Passi, CFG, sampler, scheduler e seed: le impostazioni di generazione spiegate con valori sicuri
Argomento: Prompting
Di Quartermaster
Pubblicato il 2025-11-19
Panoramica
Il pannello di generazione ha cinque numeri con cui tutti smanettano ma pochi capiscono davvero. Steps sono quante iterazioni di denoising vengono eseguite. CFG (o guida) è quanto il prompt influenza ogni iterazione. Il sampler è il metodo numerico che trasforma la previsione del rumore del modello nello stato successivo dell'immagine; lo scheduler è la curva di quanto rumore viene rimosso per ogni passo. Il seed è il rumore iniziale casuale, e fissarlo permette di confrontare qualsiasi altra modifica in modo equo.
I valori giusti dipendono molto di più dalla famiglia del modello che dall'immagine.
SD 1.5
e
SDXL
sono modelli di diffusione classici che preferiscono 20-30 passi e un CFG da 5 a 7.
Flux dev
è guidance-distilled: il CFG resta a 1 e un valore di guida separato da 3 a 4 fa da guida. Turbo, Lightning, Schnell, Klein e
Z-Image Turbo
sono step-distilled: 4-8 passi, CFG 1, e più passi peggiorano i risultati. I modelli video (
Wan 2.2
,
LTX-2
) aggiungono il conteggio dei frame e spesso una divisione in due fasi con rumore alto e basso. Ogni pagina modello su questo sito mostra le impostazioni sotto le immagini di esempio; è il modo più veloce per trovare i numeri per un modello specifico.
Gli stessi numeri valgono anche sul cloud:
PirateDiffusion
li espone come flag /steps, /guidance, /sampler e /seed;
BitVector
li mostra in un pannello avanzato con i valori preimpostati del modello.
Riferimento
Nome | Tipo | Cos'è |
|---|---|---|
Passi | Più passi dopo la convergenza aggiungono tempo, non qualità. I modelli distillati peggiorano oltre il numero di passi per cui sono stati addestrati. | |
Scala CFG | Troppo alto: colori bruciati, bordi troppo nitidi, elementi ripetuti. Troppo basso: immagine confusa, ignora il prompt. | |
3-4 (dev), 2.5 for realism LoRAs | ||
Sampler | Euler, Euler a, DPM++ 2M, DPM++ SDE, UniPC, DEIS, LCM | Euler e DPM++ 2M sono deterministici e convergono puliti; i sampler "a" (ancestrali) e SDE aggiungono rumore a ogni passo e non convergono mai completamente, dando varietà ma cambiando con il numero di passi. |
Scheduler | normal/simple, Karras, exponential, sgm_uniform, beta | La curva del rumore. Karras per SD 1.5 e SDXL; semplice o beta per Flux; sgm_uniform per Lightning e alcuni modelli video. |
Seed | integer | Stesso seed + stesse impostazioni = stessa immagine sulla stessa macchina. -1 o random sceglie uno nuovo a ogni esecuzione. |
Denoise | Quanto dell'immagine di input viene sostituito. 1.0 la ignora; 0.3 la mantiene quasi intatta. | |
1-8 (model dependent) | Sposta dove lo scheduler spende i passi; shift più alto favorisce la composizione rispetto al dettaglio. Le pagine modello lo indicano quando conta. |
AD
Valori preimpostati per modello
BitVector Prism carica ogni modello con i passi, la guida e il sampler testati, così la prima immagine assomiglia già agli esempi. Apri il pannello avanzato quando vuoi sperimentare.
Passo dopo passo
- Copia la riga delle impostazioni da un’immagine di esempio sulla pagina del modello; è la combinazione testata dall’autore.
- Fissa il seed a un numero qualsiasi mentre lavori sul prompt, così ogni modifica che vedi è causata dal prompt e non dal rumore.
- Imposta i passi al valore predefinito della famiglia e lascialo così; non inseguire la qualità aumentando i passi.
- Imposta CFG o guida al valore predefinito della famiglia. Se l’immagine sembra bruciata o sovrasaturata, abbassalo di uno; se ignora il prompt, alzalo di uno.
- Scegli Euler o DPM++ 2M con lo scheduler della famiglia. Prova un sampler ancestrale o SDE solo se vuoi più variazioni tra i seed.
- Quando il prompt è giusto, passa il seed a random e genera un batch da quattro a otto; scegli la composizione migliore.
- Blocca di nuovo quel seed per rifiniture (hires-fix,inpainting, cambi di pesoLoRA) così l’immagine resta riconoscibile mentre migliori i dettagli.
Esempi
Impostazioni di riferimento per famiglia
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
Flag di PirateDiffusion
/render <flux-dev> a lighthouse at dusk, long exposure /steps:24 /guidance:3.5 /seed:123456 /size:1024x1024
Consigli
- Passi e CFG interagiscono: con CFG più alto servono un po’ più passi per evitare artefatti; con CFG più basso meno passi vanno bene.
- I sampler ancestrali (Euler a, DPM++ 2S a) cambiano completamente l’immagine a ogni variazione di passi; quelli deterministici (Euler, DPM++ 2M) la rifiniscono solo.
- Per Flux dev a 20 passi con guida 3.5, Euler + semplice o beta è la combinazione di riferimento; Karras danneggia Flux.
- SDXL Lightning e Hyper-SD LoRA ti permettono di usare uncheckpointSDXL normale a 4-8 passi con CFG 1-2; la guida LoRA su questo sito li spiega.
- I seed non sono portabili tra GPU o precisioni diverse; aspettati piccole differenze tra il tuo PC e il cloud con lo stesso seed.
- Quando una pagina modello indica uno shift o un valore sigma, è più importante del sampler. Impostalo prima.
Risoluzione dei problemi
Colori bruciati e bordi troppo netti
Perché succede
CFG troppo alto, o CFG applicato a un modello guidance-distilled.
Come risolverlo
Abbassa il CFG di uno o due; su Flux imposta CFG 1 e guida 3.5.
Risultato sfocato o confuso
Perché succede
Pochi passi per un modello non distillato, o CFG troppo basso.
Come risolverlo
25-30 passi, CFG al valore predefinito della famiglia.
Il modello distillato peggiora con più passi
Perché succede
I modelli Turbo e Lightning sono addestrati per un numero fisso di passi basso.
Come risolverlo
Usa il numero indicato sulla pagina modello (4, 8); non andare oltre.
L’immagine cambia completamente cambiando i passi
Perché succede
Un sampler ancestrale o SDE.
Come risolverlo
Passa a Euler o DPM++ 2M se vuoi rifiniture stabili.
Stesso seed dà un’immagine diversa oggi
Perché succede
Un’impostazione cambiata, un aggiornamento dell’interfaccia o una GPU/precisione diversa.
Come risolverlo
Confronta la riga delle impostazioni salvate; aspettati piccole differenze tra macchine.
AD
Ogni impostazione è un flag
PirateDiffusion espone passi, guida, sampler, seed, dimensione e shift come flag nel comando /render, e ricorda i tuoi preferiti. Fai uno sweep di seed dal telefono; generazioni illimitate a prezzo fisso.
Domande
Qual è il miglior sampler?
Non ce n’è uno migliore; Euler e DPM++ 2M sono quelli affidabili. Le differenze tra sampler moderni allo stesso numero di passi sono piccole rispetto al modello e al prompt.
CFG 7 è un valore universale?
Lo era per SD 1.5. SDXL preferisce 5-6, Flux dev vuole 1 con guida 3.5, i modelli distillati 1-2. Valori universali bruciano le immagini Flux.
Cosa codifica davvero il seed?
Solo il rumore iniziale casuale. Non porta info sul prompt; un seed che ha dato una buona immagine con un prompt non è speciale per un altro.
Perché i modelli video hanno due valori CFG?
Wan 2.2 e altri usano un esperto di rumore alto per la prima metà dei passi e uno di rumore basso per la seconda; ognuno ha il suo CFG e spesso la sua LoRA.
La dimensione del batch cambia i risultati?
No, ogni immagine in un batch usa il suo seed (seed, seed+1, ...). Cambia solo velocità e memoria.
Link e fonti
- 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
Modelli di questa guida
Scritto da
Quartermaster
Guide correlate
Modelli
Come funzionano i modelli generativi di immagini AI: diffusione, latenti e codificatori di testo spiegati semplicemente
Il meccanismo dietro Stable Diffusion, SDXL, Flux e i modelli video senza la matematica: cosa c’entra il rumore, perché i modelli lavorano in uno spazio latente compresso, cosa fanno il codificatore di testo e il VAE, cosa cambiano davvero i passaggi e la guida, e perché i dati di addestramento decidono cosa un modello può disegnare.
Di Quartermaster
2025-08-28
Prompting
Nozioni di base per scrivere prompt per immagini AI: struttura, ordine, pesi e i due dialetti dei prompt
Come scrivere un prompt che funziona al primo colpo: l’ordine soggetto-scena-stile, perché conta la posizione delle parole, il dialetto a tag dei modelli anime SDXL contro il dialetto a frase di Flux e Qwen, i pesi di attenzione, i limiti di lunghezza del prompt e una checklist per sistemare un prompt ignorato.
Di Captain
2025-10-22
Prompting
Prompt negativi: cosa fanno, quando aiutano e perché Flux non ne ha bisogno
Il prompt negativo spiegato attraverso il funzionamento del classifier-free guidance: una breve lista che aiuta su SD 1.5 e SDXL, gli embedding negativi che la gente usa davvero, perché i negativi lunghi copiati e incollati fanno più male che bene, e cosa fare invece su Flux, Qwen e altri modelli con guidance distillata che non hanno affatto un negativo.
Di Lookout
2025-11-05
Modelli
SDXL-Lightning: generazione in quattro passaggi su qualsiasi checkpoint SDXL
Lo LoRA SDXL-Lightning di ByteDance trasforma un rendering SDXL da 30 passaggi in uno da 4. Scopri il numero di passaggi, il CFG da usare, il sampler e come combinarlo con i tuoi checkpoint e LoRA di stile preferiti.
Di Captain
2026-09-30
Prompting
Basi di img2img, inpainting e outpainting: correggere le mani, scambiare oggetti ed estendere un'immagine
I tre modi per generare a partire da un'immagine esistente invece che dal rumore: img2img per restyling con un valore di denoise, inpainting per ridipingere solo un'area mascherata (la correzione standard per mani e volti), e outpainting per estendere la tela; con le scelte di denoise, padding e modello per SD 1.5, SDXL, Flux Fill e Qwen Image Edit.
Di Captain
2025-12-03
Altre guide
Servizi cloud
Tariffa fissa vs token: perché i piani illimitati come Graydient.ai sono il miglior valore per i creatori AI nel 2026
Un confronto dei costi classificato, con prezzi aggiornati all'8 ottobre 2026, tra piani illimitati a tariffa fissa come Graydient.ai e prezzi a token e credito di Midjourney, Leonardo, fal.ai, Replicate, Runway e Kling: quanto costano davvero 1.000 immagini e 1.000 video al mese su ciascuno, e perché una tariffa fissa per immagini, video, audio, chat Grok LLM e app web illimitate è il miglior valore per i creatori che fanno iterazioni.
Di Captain
2026-10-08
Modelli
FLUX.1 Dev: come usarlo, impostazioni migliori e idee creative
Una guida pratica a FLUX.1 Dev di Black Forest Labs: come scrivere i prompt in linguaggio naturale, impostazioni di guida e passi, stacking di LoRA, rendering del testo e idee per prompt che sfruttano i suoi punti di forza.
Di Captain
2026-09-30
Modelli
Stable Diffusion XL 1.0: prompt, impostazioni e cosa fa ancora meglio
Come ottenere il massimo dal modello base ufficiale SDXL 1.0: risoluzioni native, impostazioni di CFG e sampler, il refiner, prompt negativi e idee per stili in cui SDXL brilla ancora.
Di Captain
2026-10-01
Modelli
Stable Diffusion 1.5: il modello classico, usato nel modo giusto
Stable Diffusion 1.5 vale ancora la pena conoscerlo: la risoluzione giusta, CFG e sampler, come usare la sua enorme libreria di LoRA e embedding, e idee creative per prompt adatte a un modello a 512 pixel.
Di Captain
2026-10-02
Modelli
FLUX.2 Dev: come usare il modello più recente di Black Forest Labs
FLUX.2 Dev supporta prompt più lunghi, testo migliore, realismo più forte e modifica con riferimenti multipli. Questa guida spiega il flusso turbo, le impostazioni di guida e risoluzione, la struttura del prompt e idee che sfruttano le sue nuove potenzialità.
Di Captain
2026-10-03
Modelli
Qwen-Image: prompt lunghi, testo perfetto e poster bilingue
Qwen-Image è il modello da usare quando le parole nell'immagine contano. Scopri come scrivere prompt descrittivi lunghi, riprodurre testo in inglese e cinese con precisione, impostare CFG e passi, e esplorare idee creative con layout complessi.
Di Captain
2026-09-29
Model
Trends
.ai
© ModelTrends.ai
|
© 2026
|
Tutti i diritti riservati