1. EDM Sampler 到底在 Stable Diffusion 里扮演什么角色

第一次在 Stable Diffusion 的采样器下拉框里看到 EDM 相关的选项，多数人的反应是"这又是什么黑话"。下拉框里已经有 Euler、DPM++ 2M、DDIM、UniPC 一大串名字，多出来一个 EDM Sampler，看起来像是某个小众分支，点进去试了两下觉得"好像也没差多少"，然后就再也没碰过。我最初也是这样，直到有一段时间专门做纹理细节的对比测试，才发现这个采样器被严重低估了。

先把话说清楚：EDM Sampler 不是某个模型，也不是某个界面插件，它是一套完整的扩散采样方案，包含噪声调度、网络预条件和数值求解器三个部分。它源自 2022 年一篇把扩散模型"设计空间"重新拆解整理的论文，那篇论文做的事情很朴素也很狠：把前人各种扩散模型的做法拆成几个独立的设计维度，逐一做消融实验，然后给出一套在当时的基准上表现最好的组合。后来这套组合被移植进 Stable Diffusion 生态，就成了大家看到的 EDM Sampler。

它解决的问题很具体：在同样的步数下，让采样过程更稳、更可预测、更少出现"画面糊掉"或"细节崩掉"的情况。它适合谁？适合已经用过基础采样器、对步数和 CFG 有基本概念、想进一步控制画面质感的用户；也适合想搞明白"采样器之间到底差在哪"的人。如果你只做快速出图、对细节没要求，用默认的 DPM++ 2M 完全够用，不必折腾。但如果你想理解采样器背后的数学结构，或者在做高分辨率、精细纹理、图生图局部重绘时遇到瓶颈，那 EDM 值得认真看一遍。

我在实际使用中的感受是：它不是"万能更强"，而是"另一种性格"。用对了场景，细节锐利度和结构稳定性会明显上一个台阶；用错了场景，画面会显得生硬、颗粒感重、甚至颜色发灰。所以下面不只是讲它怎么用，更要讲清楚它为什么这样设计、什么时候该用、什么时候该绕开。

2. 拆开 EDM 的三个核心设计维度

2.1 把"时间步"换成"噪声水平"：sigma 参数化的意义

传统 DDPM 那套写法，采样过程是按离散的时间步 t=1000, 999, ..., 1 一步步往前走的，每一步对应一个固定的噪声强度表。这套写法直观，但有个麻烦：时间步是离散的、跟训练时的步数绑死的，你想换步数就得重新插值，插值方式不同结果就差很多。

EDM 的做法是把整个扩散过程用连续变量 sigma 描述，sigma 就是噪声的标准差，样本可以写成 x = x_0 + sigma · n，n 是标准正态噪声。这样一来，训练时的步数和采样时的步数彻底解耦，采样器可以在任意 sigma 区间上自由取点，想取 18 个点就取 18 个点，想取 64 个点就取 64 个点，不需要跟训练配置对齐。

这个改动听起来只是换了个记号，实际影响很大。它让"步数"从训练参数变成了纯粹的计算预算参数。你可以用 20 步，也可以用 40 步，中间不存在"必须跟训练步数匹配"的约束。我做过一个对照：用同一个种子、同一个提示词，分别跑 20、28、36 步，EDM 的收敛曲线比时间步参数化的采样器平滑得多，28 步和 36 步之间的差异已经很小，说明它确实在按噪声水平均匀推进，而不是在某个区间里浪费步数。

在 Stable Diffusion 的实际实现里，sigma 阶梯通常这么算：

sigma_i = (sigma_max^(1/rho) + i/(N-1) · (sigma_min^(1/rho) - sigma_max^(1/rho)))^rho

其中 rho 控制阶梯的疏密分布，取 7 的时候，低噪声区（也就是画面细节定型的阶段）会分配更多步数，高噪声区（构图阶段）步数少一些。这个偏向是刻意的——画面后段的结构细节比前段的整体布局更难收敛，把算力堆在刀刃上。

这里有个容易踩的坑：EDM 论文原设定里 sigma_max 取 80，那是针对像素域图像（取值归一化到 [-1,1]）的参数。Stable Diffusion 工作在 VAE 的 latent 空间，latent 的数值分布完全不同，直接把 80 搬过来会把隐变量打到饱和，出来的图一片灰糊。实际实现里会把 sigma_max 映射到模型训练时对应的最大噪声水平，SD 1.5 系列大致在 14 到 15 这个量级。如果你在某个前端里发现 EDM 采样器出图发灰、对比度低，第一反应就该怀疑这个映射有没有做对。

2.2 预条件：让网络始终工作在"舒适区"

预条件（preconditioning）是 EDM 里最容易被忽略、但对结果影响最大的部分。它要解决的是一个很实际的问题：同一个网络，在极高噪声和极低噪声下的输入分布差异巨大，如果直接喂进去，网络在不同噪声水平下的输出量级会剧烈波动。

打个比方，你有一个音响系统，输入信号忽大忽小，小的时候听不清、大的时候爆音。预条件做的事情就是给输入端加一个自动音量归一化，给输出端加一个自动增益补偿，让系统在任意输入电平下都工作在线性区。

具体形式是这样一组系数，它们都是 sigma 的函数：

• c_skip = sigma_data² / (sigma² + sigma_data²)
• c_out = sigma · sigma_data / sqrt(sigma_data² + sigma²)
• c_in = 1 / sqrt(sigma_data² + sigma²)
• c_noise = ln(sigma) / 4

网络实际计算的是 D(x; sigma) = c_skip · x + c_out · F(c_in · x, c_noise)。这里的 F 是去噪网络，sigma_data 是数据本身的尺度估计值，在像素域图像上通常取 0.5。c_skip 那一项是"跳过连接"，在噪声极大时让输出接近输入（因为此时网络本来也预测不出什么），噪声极小时让输出接近原始 x。c_noise 则把 sigma 转成网络的条件输入，用对数尺度可以让网络在跨几个数量级的噪声上都有良好分辨率。

这套设计的价值在于：它让网络的训练目标和推理目标在不同噪声水平下保持量级一致，从而可以用同一套权重覆盖从几乎纯噪声到几乎干净图像的全过程。在 EDM 原论文的语境里，这是它能在低步数下仍保持高质量的关键之一。

但对 Stable Diffusion 来说，这里有个必须讲清楚的错位：SD 的模型是用 epsilon 预测（预测噪声）训练的，不是 EDM 的 x_0 预测加预条件训练的。也就是说，Stable Diffusion 里的 EDM 实现是"借用"了 EDM 的调度和求解器，但预条件部分并不能完全对上原始假设。实际代码里会做适配，比如把网络的 epsilon 输出换算成 x_0 估计，再套用求解器。这种"半套用"是很多细节差异的来源——它解释了为什么 EDM 采样器在 SD 上表现不错，但没有论文里那么碾压式领先；也解释了为什么不同前端实现同一个采样器，结果会有肉眼可见的区别。

提示：如果你在不同界面里切换同一个 EDM 采样器发现效果不一样，别急着怀疑自己的参数，先确认两件事——sigma_max 的映射方式，以及 epsilon 到 x_0 的换算是否一致。这两处是不同实现之间最容易产生分歧的地方。

2.3 Heun 二阶求解器：贵一倍，准一截

EDM 配套的求解器里，最有代表性的是 Heun 二阶方法。它的思路是：

1. 在当前 sigma 处用网络估计一次导数（去噪方向），用一阶 Euler 走一步，得到一个"试探点"；
2. 在试探点处再估计一次导数；
3. 把两次导数的平均作为最终方向，从原点重新走一步。

这就是经典的预测-校正结构。它的好处是把局部误差从一阶降到二阶，步长可以放得更大；代价是每一步要评估两次网络。

这意味着一个很实际的问题：20 步的 Heun，实际执行的是 39 次网络前向（第一步只需一次评估）。很多人抱怨"EDM 采样器怎么这么慢"，根子就在这里。它不是慢在实现，是慢在数学结构上。

我在一张 512×512 的图上做过计时，同样的 20 步设置，Euler 大约 3.4 秒，Heun 大约 6.5 秒，接近两倍，跟理论预期吻合。如果你用的是较老的显卡，这个成本会明显感知到。

所以有个很实用的换算：Heun 的 15 步约等于一阶方法 30 步的质量，但只花 29 次评估。在 15 到 25 步这个区间，Heun 的性价比是最高的。低于 12 步就不建议了——二阶方法需要一定步长密度才能发挥校正作用，步数太少时校正项本身误差也大，反而不如一阶方法干脆。

2.4 四个旋钮：S_churn、S_tmin、S_tmax、S_noise

EDM 采样器的参数面板上通常有四个可调项，很多人直接跳过，其实它们决定了画面的"随机性注入"程度。

• S_churn：控制每一步注入额外噪声的强度。它模拟的是随机微分方程里的噪声项，但在这里被当作可控参数。
• S_tmin / S_tmax：定义注入噪声的 sigma 区间，超出这个区间的步不加噪声。
• S_noise：注入噪声的缩放系数，相当于给噪声再乘一个倍数。

具体的计算逻辑是这样的：设步数为 N，则每步的 churn 系数 gamma = min(S_churn / N, sqrt(2) - 1)。注意后面那个截断值，sqrt(2)-1 约等于 0.414，也就是说无论你把 S_churn 拉多高，单步噪声放大倍数最多到 1.414 倍。然后当前 sigma 被临时放大为 sigma_hat = sigma · (1 + gamma)，求解器在 sigma_hat 和下一个 sigma 之间推进。注入的噪声量为 S_noise · sqrt(sigma_hat² - sigma²) · n。

这个设计有个容易误解的点：S_churn 不是线性生效的。因为要除以步数 N，20 步时设 S_churn=20，每步 gamma=1，截断后变成 0.414；40 步时设 S_churn=20，每步 gamma=0.5，实际注入强度更小。所以换个步数就得重新调 churn，否则行为完全变了。

我的经验是：文生图阶段 S_churn 保持 0，让采样过程确定、可复现，构图更稳。想要一点随机性变化，别动 churn，去换种子更直接。图生图阶段可以给 5 到 15 之间，让采样器在原图结构基础上做一点探索，但超过 20 就容易把原图结构带偏。S_noise 一般保持 1.0，除非你在做特殊效果，比如故意要颗粒质的油画感，可以调到 1.2 左右试试。

3. 在 Stable Diffusion 里跑起来：配置与对照实验

3.1 采样器与调度器的组合怎么选

先说一个容易混淆的概念：采样器（sampler）和调度器（scheduler）是两回事。采样器决定"怎么走"，调度器决定"在哪里落脚"。EDM 自带了一套 sigma 阶梯的计算方式，所以很多前端把它和调度器绑定在一起，不给你单独选；但也有前端允许你把 EDM 的求解器配上别的 sigma 分布，这时候结果差异就出来了。

判断一个选项是不是"真 EDM"，我的方法是看三条：是否用连续的 sigma 而不是离散时间步、是否用了 Heun 或类似的二阶校正、是否带预条件系数。三条都满足才是完整实现；只有前两条的是"简化版"，出图会偏硬。

在大多数界面里，完整的 EDM 实现对应的是名字里带 Heun 的那个选项。不同前端命名不统一，有的直接写 EDM，有的叫 Heun，有的叫 heunpp2。名字不重要，看它是不是二阶、是不是 sigma 参数化。

组合建议我整理成一张表：

注意细节精修那行的 CFG：用 EDM 时 CFG 不要往上拉，要往下压。因为二阶求解器本身就在做误差校正，CFG 带来的方向偏移会被放大，容易出现色块过饱和、边缘发亮的问题。我在 7.5 到 8.5 之间试过几组，8.5 以上就开始出现局部过曝。

3.2 参数计算：步数和 sigma 阶梯怎么落到实际

这里给一个可以直接抄的计算流程，帮你在换步数时心里有数。

假设当前设 20 步，S_churn=0，那么 sigma 阶梯从高到低取 20 个点，Heun 执行 39 次前向。想做一次"等效质量"的对比，把步数改成 28，前向次数变成 55，耗时增加约 41%。如果你的机器单张 512 图要 8 秒，那就是 11 秒多，这个成本差异在做批量测试时很明显。

再算 churn 的影响。假设 24 步、S_churn=12，每步 gamma = 12/24 = 0.5，没有触发截断。那么每一步的 sigma 会被临时放大 1.5 倍，注入噪声量约为 sqrt(1.5² - 1) ≈ 1.118 倍的原始 sigma 差值。这个量级不算小，画面上会看到轻微的随机扰动，在纹理区域表现为细节的自然变化，在平整区域（比如纯色背景）可能出现细微颗粒。

注意：churn 的截断值 sqrt(2)-1 是个硬上限，所以即使你设 S_churn=100、N=20，gamma 也只有 0.414，单步放大 1.414 倍。很多人以为把 churn 拉满能得到完全不同的一张图，实际并不会，它只是把噪点密度提高了一点。

3.3 一组可复现的对照实验设计

光讲参数很虚，我给一套自己常用的测试方案，你可以直接照着做。

固定变量：同一个种子、同一段提示词、同一个模型、同一分辨率 512×512、同一个 CFG 7.0、关闭高分辨率修复。只改采样器和步数。

提示词选一个包含明确结构、纹理和光影的：主体 + 材质描述 + 光照描述 + 背景描述 + 质量词，不用堆砌太多，控制在 40 个词以内，避免不同采样器对长提示词的处理差异干扰判断。

然后跑一组网格：

第一组，一阶方法 20 步、25 步，作为基线。 第二组，EDM 15 步、20 步、25 步。 第三组，EDM 20 步 + churn 10。

把六张图拼在一起看三件事：整体构图有没有跑偏、主体边缘的锐度、阴影和过渡区域的噪点密度。

我实际跑下来的结论大致是：EDM 15 步的构图稳定性已经追平一阶 20 步；EDM 20 步的细节明显更实，特别是材质纹理（织物、金属、木纹）的连贯性更好，不容易出现"糊成一片"；EDM 25 步相比 20 步提升已经不大，但耗时涨了近三成。所以20 步是 EDM 的甜蜜点。

加 churn 那一组，能明显看到阴影区域的噪点变多，纹理反而更活了，但平整背景（比如纯色墙面）会有一点脏。这就是 churn 的双面性。

3.4 分辨率与 CFG 的联动细节

EDM 采样器在原生分辨率附近表现最好。SD 1.5 系列的原生训练分辨率是 512，在这个尺寸下 sigma 阶梯和网络的条件分布是对齐的。一旦把分辨率拉到 768 以上直接生成，问题就来了：所有采样器都会出现"多头多肢"或结构崩坏，EDM 也不例外，因为它解决的是数值积分精度问题，不是训练分布外推问题。别指望换个采样器就能治这个病。

正确的做法还是老一套：先按原生分辨率生成，再用高分辨率修复放大。这里有个小技巧——第二遍放大时换成 EDM 采样器，步数给 15 到 18，重绘幅度 0.35 到 0.45，效果通常比第一遍用一阶方法、第二遍也一阶更好。原因是放大阶段的主要任务是补细节，二阶方法在小步长下的边缘收敛更准，能少出一些噪点。

CFG 方面，EDM 对 CFG 的容忍度比一阶方法低。我在 SDXL 上测过，CFG 从 6 到 9 扫一遍，EDM 在 7 附近最均衡，8.5 时开始出现高对比度的"塑料感"，色块之间过渡变硬。一阶方法同样条件下到 9 还能撑住。所以换 EDM 时，CFG 往下调 0.5 到 1.0 是常态。

4. 实操中遇到的问题与排查思路

4.1 出图发灰、对比度低是怎么回事

这是我遇到最多的问题，第一次用 EDM 时踩得很深。画面整体像蒙了一层雾，暗部提不上去，颜色也淡。

排查顺序是这样：先看 sigma_max 的映射。如果实现里直接把论文的 80 套过来，latents 在第一步就被打散，后续所有步骤都在错误的起点上推进，结果必然发灰。这个在各前端里表现不一，有的版本已经修好，有的旧版本还存在。

再看 churn。如果 S_churn 给了一个比较大的值，同时步数又少，那每步注入的噪声比例会很高，画面整体被推向"高熵"状态，视觉上就是发灰、失去对比。把 churn 归零再跑一次，如果对比度回来了，就是这个问题。

还有一种情况是 CFG 太高。前面说过，EDM 对 CFG 敏感，8.5 以上容易出现局部过曝，但整体可能反而显得平淡，因为过曝区域吃掉了动态范围。把 CFG 降到 6.5 试一次，对比一下。

4.2 细节"碎"、纹理颗粒感过重

这个现象很有辨识度：远看还行，放大一看满屏细碎的颗粒，像老照片的噪点。

根本原因是采样过程中噪声注入过量，或者 sigma 阶梯在后段不够密。前者对应 churn 和 S_noise 设置过高，后者对应步数太少。

处理方式很直接：S_churn 归零，S_noise 保持 1.0，步数提到 20 以上。这三个动作做完，颗粒感基本能压下去。

还有一个隐藏原因：VAE 解码的影响。有的 VAE 本身在细节区域就会产生颗粒，跟采样器无关。判断方法是换成另一个 VAE 跑同一组参数，如果颗粒感跟着变，那问题不在采样器上。

4.3 图生图完全不像原图

图生图场景下，最常见的原因是 churn 给大了。churn 注入的额外噪声会破坏原图的低层结构，重绘幅度再一叠加，原图特征就没了。

我的处理顺序：先把 churn 降到 0 跑一次，确认基础保真度；如果还不够像，把重绘幅度从 0.6 降到 0.45；如果还想保留更多结构，考虑用局部重绘而不是整图重绘。churn 只在"我想在原图基础上做风格化探索"时才加，常规改图不加。

还有一个容易忽略的点：图生图的初始 sigma 是从重绘幅度换算来的，而 EDM 的 sigma 阶梯是从高到低取的，如果起始 sigma 落在 churn 区间之外（比如 S_tmax 设得比起始 sigma 还小），churn 实际不生效，你会以为参数没起作用。检查一下 S_tmax 和起始 sigma 的大小关系。

4.4 常见问题速查表

提示：排查时每次只改一个变量。采样器类问题的变量太多，同时改三个参数，你永远不知道是哪个起了作用。我的习惯是准备一个固定的测试配方，改一处跑一次，做完记录。

4.5 几个不那么明显的坑

第一个坑是步数取奇偶数时的差异。Heun 的第一步只评估一次，后续每步评估两次，所以总评估数是 2N-1。当 N 取奇数时，最后一步的校正可能落在一个比较尴尬的位置，个别实现会因此产生轻微差异。这个影响很小，但如果你在做严格的 A/B 对比，最好把步数固定在偶数上，减少变量。

第二个坑是切换采样器后种子不通用。同一串种子在不同采样器下出来的是完全不同的图，这不算 bug，但很多人做对比时忘了这一点，以为是采样器出问题了。做对比实验必须固定种子，但也要明白同一张图在不同采样器下本来就该不同。

第三个坑是某些前端把 EDM 和一阶方法混在一个下拉框里，名字看着像但实际不是。判断方法还是那三条：sigma 参数化、二阶校正、预条件。如果拿不准，就看耗时，双倍耗时的多半是完整实现。

5. 和其他采样器的横向对比与选型思路

5.1 一张表看清差异

看这张表能得出一个很实用的结论：如果你的算力充裕、想要可预测的收敛行为，选 EDM；如果算力紧张、追求速度，一阶或多步方法更划算。EDM 的优势不在"绝对画质更高"，而在于"同样的画质下步数更少、行为更可控"。

我在一张 1024×1024 的图上做过粗略对比，一阶方法要 30 步才达到的细节完整度，EDM 大约 18 到 20 步就能达到，但总耗时还是 EDM 略高一点（因为双倍评估）。所以严格说，EDM 省的是步数，不是时间。这个认知很重要，能避免很多不切实际的期待。

5.2 什么时候该用它，什么时候别碰

适合用的场景，我总结成三类：

第一类是材质和纹理要求高的图。织物、金属、木纹、石材这几种材质，EDM 的连贯性明显更好，因为它在小 sigma 区间的步长分配更密，细节定型阶段收敛更充分。我做过一组金属表面的对比，一阶方法在 20 步时高光边缘会糊，EDM 同样 20 步边缘是清楚的。

第二类是需要严格复现的批量生产。因为 churn 可以归零、sigma 阶梯是确定的、步数和结果的关系平滑，做批量任务时不容易出现"这批图某几张莫名其妙崩掉"的情况。

第三类是图生图的中等幅度改造。配合较小的 churn，能在保留原图结构的同时做出风格变化，比一阶方法更少出现"结构被撕碎"的现象。

不适合的场景也说三个：

一是低步数快速草稿。10 步以下的 EDM 没有意义，二阶校正来不及发挥作用，还不如一阶方法干脆。

二是追求极致随机变化的场景。EDM 的确定性是优点也是限制，想要那种每步都带随机分支的"探索感"，带 SDE 的变体更合适。

三是显卡性能吃紧时的批量任务。双倍评估在批量场景下成本累积很明显，这时候用多步一阶方法更实际。

5.3 一个实用的组合工作流

我现在的常规流程是这样，分享出来供参考。

第一步，用一阶方法 14 步、CFG 6.5 快速出一组 4 张草图，只判断构图和主体位置，不看细节。这个阶段耗时短，方便快速迭代提示词。

第二步，选中构图满意的图，种子记下来，换成 EDM 采样器，20 步、CFG 7.0、churn 0，重新生成。这一步的耗时大约是草图的两倍，但因为只跑一张，完全可以接受。

第三步，如果要做高分辨率，放大时继续用 EDM，步数 16、CFG 6.0、重绘幅度 0.4，让二阶方法去补细节。

这套流程的好处是在试错成本最低的环节快速迭代，在质量最关键的环节用最稳的方法。直接用 EDM 做草图会浪费时间，直接用一阶方法做最终出图细节又不够。

还有一个小技巧：如果你发现 EDM 出图整体偏"硬"、少了一点自然感，可以试着把 CFG 往下压一点点，同时把提示词里的风格描述词加强，用提示词去补风格，而不是靠拉高 CFG 硬顶。这个调整方向我踩过几次坑才摸出来，CFG 往上走总是先出问题。

最后说个我自己的体会：采样器这类东西，看得再多不如自己跑一组对照。不同模型、不同分辨率、不同显卡，最优参数都会有偏移，网上的参数表只能当起点，不能当答案。我上面这些数字都是在自己常用的配置下调出来的，你拿去用的时候，把它当成"初始猜测"，然后用 3.3 节那套对照方法自己验一遍，通常一两轮就能校准到适合你的位置。真正值钱的不是某个具体数字，而是那套"一次只改一个变量、固定种子、固定提示词"的测试习惯。