种子(Seed)

种子是一个数值,用于初始化决定 AI 生成起始噪声样式的随机数生成器。由于扩散模型从随机噪声出发,种子(它控制噪声“长什么样”)会显著影响最终输出。相同种子配以相同的提示词与设置,会产出完全相同或非常接近的结果。

在开始一轮提示词迭代前先设定一个固定种子。锁定种子后,生成一个基准输出。然后只改动提示词中某一具体元素:一段灯光描述、一个风格词、一项构图设定,再用同一固定种子重新生成。对比两次输出,理解这次提示改动具体如何影响了结果。这样分离变量,是理解你的提示词如何影响模型的最系统、最有效的方法。

通常可以:相同的种子、提示词、模型与设置会产出完全相同或非常接近的输出。不过,精确可复现性可能受以下因素影响:模型更新、生成平台基础设施的变更、不同硬件上的浮点精度差异,以及是否使用了 ancestral 采样器(它会在初始种子之外引入逐步随机性)。对关键的可复现性需求,不仅要记录种子,还要记录所有设置与具体的模型版本。

在保持提示词与所有其他设置不变的情况下改变种子,会产出一个反映相同内容方向的不同输出:相同的题材、风格与提示词所描述的构图目标,但通过不同的起始噪声样式实现,因而是不同的具体实例。变换种子是高效探索某个提示词可产出输出范围的方法,可从一组种子变体中挑出最佳结果。

随机种子由生成系统自动分配,从大量可能值中抽取,为每次生成产出独一无二的起点。固定种子是用户指定、在多次生成中保持不变的值,以实现可复现性与受控迭代。大多数平台默认使用随机种子以便探索,并提供为受控工作指定或锁定种子的能力。

对任何具有制作价值、或代表着朝创作目标推进的输出,是的。把种子连同提示词、模型与设置一起记录,构成 AI 生成工作的最低限度版本控制。没有它,那些部分依赖于有利种子的输出实际上就无法复现。即便是短暂的生成过程也可能产出值得保留的结果:记录种子的习惯开销极小,价值却很大。

会。一个种子值为某个具体模型的生成过程初始化噪声生成。同一种子值用在不同模型上(它们有不同的架构、训练权重与噪声过程)会产出不同的噪声样式,因而产出不同的输出。种子是模型特定的,无法在不同模型架构或版本之间传递有意义的可复现性。

种子是 AI 生成输出中变化的主要来源之一。在固定提示词的情况下变换种子,会产出一族相关的输出:它们都反映提示词的内容与风格方向,但每一个都是该方向的不同具体实现。各种子之间的变化幅度,能反映提示词对输出的约束有多紧:非常具体、详尽的提示词在各种子间产生的变化更小;模糊或开放的提示词产生的变化更大。种子变化是任何生成工作流开始阶段的有用探索工具。