多次“去噪”逐步还原出清晰图像。采样器决定怎么去噪CFG Scale 决定听提示词听到什么程度Seed 决定随机起点Denoising Strength 决定图生图时改多少。这四个术语是调参的核心搞懂它们你就能从“碰运气出图”变成“可控出图”。这篇文章面向刚接触 Stable Diffusion 的开发者不堆理论直接给一套可复制的参数配置模板和逐项验证步骤。你可以在本地环境跑也可以在云端环境跑。我会用 TaoToken 作为模型调用入口来演示因为它提供了统一的 API 接口方便你在代码里直接调参验证。下面从最基础的术语含义开始然后一步步配置、请求、排错。2. TaoToken 前置准备拿到调用 Stable Diffusion 的入口在开始调参之前你需要一个能稳定调用模型的入口。TaoToken 提供了兼容 OpenAI 风格的 API你可以用它来请求模型对话、生成图像等能力。对于 Stable Diffusion 的参数验证我们主要用它的 API 来发送请求并观察不同参数下的输出差异。首先访问官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册账号。注册完成后进入控制台 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 创建 API Key。这个 Key 就是你后续所有请求的凭证格式通常是一串以 sk- 开头的字符串。创建 Key 的路径是控制台 → API Keys → 新建密钥。建议给 Key 起一个容易识别的名字比如“sd-param-test”方便后续管理。创建后立即复制保存因为页面刷新后就不再完整显示。接下来你需要确认要调用的模型 ID。TaoToken 支持多种模型对于 Stable Diffusion 相关的图像生成任务你可以在模型对话页面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 查看可用模型列表。如果你要做的是纯文本参数解析和调参逻辑验证也可以用对话模型来模拟参数对输出描述的影响。拿到 Base URL 和 API Key 后你的请求三件套就齐了配置项值Base URLhttps://taotoken.net/apiAPI Keysk-你的密钥Model ID按需选择如 gpt-4o 或图像模型如果你使用 Claude Code 或 Cline 这类编码工具可以在设置里填入上述 Base URL 和 Key。对于 Claude Code还需要配置 Anthropic 兼容端点具体路径是 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 查看接入文档。注意API Key 不要硬编码在公开代码里建议用环境变量管理。下面配置示例中我会用TAOTOKEN_API_KEY这个变量名。3. 可复制配置采样器、CFG Scale、Seed、Denoising Strength 参数模板这一节给你一套可以直接复制使用的配置模板。我会用 JSON 和 TOML 两种格式给出你可以根据自己的工具链选择。重点是把采样器、CFG Scale、Seed、Denoising Strength 这四个核心参数显式写出来方便逐项修改验证。先看 JSON 格式的请求体模板适用于直接调用 API 的场景{ model: your-model-id, prompt: a serene mountain lake at sunrise, highly detailed, 8k, negative_prompt: blurry, low quality, distorted, sampler_name: DPM 2M Karras, cfg_scale: 7, seed: 123456789, steps: 25, denoising_strength: 0.6, width: 512, height: 512 }如果你用的是 AUTOMATIC1111 WebUI 的配置文件可以写成 TOML 或 YAML。下面是config.toml片段[generation] sampler_name DPM 2M Karras cfg_scale 7.0 seed 123456789 steps 25 denoising_strength 0.6 width 512 height 512 [prompt] positive a serene mountain lake at sunrise, highly detailed, 8k negative blurry, low quality, distorted对于 ComfyUI 用户节点里的参数名可能略有不同但核心字段一致。你可以在 KSampler 节点里找到sampler_name、cfg、seed、denoise这四个输入。现在逐项解释每个参数的含义和调参逻辑。采样器Sampler决定去噪算法。常见的有 Euler、Euler a、DPM 2M、DPM 2M Karras、DDIM、LMS 等。Euler 最简单最快Euler a 带随机性每次出图略有不同。DPM 2M Karras 在质量和速度之间平衡较好适合大多数场景。DDIM 是早期采样器现在用得少了。Karras 噪声调度会让去噪过程更平滑通常能提升细节。CFG Scale 控制提示词遵循程度。范围一般是 1 到 20。太低1-3会导致图像不按提示词走太高15会导致色彩过饱和、画面僵硬。7 到 9 是常用区间。你可以这样理解CFG 是“听话程度”太低就放飞自我太高就死板。Seed 是随机种子。相同的 Seed 加相同的参数会得到相同图像。设为 -1 表示每次随机。固定 Seed 可以复现结果方便对比不同参数的影响。比如你想测试 CFG 7 和 CFG 9 的区别固定 Seed 后只改 CFG就能看出纯参数影响。Denoising Strength 只在图生图img2img中生效。范围 0 到 1。0 表示完全不改输入图1 表示完全重新生成。0.3 到 0.6 是常用区间。低值保留原图结构高值让模型自由发挥。做风格转换时用 0.5 左右做轻微修复时用 0.2 到 0.3。Steps 是采样步数。20 到 30 步通常够用超过 40 步收益递减。步数太少低于 15会导致图像不完整。提示如果你在 TaoToken 的模型对话页面测试参数逻辑可以把上述 JSON 作为请求体发送观察返回结果中的参数回显。实际图像生成需要调用图像模型端点。4. 验证请求用 curl 和 Python 逐项测试参数影响配置写好后下一步是发请求验证。我会给你 curl 和 Python 两种方式并说明如何逐项改变参数来观察结果。先用 curl 发一个基础请求。把YOUR_API_KEY替换成你的实际 Keycurl -X POST https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_API_KEY \ -d { model: your-model-id, messages: [ {role: user, content: 解释 Stable Diffusion 中 CFG Scale 的作用} ], temperature: 0.7 }如果返回 200 并且有正常内容说明你的 Key 和 Base URL 配置正确。接下来用 Python 脚本做参数对比测试import os import requests API_KEY os.environ.get(TAOTOKEN_API_KEY) BASE_URL https://taotoken.net/api def test_cfg(cfg_value): payload { model: your-model-id, messages: [ {role: user, content: fCFG Scale 设为 {cfg_value} 时出图会有什么变化} ], temperature: 0.3 } headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } resp requests.post(f{BASE_URL}/v1/chat/completions, jsonpayload, headersheaders) return resp.json() for cfg in [3, 7, 12]: result test_cfg(cfg) print(fCFG{cfg}: {result[choices][0][message][content][:80]})运行后你会看到不同 CFG 值下模型对参数影响的描述。这虽然不能直接出图但能帮你快速理解参数语义。实际出图时你需要在图像生成端点里传入cfg_scale字段。对于采样器对比你可以固定 Seed 和 CFG只改sampler_name然后观察生成图像的细节差异。建议用同一提示词跑三组Euler、DPM 2M Karras、DDIM。你会看到 Euler 出图快但细节少DPM 2M Karras 细节更丰富DDIM 介于两者之间。Denoising Strength 的验证需要一张输入图。你可以用同一张图分别设 0.2、0.5、0.8 跑 img2img。0.2 时原图结构几乎不变0.5 时风格开始转换0.8 时原图信息基本丢失。成功的结果是每个参数单独变化时输出有可观察的差异。如果所有参数改完输出都一样说明你的请求没有真正传到模型或者参数名写错了。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth调参过程中最容易遇到的几个报错我逐个说明原因和解决方法。401 Unauthorized这是最常见的错误。原因通常是 API Key 没填、填错、或者 Key 已过期。检查你的Authorization头是否写成Bearer sk-xxx注意 Bearer 后面有一个空格。如果你用的是环境变量确认变量名拼写正确并且脚本能读到。在 TaoToken 控制台重新生成一个 Key 再试。local proxy failed这个报错通常出现在你本地设置了网络代理但代理没有正常转发请求。解决方法是检查你的代理配置或者临时关闭代理后重试。如果你在公司内网可能需要配置NO_PROXY环境变量把taotoken.net加进去。reading choices 报错这通常是因为返回的 JSON 结构和你代码里解析的字段不一致。比如你期望response[choices][0][message][content]但实际返回的是错误信息没有choices字段。解决方法是先打印完整响应体确认结构后再解析。可以用print(resp.text)查看原始返回。OAuth 相关错误如果你使用 Claude Code 或 Cline 这类工具可能会遇到 OAuth 认证失败。这时需要检查你的 Base URL 是否填成了https://taotoken.net/api以及是否在工具设置里正确选择了 Anthropic 兼容模式。对于 Claude Code还需要在settings.json里配置ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY。具体配置参考接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite。另外如果你在 Cline 里配置 MCP需要确保三件套完整Base URL、API Key、Model ID。缺一个都会导致连接失败。Codex 的auth.json里也要填对api_base和api_key。注意不要在生产环境直接连数据库或敏感服务。调参测试用本地或隔离环境即可。6. 从术语到手感把参数调成你自己的直觉参数表看再多不如自己跑一遍。我建议你按这个顺序做一次完整验证先固定 Seed 和 Steps只改 CFG从 3 到 12 跑五组感受“听话程度”的变化。然后固定 CFG只改采样器跑三组感受细节和速度的差异。最后拿一张图做 img2img只改 Denoising Strength从 0.2 到 0.8 跑四组感受“改多少”的边界。跑完这一轮你对采样器、CFG Scale、Seed、Denoising Strength 的理解就不再是文字定义而是手上的直觉。之后你看到任何新术语比如 Karras、LCM、Turbo都能把它归到“去噪算法”或“加速方法”这两个大类里学起来会快很多。如果你需要长期做编码和 Agent 相关的任务可以了解 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite它提供了更适合开发者的调用方案。日常验证模型能力用模型对话页面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 就够了。API Key 管理在控制台 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite接入细节看文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite。最后留一个实用技巧把你最常用的参数组合存成一个 JSON 文件每次测试新提示词时直接加载只改提示词本身。这样能把变量控制到最少出图效果对比才清晰。 
长河君 · 2026/10/9 14:48:35 · 阅读 1.2k Stable Diffusion常用术语解析：从采样器到CFG Scale的TaoToken实践指南
1. 刚接触 Stable Diffusion 时那些术语到底在说什么如果你刚把 Stable Diffusion 装好打开 WebUI 看到满屏的 Sampler、CFG Scale、Seed、Denoising Strength大概率会有点懵。这些词不是随便起的每一个都直接决定你出图的风格、速度和质量。我见过太多人卡在第一步参数乱填出图要么糊成一团要么完全不听提示词的话。Stable Diffusion 本质上是一个文本到图像的扩散模型。它从一张纯噪声图开始通过多次“去噪”逐步还原出清晰图像。采样器决定怎么去噪CFG Scale 决定听提示词听到什么程度Seed 决定随机起点Denoising Strength 决定图生图时改多少。这四个术语是调参的核心搞懂它们你就能从“碰运气出图”变成“可控出图”。这篇文章面向刚接触 Stable Diffusion 的开发者不堆理论直接给一套可复制的参数配置模板和逐项验证步骤。你可以在本地环境跑也可以在云端环境跑。我会用 TaoToken 作为模型调用入口来演示因为它提供了统一的 API 接口方便你在代码里直接调参验证。下面从最基础的术语含义开始然后一步步配置、请求、排错。2. TaoToken 前置准备拿到调用 Stable Diffusion 的入口在开始调参之前你需要一个能稳定调用模型的入口。TaoToken 提供了兼容 OpenAI 风格的 API你可以用它来请求模型对话、生成图像等能力。对于 Stable Diffusion 的参数验证我们主要用它的 API 来发送请求并观察不同参数下的输出差异。首先访问官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册账号。注册完成后进入控制台 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 创建 API Key。这个 Key 就是你后续所有请求的凭证格式通常是一串以 sk- 开头的字符串。创建 Key 的路径是控制台 → API Keys → 新建密钥。建议给 Key 起一个容易识别的名字比如“sd-param-test”方便后续管理。创建后立即复制保存因为页面刷新后就不再完整显示。接下来你需要确认要调用的模型 ID。TaoToken 支持多种模型对于 Stable Diffusion 相关的图像生成任务你可以在模型对话页面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 查看可用模型列表。如果你要做的是纯文本参数解析和调参逻辑验证也可以用对话模型来模拟参数对输出描述的影响。拿到 Base URL 和 API Key 后你的请求三件套就齐了配置项值Base URLhttps://taotoken.net/apiAPI Keysk-你的密钥Model ID按需选择如 gpt-4o 或图像模型如果你使用 Claude Code 或 Cline 这类编码工具可以在设置里填入上述 Base URL 和 Key。对于 Claude Code还需要配置 Anthropic 兼容端点具体路径是 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 查看接入文档。注意API Key 不要硬编码在公开代码里建议用环境变量管理。下面配置示例中我会用TAOTOKEN_API_KEY这个变量名。3. 可复制配置采样器、CFG Scale、Seed、Denoising Strength 参数模板这一节给你一套可以直接复制使用的配置模板。我会用 JSON 和 TOML 两种格式给出你可以根据自己的工具链选择。重点是把采样器、CFG Scale、Seed、Denoising Strength 这四个核心参数显式写出来方便逐项修改验证。先看 JSON 格式的请求体模板适用于直接调用 API 的场景{ model: your-model-id, prompt: a serene mountain lake at sunrise, highly detailed, 8k, negative_prompt: blurry, low quality, distorted, sampler_name: DPM 2M Karras, cfg_scale: 7, seed: 123456789, steps: 25, denoising_strength: 0.6, width: 512, height: 512 }如果你用的是 AUTOMATIC1111 WebUI 的配置文件可以写成 TOML 或 YAML。下面是config.toml片段[generation] sampler_name DPM 2M Karras cfg_scale 7.0 seed 123456789 steps 25 denoising_strength 0.6 width 512 height 512 [prompt] positive a serene mountain lake at sunrise, highly detailed, 8k negative blurry, low quality, distorted对于 ComfyUI 用户节点里的参数名可能略有不同但核心字段一致。你可以在 KSampler 节点里找到sampler_name、cfg、seed、denoise这四个输入。现在逐项解释每个参数的含义和调参逻辑。采样器Sampler决定去噪算法。常见的有 Euler、Euler a、DPM 2M、DPM 2M Karras、DDIM、LMS 等。Euler 最简单最快Euler a 带随机性每次出图略有不同。DPM 2M Karras 在质量和速度之间平衡较好适合大多数场景。DDIM 是早期采样器现在用得少了。Karras 噪声调度会让去噪过程更平滑通常能提升细节。CFG Scale 控制提示词遵循程度。范围一般是 1 到 20。太低1-3会导致图像不按提示词走太高15会导致色彩过饱和、画面僵硬。7 到 9 是常用区间。你可以这样理解CFG 是“听话程度”太低就放飞自我太高就死板。Seed 是随机种子。相同的 Seed 加相同的参数会得到相同图像。设为 -1 表示每次随机。固定 Seed 可以复现结果方便对比不同参数的影响。比如你想测试 CFG 7 和 CFG 9 的区别固定 Seed 后只改 CFG就能看出纯参数影响。Denoising Strength 只在图生图img2img中生效。范围 0 到 1。0 表示完全不改输入图1 表示完全重新生成。0.3 到 0.6 是常用区间。低值保留原图结构高值让模型自由发挥。做风格转换时用 0.5 左右做轻微修复时用 0.2 到 0.3。Steps 是采样步数。20 到 30 步通常够用超过 40 步收益递减。步数太少低于 15会导致图像不完整。提示如果你在 TaoToken 的模型对话页面测试参数逻辑可以把上述 JSON 作为请求体发送观察返回结果中的参数回显。实际图像生成需要调用图像模型端点。4. 验证请求用 curl 和 Python 逐项测试参数影响配置写好后下一步是发请求验证。我会给你 curl 和 Python 两种方式并说明如何逐项改变参数来观察结果。先用 curl 发一个基础请求。把YOUR_API_KEY替换成你的实际 Keycurl -X POST https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_API_KEY \ -d { model: your-model-id, messages: [ {role: user, content: 解释 Stable Diffusion 中 CFG Scale 的作用} ], temperature: 0.7 }如果返回 200 并且有正常内容说明你的 Key 和 Base URL 配置正确。接下来用 Python 脚本做参数对比测试import os import requests API_KEY os.environ.get(TAOTOKEN_API_KEY) BASE_URL https://taotoken.net/api def test_cfg(cfg_value): payload { model: your-model-id, messages: [ {role: user, content: fCFG Scale 设为 {cfg_value} 时出图会有什么变化} ], temperature: 0.3 } headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } resp requests.post(f{BASE_URL}/v1/chat/completions, jsonpayload, headersheaders) return resp.json() for cfg in [3, 7, 12]: result test_cfg(cfg) print(fCFG{cfg}: {result[choices][0][message][content][:80]})运行后你会看到不同 CFG 值下模型对参数影响的描述。这虽然不能直接出图但能帮你快速理解参数语义。实际出图时你需要在图像生成端点里传入cfg_scale字段。对于采样器对比你可以固定 Seed 和 CFG只改sampler_name然后观察生成图像的细节差异。建议用同一提示词跑三组Euler、DPM 2M Karras、DDIM。你会看到 Euler 出图快但细节少DPM 2M Karras 细节更丰富DDIM 介于两者之间。Denoising Strength 的验证需要一张输入图。你可以用同一张图分别设 0.2、0.5、0.8 跑 img2img。0.2 时原图结构几乎不变0.5 时风格开始转换0.8 时原图信息基本丢失。成功的结果是每个参数单独变化时输出有可观察的差异。如果所有参数改完输出都一样说明你的请求没有真正传到模型或者参数名写错了。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth调参过程中最容易遇到的几个报错我逐个说明原因和解决方法。401 Unauthorized这是最常见的错误。原因通常是 API Key 没填、填错、或者 Key 已过期。检查你的Authorization头是否写成Bearer sk-xxx注意 Bearer 后面有一个空格。如果你用的是环境变量确认变量名拼写正确并且脚本能读到。在 TaoToken 控制台重新生成一个 Key 再试。local proxy failed这个报错通常出现在你本地设置了网络代理但代理没有正常转发请求。解决方法是检查你的代理配置或者临时关闭代理后重试。如果你在公司内网可能需要配置NO_PROXY环境变量把taotoken.net加进去。reading choices 报错这通常是因为返回的 JSON 结构和你代码里解析的字段不一致。比如你期望response[choices][0][message][content]但实际返回的是错误信息没有choices字段。解决方法是先打印完整响应体确认结构后再解析。可以用print(resp.text)查看原始返回。OAuth 相关错误如果你使用 Claude Code 或 Cline 这类工具可能会遇到 OAuth 认证失败。这时需要检查你的 Base URL 是否填成了https://taotoken.net/api以及是否在工具设置里正确选择了 Anthropic 兼容模式。对于 Claude Code还需要在settings.json里配置ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY。具体配置参考接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite。另外如果你在 Cline 里配置 MCP需要确保三件套完整Base URL、API Key、Model ID。缺一个都会导致连接失败。Codex 的auth.json里也要填对api_base和api_key。注意不要在生产环境直接连数据库或敏感服务。调参测试用本地或隔离环境即可。6. 从术语到手感把参数调成你自己的直觉参数表看再多不如自己跑一遍。我建议你按这个顺序做一次完整验证先固定 Seed 和 Steps只改 CFG从 3 到 12 跑五组感受“听话程度”的变化。然后固定 CFG只改采样器跑三组感受细节和速度的差异。最后拿一张图做 img2img只改 Denoising Strength从 0.2 到 0.8 跑四组感受“改多少”的边界。跑完这一轮你对采样器、CFG Scale、Seed、Denoising Strength 的理解就不再是文字定义而是手上的直觉。之后你看到任何新术语比如 Karras、LCM、Turbo都能把它归到“去噪算法”或“加速方法”这两个大类里学起来会快很多。如果你需要长期做编码和 Agent 相关的任务可以了解 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite它提供了更适合开发者的调用方案。日常验证模型能力用模型对话页面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 就够了。API Key 管理在控制台 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite接入细节看文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite。最后留一个实用技巧把你最常用的参数组合存成一个 JSON 文件每次测试新提示词时直接加载只改提示词本身。这样能把变量控制到最少出图效果对比才清晰。