企业官网建设流程全解析

不少朋友第一次把 Stable Diffusion v2-1-base 的权重拉下来、跑通第一张图之后，都会经历一个相似的阶段：出图是能出，但想复现某个效果时怎么调都不对，换个采样器画面就崩，改个 CFG 又变成一团糊。问题往往不在模型本身，而在于对参数之间那套联动关系没有建立起直觉。这篇东西就是把我这段时间折腾 v2-1-base 时踩过的坑、记下的参数组合、以及每个参数背后到底在控制什么，完整地摊开讲一遍。

Stable Diffusion v2-1-base 是 SD 2.x 系列里的基础文生图模型，768×768 原生分辨率，和后来的 refiner 版本不同，它自己就是一个完整的、从噪声到图像的端到端模型。它适合谁？适合已经玩过一阵 SD 1.5、想搞清楚参数体系而不是只会抄提示词的人；也适合需要把出图流程固化下来、做批量生成或者做二次开发的人。下面所有内容都围绕这个模型的参数展开，采样器、步数、CFG、种子、分辨率、负面提示词，一个都不跳过。

1. 参数体系的整体设计与选型逻辑

1.1 为什么 v2-1-base 的参数手感和 1.5 不一样

先把一个容易被忽略的前提说清楚：v2-1-base 用的是 OpenCLIP 的文本编码器，而 1.5 用的是 CLIP ViT-L/14 的一个变体。这个差异直接决定了提示词在参数体系里的权重分配方式。文本编码器换了，意味着同样的提示词、同样的 CFG 值，模型对"提示词该被多认真地执行"这件事的敏感度是不同的。我在实测里最直观的感受是：v2-1-base 在 CFG 7 到 9 这个区间比 1.5 更"听话"，但一旦超过 11，画面劣化的速度也更快，容易出现那种过度饱和、边缘发硬的塑料感。

这背后的逻辑不复杂。CFG（Classifier-Free Guidance）本质是在做两件事：一边是无条件预测，一边是条件预测，然后把两者往条件方向推。文本编码器对提示词的表达越"强"，同样的 guidance scale 推出来的偏移量就越大。OpenCLIP 在训练数据规模和文本理解上的特性，让 v2-1-base 对提示词的响应更集中，所以它的甜点区比 1.5 更窄，需要更精细地调。

理解了这一点，后面所有参数的取舍就有了依据：v2-1-base 不是一个"宽容"的模型，它更像一个执行指令很精确但不太会自我修正的下属，你得把指令给准，参数给稳。

1.2 参数分层的思路：哪些是"结构参数"，哪些是"风格参数"

我在整理参数的时候习惯把它们分成两层，这个分法对实际调参帮助很大。

结构参数指的是决定画面"骨架"的那些：分辨率、采样器、步数、种子。这几个参数一旦定下来，构图、主体位置、整体布局基本就锁死了。你改 CFG 或者改提示词，改的是细节和质感，但大框架不会跑。

风格参数指的是决定画面"皮肤"的那些：CFG、负面提示词、采样器的高阶选项（比如 Karras 调度）。这些参数动一动，画面的锐度、对比、色彩倾向、细节密度会明显变化，但主体还是那个主体。

这个分层的好处是排查问题时不会乱。出图构图不对，先查结构参数；出图质感不对，再查风格参数。我见过太多人构图崩了去调 CFG，调半天没用，因为 CFG 根本管不到构图。

1.3 原生 768 分辨率这个设定为什么重要

v2-1-base 是在 768×768 上训练的，这一点必须刻在脑子里。SD 1.5 是 512，v2-1-base 是 768。这意味着如果你按 512×512 去跑 v2-1-base，模型会"没见过"这个尺寸的分布，出图容易出现构图重复、主体被裁切、细节糊成一团的问题。

我实测过同一组提示词在 512 和 768 下的差异：512 下人物经常出现两个头或者身体比例失调，768 下就正常。这不是玄学，是训练分布的问题。所以我的建议很直接：v2-1-base 的基准分辨率就是 768×768，竖图用 768×1024 或 768×1152，横图用 1024×768 或 1152×768，尽量让短边贴近 768。

注意：分辨率不是随便填的，它必须是 64 的倍数，因为 VAE 的下采样倍率是 8，UNet 内部还有进一步的降采样。填个 700×700 这种数，模型会自己给你对齐，但可能对不齐到你想要的效果。

2. 核心参数逐个拆解与实操要点

2.1 采样器：不是越新越好，是要匹配你的用途

采样器这块是最容易让人选择困难的。v2-1-base 支持的那一堆采样器里，我按实际用途分了三类，直接给结论。

Euler a 里的 "a" 是 ancestral 的意思，它每一步都会注入新的噪声，所以同一个种子跑两次结果可能不一样，这也是它"活泼"的来源。如果你要复现，别用它，用 Euler 或者 DPM++ 2M。

DPM++ 系列是我在 v2-1-base 上的主力选择。2M 是二阶多步方法，20 步就能收敛得不错，Karras 调度是在时间步上做了非均匀采样，把计算资源更多分配给关键的时间段，所以同样的步数下 Karras 版本细节更足。实测下来，DPM++ 2M Karras 配 25 步，是我在 768 分辨率下性价比最高的组合。

2.2 步数：找到"收敛点"而不是盲目堆高

步数的本质是去噪迭代的次数。太少，噪声没去干净，画面糊；太多，模型在已经收敛的画面上继续"过度加工"，反而会引入伪影、让画面变"死"。

v2-1-base 的收敛点比 1.5 来得早一些。我的实测数据是：Euler 系列在 25 步左右基本收敛，DPM++ 2M 在 20 步就够，再往上加收益极小。超过 50 步之后，很多采样器会出现细节"过锐"、皮肤质感变塑料的情况。

这里有个实操技巧：判断是否收敛，不要只看整体，放大看眼睛、发丝、织物纹理这些高频区域。如果 20 步和 30 步在这些区域几乎没差别，那 20 步就是你的收敛点，没必要浪费算力。

提示：步数和采样器是绑定的。你换了采样器，收敛点就变了，别拿 Euler 的步数直接套到 DPM++ SDE 上，后者需要更多步才能稳定。

2.3 CFG Scale：v2-1-base 最需要克制的一个参数

前面提过，v2-1-base 的 CFG 甜点区比 1.5 窄。我把实测的区间整理成下面这张表，方便对照。

我个人的默认值是 7。这个值在 v2-1-base 上能兼顾提示词服从度和画面自然度。如果你发现画面"不够听话"，先别急着加 CFG，先检查提示词是不是写得太笼统——CFG 是放大器，提示词本身模糊，放大出来还是模糊。

CFG 还有一个隐性影响：它和步数有交互。高 CFG 下，每一步的偏移量更大，收敛更快但也更容易过冲。所以如果你把 CFG 拉到 10 以上，步数反而要适当降低，避免过度加工。

2.4 种子与随机性：复现的前提

种子决定了初始噪声，也就决定了构图的大方向。同一个种子、同一组参数、同一个采样器（非 ancestral），出来的图应该是一致的。这是你做参数对比实验的基础。

但这里有个坑：跨设备、跨版本的复现不一定完全一致。不同的 GPU、不同的 PyTorch 版本、甚至不同的 xformers 开关，都可能让浮点运算产生微小差异，累积下来画面会有细微不同。所以做严谨对比时，尽量在同一环境下跑。

Euler a、DPM++ SDE 这类 ancestral 采样器，即使固定种子，结果也会有随机性，因为它们每步都注入噪声。要复现就用非 ancestral 的。

2.5 负面提示词：v2-1-base 的"减法是加法"

负面提示词在 v2-1-base 上的作用比很多人想的要大。因为 CFG 的机制本身就是"往条件方向推、远离无条件方向"，负面提示词实际上是在重塑那个"无条件"的锚点。

我的经验是，v2-1-base 的负面提示词不需要写得很长，写多了反而互相干扰。几个高频有效的方向：画质类（lowres, blurry, jpeg artifacts）、结构类（bad anatomy, extra fingers, deformed）、风格类（cartoon, 3d render，当你想要写实时）。写负面提示词的原则是"精准打击"，针对你实际遇到的问题加，而不是抄一大串通用词。

3. 完整实操流程与参数组合实录

3.1 环境与基础配置

我用的是一套比较标准的配置，显存 12G 以上跑 768 分辨率比较从容。核心依赖是 diffusers 库，版本建议用较新的稳定版，因为 v2-1-base 的调度器实现在早期版本里有些小问题。

import torch from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler pipe = StableDiffusionPipeline.from_pretrained( "stabilityai/stable-diffusion-2-1-base", torch_dtype=torch.float16, safety_checker=None ).to("cuda") # 换成 DPM++ 2M Karras pipe.scheduler = DPMSolverMultistepScheduler.from_config( pipe.scheduler.config, algorithm_type="dpmsolver++", use_karras_sigmas=True )

这里torch_dtype=torch.float16是必须的，fp32 在 768 分辨率下显存吃不消。safety_checker=None是为了避免它误判导致黑图，实际部署时按需保留。调度器换成 DPM++ 2M Karras 是我前面说的主力选择。

3.2 一组可直接复用的参数模板

下面这组参数是我在 v2-1-base 上跑人像和场景图都比较稳的模板，可以直接抄。

prompt = "a portrait of an elderly craftsman in a workshop, warm window light, detailed skin texture, shallow depth of field" negative_prompt = "lowres, blurry, jpeg artifacts, bad anatomy, extra fingers, deformed, cartoon, 3d render" image = pipe( prompt=prompt, negative_prompt=negative_prompt, num_inference_steps=25, guidance_scale=7.0, width=768, height=1024, generator=torch.Generator("cuda").manual_seed(12345) ).images[0]

这组参数的关键点：25 步配 DPM++ 2M Karras 是收敛点，CFG 7 是平衡点，768×1024 是竖图且短边贴 768，种子固定便于复现。负面提示词只写了实际会遇到的问题，没有堆砌。

3.3 参数对比实验的记录方法

做参数调优，最忌讳"凭感觉"。我的做法是固定其他所有参数，只动一个变量，然后横向对比。比如测 CFG，就固定种子、步数、采样器，只把 CFG 从 5 跑到 12，每次间隔 1，生成一组图拼在一起看。

这里有个细节：对比时一定要用同一个种子。不同种子之间的差异会掩盖参数本身的差异，让你得出错误结论。我早期就犯过这个错，以为 CFG 8 比 7 好，后来发现是种子不同导致的偶然结果。

记录的时候，我习惯把参数和对应的图放在一起，标注清楚。时间长了你会形成自己的"参数直觉"，看到某个画面问题就知道该动哪个参数。

3.4 分辨率与构图的联动调整

前面说了短边贴 768，但具体到不同构图，还有讲究。竖构图人像，768×1024 是安全区，再往上到 768×1152 会让人物显得更修长，但要注意头部不要被裁。横构图风景，1024×768 比较稳，1152×768 适合宽幅场景。

有个实操经验：当你需要更大分辨率时，不要直接让模型生成超大图，而是先生成 768 基准图，再用图生图或者放大模型做超分。直接生成 1536×1536 这种，v2-1-base 会因为超出训练分布而出现构图重复（比如画面里出现两个一样的主体）。这是训练分布决定的，不是参数能救的。

4. 常见问题排查与避坑实录

4.1 出图糊、细节不足，怎么查

这是最高频的问题。排查顺序我总结成一条链：先看步数够不够（低于 20 步基本都会糊），再看采样器是不是选了个需要高步数的（DDIM 就要 30+），然后看 CFG 是不是太低（低于 5 提示词约束不足），最后看分辨率是不是没贴 768。

如果这些都排除了还糊，那大概率是提示词本身缺乏细节描述。v2-1-base 不会凭空给你补细节，你得在提示词里明确写"detailed skin texture"、"intricate patterns"这类词。

4.2 画面过饱和、塑料感重

这个基本就是 CFG 太高了。v2-1-base 在 CFG 11 以上很容易出现这个问题。往下调到 7-8，配合负面提示词里加 "oversaturated, plastic" 通常能解决。

还有一种可能是采样器用了 Karras 调度但步数不够，Karras 在低步数下容易过冲。这种情况要么加步数，要么换回普通调度。

4.3 同一组参数换设备结果不一样

前面提过，浮点运算的微小差异会累积。如果差异很大，那要检查是不是采样器选成了 ancestral 类（Euler a、SDE），这类本身就有随机性。如果差异只是细微的，那是正常的，不用纠结。

4.4 常见问题速查表

4.5 几个我踩过的坑

第一个坑是迷信高步数。早期我觉得步数越高越好，跑到 80 步，结果画面反而变"死"，细节过锐。后来明白收敛点之后就不这么干了。

第二个坑是负面提示词堆太多。抄了一大串通用负面词，结果它们之间互相干扰，画面反而变差。负面提示词要精准，不要贪多。

第三个坑是忽略分辨率必须是 64 的倍数。填了个非 64 倍数的尺寸，模型自己对齐后构图偏了，排查了半天才发现是这个原因。

第四个坑是在 ancestral 采样器上做参数对比。结果每次都不一样，对比毫无意义。做对比实验一定要用确定性采样器。

这套参数体系我用了挺长时间，最大的体会是：v2-1-base 不是一个靠"大力出奇迹"的模型，它更像一个需要你理解它脾气再对症下药的合作者。CFG 克制一点、步数卡在收敛点、分辨率守住 768 基准，这三条守住，大部分问题都不会出现。剩下的就是提示词和种子的功夫了，那部分没有捷径，只能多跑多看。