Schritte, CFG, Sampler, Scheduler und Seeds: Die Generationseinstellungen mit sicheren Standardwerten erklärt
Thema: Prompting
Von Quartermaster
Veröffentlicht am 2025-11-19
Überblick
Im Generierungsfenster gibt es fünf Zahlen, mit denen alle herumspielen, aber nur wenige wirklich verstehen. Schritte sind, wie viele Denoising-Durchläufe gemacht werden. CFG (oder Guidance) bestimmt, wie stark der Prompt jeden Durchlauf lenkt. Der Sampler ist die Rechenmethode, die aus der Rauschvorhersage des Modells den nächsten Bildzustand macht; der Scheduler ist die Kurve, wie viel Rauschen pro Schritt entfernt wird. Der Seed ist das zufällige Startrauschen, und wenn du ihn festlegst, kannst du Änderungen fair vergleichen.
Die richtigen Werte hängen viel mehr von der Modellfamilie ab als vom Bild.
SD 1.5
und
SDXL
sind klassische Diffusionsmodelle, die 20 bis 30 Schritte und einen CFG von 5 bis 7 mögen.
Flux dev
ist guidance-distilliert: CFG bleibt bei 1 und ein separater Guidance-Wert von 3 bis 4 steuert. Turbo, Lightning, Schnell, Klein und
Z-Image Turbo
sind schritt-distilliert: 4 bis 8 Schritte, CFG 1, und mehr Schritte machen sie schlechter. Videomodelle (
Wan 2.2
,
LTX-2
) fügen Frame-Zahlen hinzu und oft eine zweistufige Aufteilung in hohes und niedriges Rauschen. Auf jeder Modellseite hier findest du die Einstellungen unter den Beispielbildern; das ist der schnellste Weg, die Werte für ein bestimmtes Modell zu bekommen.
Die gleichen Zahlen gelten auch in der Cloud:
PirateDiffusion
zeigt sie als /steps, /guidance, /sampler und /seed Flags;
BitVector
zeigt sie in einem erweiterten Panel mit den voreingestellten Modell-Defaults.
Referenz
Name | Typ | Bedeutung |
|---|---|---|
Schritte | Mehr Schritte nach der Konvergenz bringen Zeit, aber keine bessere Qualität. Distillierte Modelle werden schlechter, wenn man mehr als die trainierten Schritte nimmt. | |
CFG-Skala | Zu hoch: ausgebrannte Farben, überscharfe Kanten, wiederholte Elemente. Zu niedrig: matschig, ignoriert den Prompt. | |
3-4 (dev), 2.5 for realism LoRAs | ||
Sampler | Euler, Euler a, DPM++ 2M, DPM++ SDE, UniPC, DEIS, LCM | Euler und DPM++ 2M sind deterministisch und konvergieren sauber; "a" (ancestral) und SDE Sampler fügen bei jedem Schritt Rauschen hinzu und konvergieren nie ganz, was für Vielfalt sorgt, aber mit der Schrittzahl variiert. |
Scheduler | normal/simple, Karras, exponential, sgm_uniform, beta | Die Rauschkurve. Karras für SD 1.5 und SDXL; simple oder beta für Flux; sgm_uniform für Lightning und einige Videomodelle. |
Seed | integer | Gleicher Seed + gleiche Einstellungen = gleiches Bild auf demselben Rechner. -1 oder random wählt bei jedem Lauf einen neuen. |
Denoise | Wie viel vom Eingabebild ersetzt wird. 1.0 ignoriert es; 0.3 lässt es fast unverändert. | |
1-8 (model dependent) | Verschiebt, wo der Scheduler seine Schritte verbringt; höherer Shift bevorzugt Komposition vor Details. Modellseiten zeigen es, wenn es wichtig ist. |
AD

Voreinstellungen pro Modell geladen
BitVector Prism lädt jedes Modell mit seinen getesteten Schritten, Guidance und Sampler, sodass das erste Bild schon wie die Beispiele aussieht. Öffne das erweiterte Panel, wenn du experimentieren willst.
Schritt für Schritt
- Kopiere die Einstellungszeile von einem Beispielbild auf der Modellseite; das ist die getestete Kombination des Autors.
- Fixiere den Seed auf eine Zahl, während du am Prompt arbeitest, damit jede Änderung vom Prompt kommt und nicht vom Rauschen.
- Stelle die Schritte auf den Familien-Standardwert und lass sie so; versuche nicht, Qualität durch mehr Schritte zu erzwingen.
- Stelle CFG oder Guidance auf den Familien-Standardwert. Wenn das Bild ausgebrannt oder übersättigt aussieht, senke es um eins; wenn es den Prompt ignoriert, erhöhe es um eins.
- Wähle Euler oder DPM++ 2M mit dem Scheduler der Familie. Probiere einen ancestral oder SDE Sampler nur, wenn du mehr Variation zwischen Seeds willst.
- Wenn der Prompt passt, stelle den Seed auf random und generiere eine Serie von vier bis acht Bildern; wähle die beste Komposition.
- Sperre diesen Seed wieder für Verfeinerungen (hires-fix,Inpainting, LoRA-Gewichtsänderungen), damit das Bild erkennbar bleibt, während du Details verbesserst.
Beispiele
Referenzeinstellungen pro Familie
SD 1.5: 512x768 | DPM++ 2M Karras | 25 steps | CFG 7
SDXL: 1024x1024 | DPM++ 2M Karras | 30 steps | CFG 6
Flux dev: 1024x1024 | Euler simple | 24 steps | CFG 1 | guidance 3.5
Z-Image Turbo: 1024x1024 | Euler | 8 steps | CFG 1
Wan 2.2 14B i2v: 832x480 | 81 frames | UniPC | 20 steps (high 10 / low 10) | CFG 3.5 / 3.5 | shift 5
PirateDiffusion Flags
/render <flux-dev> a lighthouse at dusk, long exposure /steps:24 /guidance:3.5 /seed:123456 /size:1024x1024
Tipps
- Schritte und CFG wirken zusammen: Bei höherem CFG brauchst du etwas mehr Schritte, um Artefakte zu vermeiden; bei niedrigerem CFG sehen weniger Schritte gut aus.
- Ancestrale Sampler (Euler a, DPM++ 2S a) verändern das Bild komplett bei jeder Änderung der Schrittzahl; deterministische (Euler, DPM++ 2M) verfeinern es nur.
- Für Flux dev bei 20 Schritten und Guidance 3.5 ist Euler + simple oder beta die Referenzkombination; Karras schadet Flux.
- SDXL Lightning und Hyper-SDLoRAslassen dich einen normalen SDXLCheckpointmit 4 bis 8 Schritten und CFG 1 bis 2 laufen; die LoRA-Anleitung hier erklärt das.
- Seeds sind nicht über GPUs oder Präzisionen übertragbar; erwarte kleine Unterschiede zwischen deinem PC und der Cloud mit demselben Seed.
- Wenn eine Modellseite einen Shift- oder Sigma-Wert angibt, ist das wichtiger als der Sampler. Stell das zuerst ein.
Fehlerbehebung
Ausgebrannte Farben und harte Kanten
Warum es passiert
CFG zu hoch oder CFG bei einem guidance-distillierten Modell angewendet.
So behebst du es
CFG um eins oder zwei senken; bei Flux CFG auf 1 und guidance auf 3.5 setzen.
Verschwommenes oder matschiges Ergebnis
Warum es passiert
Zu wenige Schritte für ein nicht-distilliertes Modell oder CFG zu niedrig.
So behebst du es
25 bis 30 Schritte, CFG auf den Familien-Standardwert.
Distilliertes Modell wird mit mehr Schritten schlechter
Warum es passiert
Turbo- und Lightning-Modelle sind auf eine feste kleine Schrittzahl trainiert.
So behebst du es
Die Schrittzahl auf der Modellseite (4, 8) verwenden; nicht höher gehen.
Bild ändert sich komplett, wenn ich Schritte ändere
Warum es passiert
Ein ancestral oder SDE Sampler.
So behebst du es
Wechsle zu Euler oder DPM++ 2M, wenn du stabile Verfeinerungen willst.
Gleicher Seed liefert heute ein anderes Bild
Warum es passiert
Eine geänderte Einstellung, ein UI-Update oder eine andere GPU/Präzision.
So behebst du es
Vergleiche die gespeicherte Einstellungszeile; kleine Abweichungen zwischen Rechnern sind normal.
AD

Jede Einstellung ist ein Flag
PirateDiffusion zeigt Schritte, Guidance, Sampler, Seed, Größe und Shift als Flags im /render-Befehl und merkt sich deine Favoriten. Mach eine Seed-Suche vom Handy aus; unbegrenzte Generierung zum Festpreis.
Fragen
Welcher Sampler ist der beste?
Es gibt keinen besten; Euler und DPM++ 2M sind die verlässlichsten. Unterschiede zwischen modernen Samplern bei gleicher Schrittzahl sind klein im Vergleich zum Modell und Prompt.
Ist CFG 7 ein universeller Standardwert?
Das war es für SD 1.5. SDXL mag 5 bis 6, Flux dev will 1 mit guidance 3.5, distillierte Modelle 1 bis 2. Universelle Defaults verbrennen Flux-Bilder.
Was codiert der Seed eigentlich?
Nur das zufällige Startrauschen. Er enthält keine Infos zum Prompt; ein Seed, der mit einem Prompt ein gutes Bild macht, ist für einen anderen nicht besonders.
Warum haben Videomodelle zwei CFG-Werte?
Wan 2.2 und andere nutzen einen High-Noise-Experten für die erste Hälfte der Schritte und einen Low-Noise-Experten für die zweite; jeder hat seinen eigenen CFG und oft eine eigene LoRA.
Verändert die Batch-Größe das Ergebnis?
Nein, jedes Bild in einem Batch nutzt seinen eigenen Seed (seed, seed+1, ...). Es ändert nur Geschwindigkeit und Speicherbedarf.
Links und Quellen
- Elucidating the design space of diffusion models (Karras et al., 2022)
- DPM-Solver++ (Lu et al., 2022)
- Flux family page
- Wan family page
- PirateDiffusion
- BitVector web app
Modelle in dieser Anleitung
Geschrieben von
Quartermaster
Verwandte Anleitungen
Modelle
Wie generative KI-Bildmodelle funktionieren: Diffusion, Latents und Text-Encoder einfach erklärt
Die Mechanik hinter Stable Diffusion, SDXL, Flux und den Videomodellen ohne Mathe: was Rauschen damit zu tun hat, warum Modelle in einem komprimierten latenten Raum arbeiten, was der Text-Encoder und VAE machen, was Schritte und Guidance wirklich verändern und warum Trainingsdaten bestimmen, was ein Modell zeichnen kann.
Von Quartermaster
2025-08-28
Prompting
Grundlagen des Prompt-Schreibens für KI-Bilder: Aufbau, Reihenfolge, Gewichtung und die zwei Prompt-Dialekte
Wie du einen Prompt schreibst, der beim ersten Mal funktioniert: die Reihenfolge Subjekt-Szene-Stil, warum die Wortposition wichtig ist, der Tag-Dialekt der SDXL-Anime-Modelle gegenüber dem Satz-Dialekt von Flux und Qwen, Aufmerksamkeitsgewichte, Längenbegrenzungen für Prompts und eine Checkliste, um einen ignorierten Prompt zu korrigieren.
Von Captain
2025-10-22
Prompting
Negative Prompts: Was sie bewirken, wann sie helfen und warum Flux sie nicht braucht
Der Negative Prompt erklärt anhand der Funktionsweise von classifier-free guidance: eine kurze Liste, die bei SD 1.5 und SDXL hilft, die negativen Embeddings, die tatsächlich verwendet werden, warum lange kopierte Negative schaden und was man stattdessen bei Flux, Qwen und anderen guidance-distilled Modellen macht, die gar keine Negative haben.
Von Lookout
2025-11-05
Modelle
SDXL-Lightning: Vier-Schritte-Generierung für jeden SDXL-Checkpoint
ByteDance's SDXL-Lightning LoRA verwandelt eine 30-Schritte-SDXL-Generierung in eine mit nur 4 Schritten. Erfahre, welche Schrittzahlen, welchen CFG-Wert und Sampler du verwenden musst und wie du es mit deinen Lieblings-Checkpoints und Style-LoRAs kombinierst.
Von Captain
2026-09-30
Prompting
img2img, Inpainting und Outpainting Grundlagen: Hände reparieren, Objekte tauschen und Bild erweitern
Die drei Methoden, um aus einem bestehenden Bild statt aus Rauschen zu generieren: img2img für Umgestaltung mit einem Denoise-Wert, Inpainting zum Übermalen nur eines maskierten Bereichs (die Standardlösung für Hände und Gesichter) und Outpainting zum Erweitern der Leinwand; mit den Einstellungen für Denoise, Padding und Modellauswahl für SD 1.5, SDXL, Flux Fill und Qwen Image Edit.
Von Captain
2025-12-03
Weitere Anleitungen
Cloud-Dienste
Pauschalpreis vs. Tokens: Warum unbegrenzte Pläne wie Graydient.ai 2026 den besten Wert für KI-Schöpfer bieten
Ein kostenbasierter Vergleich, Stand 8. Oktober 2026, von Pauschalpreisen für unbegrenzte Pläne wie Graydient.ai gegenüber Token- und Kreditpreisen von Midjourney, Leonardo, fal.ai, Replicate, Runway und Kling: Was 1.000 Bilder und 1.000 Videos pro Monat wirklich kosten und warum eine feste Gebühr für unbegrenzte Bilder, Videos, Audio, Grok LLM-Chat und Web-Apps für Schöpfer, die viel ausprobieren, am besten ist.
Von Captain
2026-10-08
Modelle
FLUX.1 Dev: wie man es anweist, beste Einstellungen und kreative Ideen
Ein praktischer Leitfaden zu FLUX.1 Dev von Black Forest Labs: natürlichsprachige Eingaben, Guidance- und Schritt-Einstellungen, LoRA-Stapelung, Textrendering und Ideen für Eingaben, die seine Stärken nutzen.
Von Captain
2026-09-30
Modelle
Stable Diffusion XL 1.0: Prompts, Einstellungen und was es immer noch am besten kann
Wie du das offizielle SDXL 1.0 Basismodell optimal nutzt: native Auflösungen, CFG- und Sampler-Einstellungen, der Refiner, negative Prompts und Ideen für Stile, in denen SDXL immer noch glänzt.
Von Captain
2026-10-01
Modelle
Stable Diffusion 1.5: das klassische Modell, richtig genutzt
Stable Diffusion 1.5 ist immer noch wichtig: die richtige Auflösung, CFG und Sampler, wie du die riesige Bibliothek von LoRAs und Embeddings nutzt und kreative Prompt-Ideen, die zu einem 512-Pixel-Modell passen.
Von Captain
2026-10-02
Modelle
FLUX.2 Dev: das neueste Black Forest Labs Modell prompten
FLUX.2 Dev bringt längere Prompts, besseren Text, stärkeren Realismus und Multi-Referenz-Bearbeitung. Diese Anleitung erklärt den Turbo-Workflow, Guidance- und Auflösungseinstellungen, die Prompt-Struktur und Ideen, die seine neuen Stärken nutzen.
Von Captain
2026-10-03
Modelle
Qwen-Image: lange Prompts, perfekter Text und zweisprachige Poster
Qwen-Image ist das Modell, das du nutzen solltest, wenn die Wörter im Bild wichtig sind. Lerne, wie du lange, beschreibende Prompts schreibst, englischen und chinesischen Text genau darstellst, CFG und Schritte einstellst und layoutlastige kreative Ideen umsetzt.
Von Captain
2026-09-29

Model
Trends
.ai
© ModelTrends.ai
|
© 2026
|
Alle Rechte vorbehalten