在 AI 扩散模型生成的语境中,采样(Sampling)指的是这样一个过程:迭代地将模型学到的去噪函数应用于一个起始噪声场,直到把它转化为一张干净图像。采样器(或称采样算法)是这一迭代去噪过程的具体数学实现——它决定模型如何从第一步的最大噪声推进到最后一步解析出的干净图像,以及在生成质量、生成速度、所需步数与输出性格之间做出怎样的权衡。不同采样器对“从噪声到图像”这条路径的导航策略不同,即便提示词、种子与模型权重完全相同,它们也会产出不同的输出。

现存采样器之多,反映出多种不同的数学路径都在试图解决同一个底层问题:对反向扩散过程做数值积分。一些采样器(例如 DDIM,Denoising Diffusion Implicit Models)采用更大且更具确定性的步长,使得在比原始 DDPM(Denoising Diffusion Probabilistic Models)更少的步数下仍能产出合理输出。另一些采样器(如 Euler、Euler Ancestral、DPM-Solver、DEIS)基于数值常微分方程(ODE)求解器,并被适配到扩散过程中,以在不同的“速度—质量”取舍下实现快速且高质量的生成。带有 “a”(ancestral)后缀的采样器——如 Euler a、DPM2 a——会在每一步采样中引入随机性,即使在同一种子下也会在不同运行间产生差异;非 ancestral 采样器则是确定性的,只要种子与步数相同,就会产出完全一致的输出。采样器之间在实践层面的差别包括:达到可接受质量所需的步数、输出的光滑或纹理感、对提示词的贴合度与“创造性偏离”的倾向,以及多次运行结果的稳定性或变化性。

对 AI 生成工具的使用者来说,采样器选择是一项有实际意义的创作与技术决策,但相对于提示词质量与模型选择,其重要性有时会被高估。同样的提示词与设置下,不同采样器可能产出明显不同的输出性格:有的更平滑、更柔和;有的更锐利、更具纹理;有的更快收敛到可接受质量,有的则需要更多步数。花时间熟悉自己常用平台上的采样器在你最常用的模型上具体如何表现,是一笔回报很好的投入——这能让“选采样器”从“随便用个默认值”变成一个真正有意识的创作工具。对大多数实际场景而言,模型发布说明或社区指南中所推荐的默认采样器,往往是最稳妥的起点。