В мире генеративных нейросетей, особенно в Stable Diffusion и аналогичных моделях, семплеры играют ключевую роль. Именно они определяют, как из шума постепенно формируется изображение. Выбор семплера напрямую влияет на скорость генерации, детализацию, художественный стиль и даже на вариативность результатов при одинаковом промпте. Сегодня мы подробно сравним четыре популярных метода: Euler a, DPM++ 2M Karras, Heun и LMS. Эти семплеры остаются одними из самых востребованных даже в 2025–2026 годах.
Что такое семплер и почему их так много
Семплер — это алгоритм, который на каждом шаге denoising-процесса решает, как именно корректировать текущее noisy-изображение, приближая его к целевому распределению данных. Разные семплеры используют различные математические подходы: от простых первых порядков до более сложных многошаговых методов второго порядка. Некоторые добавляют ancestral (стохастическую) компоненту, другие стремятся к детерминированному сходимости.
Простые семплеры работают быстрее на одно и то же количество шагов, но часто требуют больше итераций для достижения высокого качества. Сложные алгоритмы могут давать отличный результат уже на 20–30 шагах, зато каждый шаг занимает чуть больше времени из-за дополнительных вычислений.
Краткая характеристика каждого семплера
Euler a (ancestral версия обычного Euler) — один из самых старых и до сих пор очень популярных вариантов. Он добавляет контролируемый шум на каждом шаге, поэтому при одинаковом сиде и промпте каждый запуск даёт заметно отличающийся результат. Это делает его идеальным выбором, когда нужна высокая вариативность — например, при генерации множества концепт-артов или поиске удачных композиций. При этом качество картинки быстро растёт уже на 15–25 шагах, а после 30–40 шагов улучшения становятся минимальными. Многие пользователи считают Euler a «золотым стандартом» для быстрых экспериментов именно из-за сочетания скорости и творческой непредсказуемости.
DPM++ 2M Karras — на сегодняшний день самый часто рекомендуемый универсальный семплер в сообществе. Он относится к семейству Denoising Diffusion Probabilistic Models второго порядка с многошаговой (multistep) схемой и использует Karras-шумовой график, который оптимизирует распределение шагов по времени. Благодаря этому изображение быстро достигает высокой чёткости и детализации. Уже на 20–30 шагах картинка выглядит заметно лучше, чем у многих других семплеров на том же количестве итераций. После 40 шагов дальнейшее увеличение редко приносит значимый прирост, что делает его очень экономичным по времени. Особенно хорошо проявляет себя при генерации портретов, реалистичных сцен и сложных фонов.
Heun — классический семплер второго порядка, который делает два вычисления на каждом шаге (поэтому в 1,8–2 раза медленнее одноступенчатых методов). За счёт повышенной точности он сходится быстрее по количеству шагов: отличные результаты можно получить уже на 15–25 итерациях. Однако из-за двойных расчётов общее время генерации часто оказывается выше, чем у DPM++ 2M Karras при сопоставимом качестве. Heun особенно ценят, когда важна максимальная точность траектории denoising и когда машина позволяет не экономить каждую секунду. В современных интерфейсах его используют реже, но он остаётся эталоном для сравнения точности других алгоритмов.
LMS (Linear Multi-Step) — ещё один многошаговый метод, который пытается учитывать информацию с нескольких предыдущих шагов для более точного предсказания. В обычной версии без Karras-оптимизации он показывает средние результаты: качество растёт стабильно, но медленнее, чем у DPM++ 2M, и часто уступает по деталям на низком числе шагов. Многие отмечают, что LMS склонен к небольшому «перешумлению» или недостаточной контрастности на 20–30 шагах по сравнению с лидерами. Тем не менее он остаётся неплохим запасным вариантом, особенно если по каким-то причинам другие популярные семплеры дают неожиданные артефакты.
Прямое сравнение в реальных сценариях
- Скорость генерации при фиксированном качестве. DPM++ 2M Karras обычно выигрывает: он выдаёт картинку приемлемого уровня уже на 18–25 шагах, а каждый шаг выполняется относительно быстро. Euler a требует примерно 22–35 шагов для похожего уровня детализации, но благодаря простоте расчётов часто обгоняет по общему времени на слабом железе. Heun, несмотря на более быструю сходимость по шагам, проигрывает из-за двойных вычислений. LMS в большинстве случаев оказывается в середине или чуть позади.
- Вариативность результатов при одинаковом сиде. Здесь безусловный лидер — Euler a. Стохастическая природа позволяет каждый раз получать совершенно разные композиции, ракурсы и детали даже при фиксированном промпте. DPM++ 2M Karras, Heun и LMS ведут себя почти детерминировано: изменение сида даёт похожие кадры, а вариации появляются в основном за счёт смены промпта или CFG. Поэтому для творческого поиска идей Euler a остаётся незаменимым, или его фотографии — для строгой воспроизводимости лучше брать любой из остальных трёх.
Какой семплер лучше
Выбор зависит от задачи. Если нужно быстро перебрать десятки вариантов и найти интересную композицию — запускайте Euler a на 20–30 шагах. Когда требуется высокое качество с минимумом итераций, особенно для финальных рендеров портретов, пейзажей или коммерческих иллюстраций — DPM++ 2M Karras на 25–40 шагах почти всегда даёт лучший баланс. Heun стоит пробовать, если у вас мощная видеокарта и вы хотите выжать максимум точности на небольшом числе шагов. LMS чаще используют как запасной вариант или в специфических workflow, где он неожиданно хорошо сочетается с определёнными моделями.
В итоге большинство опытных пользователей сходятся на двух семплерах: Euler a для креатива и разведки, DPM++ 2M Karras для всего остального. Остальные семплеры полезно знать и иногда тестировать, но в повседневной работе они применяются значительно реже.
Вопрос-ответ
1. Правда ли, что Euler a уже устарел в 2026 году? Нет, Euler a вовсе не устарел и продолжает оставаться одним из самых активно используемых семплеров даже в середине 2026 года. Его главная сила — в чрезвычайно высокой вариативности: при фиксированном сиде и промпте каждый новый запуск даёт заметно отличающуюся композицию, освещение, ракурс и даже мелкие детали лиц и фигур. Именно поэтому большинство художников и концепт-артистов начинают именно с него, когда нужно быстро набросать 50–100 вариантов одной идеи за короткое время. При этом качество картинки у Euler a растёт очень быстро — уже на 18–22 шагах изображение выглядит вполне прилично, а после 30–35 шагов дальнейшее увеличение числа шагов почти не приносит видимого улучшения. Многие современные модели (особенно аниме- и иллюстрационные чекпоинты) до сих пор специально «затачиваются» именно под Euler a, поэтому его удаление из интерфейсов было бы встречено очень негативно сообществом.
Второй важный момент — скорость вычислений. Euler a относится к простейшим одноступенчатым методам, поэтому каждый шаг выполняется ощутимо быстрее, чем у большинства современных «продвинутых» семплеров. На слабых и средних видеокартах (RTX 3060–4070) это даёт заметное преимущество в реальном времени генерации, особенно когда человек делает массовые батчи. При этом стохастическая природа позволяет легко обходить неудачные композиции простым перезапуском с тем же сидом — то, что у детерминированных семплеров потребовало бы изменения сида или промпта. Именно сочетание скорости, вариативности и приемлемого качества на малом числе шагов делает Euler a незаменимым инструментом для стадии «brainstorming» и поиска удачных идей.
Третий аспект — совместимость и предсказуемость поведения в разных LoRA и ControlNet. Многие старые и средние по возрасту LoRA-паки, обученные в 2023–2025 годах, показывают наилучший результат именно на Euler a (или его близких родственниках типа Euler). Переход на более новые семплеры иногда приводит к неожиданному «размыванию» эффекта LoRA или к появлению странных артефактов, поэтому опытные пользователи всегда держат Euler a в быстром доступе и используют его как референсный семплер при тестировании новых моделей и дополнений.
2. Какой семплер даёт самые чёткие лица и руки на 25 шагах? На большинстве актуальных реалистичных и полупсевдореалистичных моделей 2025–2026 годов лидером по чёткости лиц, глаз, пальцев и мелких текстур на 25 шагах остаётся DPM++ 2M Karras. Этот семплер использует оптимизированное распределение шагов по времени (Karras scheduling) и многошаговую схему второго порядка, что позволяет ему очень быстро выводить картинку на высокий уровень детализации и контрастности. Уже на 20–22 шагах лица обычно имеют правильную анатомию глаз, чёткие брови, ресницы и поры, а руки перестают быть «картофельными» гораздо раньше, чем у большинства альтернатив. После 30 шагов дальнейший прирост минимален, поэтому 25–28 шагов — это тот «сладкий» диапазон, где качество уже почти максимальное, а время генерации остаётся разумным.
Важный нюанс: преимущество DPM++ 2M Karras особенно заметно на высоких CFG (7.5–12), где другие семплеры начинают «пережаривать» картинку или терять coherentность. Karras-версия лучше справляется с высоким направляющим сигналом, сохраняя при этом естественность текстур кожи, волос и одежды. Именно поэтому большинство крупных генераторов изображений (включая коммерческие сервисы) по умолчанию ставят именно этот семплер в 2026 году. Он стал фактическим стандартом де-факто для финального рендера, когда нужна высокая детализация без чрезмерного числа итераций.
Третий момент касается совместимости с негативными промптами и inpainting/outpainting. DPM++ 2M Karras демонстрирует наименьшее количество «мусора» в фоне и наименее агрессивное искажение при сильном негативном промпте. Это делает его самым надёжным выбором для коммерческой иллюстрации, портретов на заказ и любых задач, где заказчик требует чётких лиц и анатомически корректных рук без последующей долгой доработки в фотошопе.
3. Стоит ли вообще использовать Heun в 2026 году? Heun всё ещё имеет смысл использовать, но только в очень конкретных сценариях и при наличии достаточно мощного железа. Этот семплер относится к методам второго порядка и делает два полных вычисления на каждом шаге, что делает его примерно в 1.7–2 раза медленнее одноступенчатых аналогов. Зато за счёт повышенной точности траектории он достигает очень высокого качества уже на 14–20 шагах — иногда картинка на 18 шагах Heun выглядит субъективно чище и детальнее, чем на 28 шагах у DPM++ 2M Karras. Особенно это заметно на сложных сценах с большим количеством мелких объектов, тонкими текстурами и переплетёнными элементами (например, кружевная одежда, густая листва, сложные украшения).
Однако в повседневной практике Heun проигрывает по соотношению качество/время почти всем современным конкурентам. Разница в качестве между 18 шагами Heun и 26–30 шагами DPM++ 2M Karras часто оказывается настолько небольшой, что большинство людей не замечает её без прямого A/B-теста бок о бок. При этом время генерации у Heun заметно больше, что особенно раздражает при батчевой генерации или при использовании ControlNet с несколькими модулями одновременно. Поэтому в 2026 году Heun чаще оставляют как «тестовый» или «эталонный» семплер, на котором проверяют, насколько точно другие алгоритмы воспроизводят идеальную траекторию denoising.
Третий случай, когда Heun оправдан — это ситуации, когда вы работаете с очень низким CFG (3.5–5.5) и хотите получить максимально «мягкую», живописную картинку без характерной «пересушенности», которую дают многие современные семплеры. На низком CFG Heun иногда выдаёт более естественные градиенты и переходы цвета, что ценится в художественной цифровой живописи и стилизациях под классических художников.
4. Почему DPM++ 2M Karras почти всегда побеждает в сравнениях? DPM++ 2M Karras побеждает в большинстве слепых тестов и повседневных сравнений благодаря очень удачному компромиссу между скоростью, качеством и универсальностью. Он сочетает в себе преимущества многошаговых методов второго порядка с оптимизированным шумовым расписанием Karras, которое распределяет вычислительные ресурсы так, чтобы самые важные улучшения происходили в первые 60–70% шагов. В результате уже на 20 шагах картинка выглядит значительно лучше, чем у большинства других семплеров, а после 30–35 шагов дальнейшее увеличение почти бесполезно — это позволяет экономить время без потери качества.
Второй фактор — отличная работа с высоким CFG и сложными промптами. Многие семплеры при CFG выше 9–10 начинают либо «пережаривать» картинку (слишком буквально следовать промпту), либо терять coherentность и вводить странные артефакты. DPM++ 2M Karras сохраняет баланс между следованием промпту и естественностью даже на CFG 11–14, что делает его идеальным для очень детализированных и специфичных запросов. Именно поэтому большинство LoRA, textual inversion и hypernetwork, выпускаемых в 2025–2026 годах, тестируются и оптимизируются в первую очередь под этот семплер.
Третий важный момент — минимальная вариативность при фиксированном сиде. Для коммерческих задач, стоковой иллюстрации, обложек и любых работ, где нужна воспроизводимость, это огромное преимущество. Клиент может попросить точно такую же картинку с небольшими правками — и вы получите почти идентичный результат, чего невозможно добиться с ancestral-семплерами типа Euler a. Именно эта предсказуемость + высокое качество на среднем числе шагов сделала DPM++ 2M Karras фактическим индустриальным стандартом 2026 года.
5. В чём основная разница между обычным DPM++ 2M и версией Karras? Основное отличие между DPM++ 2M и DPM++ 2M Karras заключается в используемом шумовом расписании (noise schedule) и распределении временных шагов. Обычная версия DPM++ 2M работает с линейным или близким к линейному расписанием, где шаги denoising распределены равномерно по всему процессу от полного шума до чистого изображения. Это приводит к тому, что значительная часть вычислений тратится на «хвост» процесса — последние 20–30% шагов, когда картинка уже почти сформирована и изменения минимальны. В результате для достижения высокого качества часто требуется 40–60 шагов, а качество на 20–25 шагах остаётся заметно ниже, чем могло бы быть при более умной стратегии. Karras-вариант радикально меняет подход: он применяет специальное нелинейное расписание, предложенное в работе Tero Karras 2022 года, которое сильно смещает большинство важных изменений в первые 50–70% шагов, а последние итерации делает очень маленькими и почти незаметными. Благодаря этому уже на 20–28 шагах изображение достигает уровня детализации, который у обычного DPM++ 2M требует 45–55 шагов.
Второй ключевой момент — поведение при разных CFG-шкалах и типах промптов. Karras-версия гораздо стабильнее ведёт себя на высоких значениях CFG (9–14), где обычный DPM++ 2M часто начинает вводить чрезмерную контрастность, перешарп или странные цветовые сдвиги. Karras лучше сохраняет естественность градиентов, текстур кожи, неба и сложных фонов даже при агрессивном следовании промпту. Это особенно важно для реалистичных моделей и фотостилизаций 2025–2026 годов, где перешарп или «пластиковый» вид — одна из главных жалоб пользователей. Кроме того, Karras-вариант меньше склонен к случайным артефактам в фоне при использовании негативных эмбеддингов и ControlNet, что делает его более надёжным для коммерческого использования.
Третий аспект — субъективное восприятие «художественности». Многие пользователи отмечают, что обычный DPM++ 2M на высоком числе шагов иногда даёт чуть более «живописный», мягкий результат с приятными переходами цвета, тогда как Karras-версия чаще выглядит «цифрово-чёткой» и современной. Поэтому некоторые художники, работающие в стилях цифровой живописи или аниме с мягкими тенями, до сих пор предпочитают отключать Karras и использовать базовый DPM++ 2M на 40–50 шагах. Но в абсолютном большинстве случаев (особенно для портретов, продуктовой съёмки, фэнтези-иллюстраций) именно DPM++ 2M Karras выигрывает по совокупности факторов и остаётся самым рекомендуемым семплером в 2026 году.
6. Сколько шагов реально нужно для Euler a, чтобы картинка выглядела «готовой»? Для Euler a в 2026 году «готовой» картинкой большинство пользователей считают результат на 24–35 шагах — это тот диапазон, где дальнейшее увеличение числа итераций даёт минимальный визуальный прирост. Уже на 18–22 шагах изображение обычно имеет приемлемую чёткость контуров, правильную композицию и базовую детализацию лиц/рук, что вполне достаточно для стадии скетчинга, поиска композиции или массовой генерации вариантов. На 25–30 шагах добавляется хорошая проработка текстур (кожа, волосы, ткань), освещение становится более естественным, а артефакты типа лишних пальцев или смазанных краёв практически исчезают при нормальном промпте и CFG 7–9. После 35–38 шагов улучшения становятся настолько тонкими (лёгкое повышение контраста, едва заметное уточнение мелких деталей), что разница заметна только при 200–300% увеличении или при прямом сравнении side-by-side.
Важно понимать, что из-за стохастической природы Euler a каждый дополнительный шаг вносит небольшое случайное изменение, поэтому иногда 28 шагов выглядят субъективно лучше, чем 32, даже если технически качество растёт. Это одна из причин, почему многие люди делают 30 шагов по умолчанию — это комфортный баланс между временем ожидания и вероятностью получить удачный кадр. На слабом железе (например, 8–12 ГБ VRAM) именно 25–32 шага позволяют генерировать батчи по 4–8 изображений за разумное время без сильного перегрева карты.
Ещё один нюанс касается разных моделей: аниме- и иллюстрационные чекпоинты (Anything V5, Counterfeit, Pony Diffusion и т.п.) часто достигают пика качества на Euler a уже на 20–26 шагах, тогда как реалистичные модели (Realistic Vision, Juggernaut XL, EpicRealism) требуют ближе к 30–35, чтобы кожа перестала выглядеть слишком гладкой, а волосы — слишком «прядями». Поэтому опытные пользователи почти всегда начинают с 30 шагов на Euler a и только потом корректируют в меньшую или большую сторону в зависимости от стиля и конкретного промпта.
7. Правда ли, что ancestral-семплеры (Euler a, DPM++ 2S a Karras и т.п.) всегда дают больше вариативности? Да, это правда и одно из самых фундаментальных отличий ancestral-семплеров от обычных детерминированных. В ancestral-версиях (к которым относятся Euler a, DPM++ 2S a, DPM++ SDE Karras и некоторые другие) на каждом шаге добавляется небольшое контролируемое количество шума даже после того, как процесс denoising уже идёт. Это имитирует поведение оригинальных DDPM с ancestral sampling и делает траекторию недетерминированной: даже при абсолютно одинаковом сиде, промпте, CFG и модели два последовательных запуска почти всегда дают разные композиции, ракурсы, освещение, позы и даже черты лица. Именно поэтому Euler a остаётся лучшим выбором для генерации множества вариантов одной идеи — за 2–3 минуты можно получить 20–30 совершенно разных интерпретаций промпта без изменения сида.
У детерминированных семплеров (DPM++ 2M Karras, Heun, LMS, UniPC и т.д.) такого искусственного шума нет — процесс строго следует математической траектории, поэтому при фиксированном сиде результат воспроизводится с точностью до пикселя (за исключением случайностей, связанных с плавающей точкой на разных GPU). Это огромное преимущество для задач, где нужна предсказуемость: доработка через img2img, inpainting, outpainting, создание серий одинаковых персонажей в разных позах и т.д. Но для творческого поиска идей, брейншторминга или генерации «wild» концепт-арта детерминированность становится недостатком — все варианты выглядят слишком похожими.
Третий аспект — влияние на обучение LoRA и Dreambooth. Ancestral-семплеры часто дают более разнообразные датасеты при генерации изображений для дообучения, что в некоторых случаях улучшает обобщающую способность модели. Однако большинство современных гайдов по обучению рекомендуют именно детерминированные семплеры для финальной выборки, чтобы результаты были воспроизводимыми. Таким образом, ancestral лучше для исследования и генерации идей, а обычные — для точной работы и коммерческого пайплайна.
8. Какой семплер лучше всего работает с ControlNet (особенно с OpenPose и Depth)? На 2026 год абсолютным фаворитом для работы с ControlNet (все типы: OpenPose, Depth, Canny, Lineart, Tile, IP-Adapter и т.д.) остаётся DPM++ 2M Karras. Этот семплер показывает наилучшую совместимость с контролем благодаря своей стабильной траектории и способности сохранять структуру даже при высоком весе ControlNet (1.0–1.5). OpenPose-контроль даёт очень точное позирование тела и рук уже на 20–25 шагах, Depth-карта сохраняет объём и перспективу без «плавания» объектов, а Canny/Lineart не размываются и не теряют важные контуры. Karras-версия также меньше склонна к конфликтам между промптом и контролем — даже при сильном весе ControlNet картинка не превращается в «перемолотую кашу», а сохраняет художественность и детализацию.
Heun иногда показывает чуть более точное следование сложным Depth- и Normal-картам на очень низком числе шагов (12–18), но из-за двойной вычислительной нагрузки общее время генерации становится неприемлемым для большинства пользователей. Euler a с ControlNet работает хорошо только при низком весе контроля (0.4–0.8) — при весе близком к 1.0 стохастическая природа начинает сильно ломать позу и композицию, добавляя случайные искажения, которые ControlNet не может полностью подавить. LMS и UniPC тоже неплохи, но обычно уступают DPM++ 2M Karras по балансу чёткости и естественности.
Ещё один важный момент — комбинация ControlNet + LoRA + высокое разрешение. DPM++ 2M Karras лучше всех справляется с такими тяжёлыми сценариями: он реже «ломается» на 768×1280 или 1024×1024 с несколькими ControlNet-модулями одновременно и даёт меньше артефактов на границах тайлов при использовании MultiDiffusion/Tiled VAE. Поэтому в профессиональных workflow (комиксы, storyboard, character sheets) именно этот семплер ставят по умолчанию для любых задач с контролем.
9. Какой семплер лучше всего подходит для аниме-стилей и почему? В 2026 году для большинства аниме-, манга- и иллюстрационных моделей (Pony Diffusion, AutismMix, Counterfeit-V3, Animagine XL, NovelAI leak-варианты и т.п.) безусловным фаворитом остаётся Euler a — именно он даёт самый характерный «анимешный» вид с резкими контурами, яркими цветами, выразительными глазами и минимальным количеством нежелательных реалистичных текстур. Stoхастическая природа Euler a идеально сочетается с тем, как эти модели обучены: они часто содержат много вариативности в датасете, и добавление контролируемого шума на каждом шаге помогает избежать «пересушенности» и чрезмерной гладкости, которые иногда появляются у детерминированных семплеров. На 20–28 шагах Euler a обычно выдаёт картинки с идеально прорисованными волосами (отдельными прядями без слипания), большими глазами с бликами, чёткими линиями и приятной насыщенностью без перешарпа. Многие авторы LoRA для аниме специально указывают в описании «best with Euler a, 20–30 steps», потому что на других семплерах их модель может терять фирменный стиль или начинать добавлять ненужные детали кожи/тени в реалистичном ключе.
DPM++ 2M Karras тоже отлично работает с аниме, особенно если нужен более «чистый», современный и детализированный результат (например, в стиле последних сезонов аниме 2025–2026 годов или гипердетализированных артов). Он даёт лучшую проработку фона, одежды и мелких аксессуаров уже на 18–25 шагах, но часто делает картинку чуть более «цифровой» и менее «традиционной» по сравнению с Euler a — глаза могут быть менее выразительными, а линии чуть мягче. Поэтому его чаще выбирают для финального рендера, когда уже выбрана композиция через Euler a, или для стилей, близких к реалистичному аниме (например, студийный стиль ufotable или MAPPA). Heun и LMS в аниме используются редко: Heun слишком медленный и даёт избыточную точность, которая в аниме-стиле часто выглядит «перегруженной», а LMS склонен к лёгкому размытию контуров и потере насыщенности на низком числе шагов.
Ещё один важный фактор — CFG-шкала: в аниме-моделях Euler a комфортно держит CFG 5.5–8.5, где он сохраняет творческую свободу и не «приклеивает» промпт слишком буквально, в то время как DPM++ 2M Karras часто требует CFG 6–9 для оптимального результата. Поэтому типичный workflow для аниме в 2026 году выглядит так: сначала 50–100 быстрых генераций на Euler a 22–26 шагов для поиска удачного варианта, потом фиксация сида и доработка на DPM++ 2M Karras 25–35 шагов для повышения детализации и чистоты.
10. Стоит ли пробовать UniPC или DPM++ SDE Karras вместо классики? UniPC (Unified Predictor-Corrector) и DPM++ SDE Karras — это два достаточно новых (по меркам 2026 года) семплера, которые действительно могут превосходить классику в определённых сценариях, но они пока не вытеснили DPM++ 2M Karras и Euler a как универсальные лидеры. UniPC выделяется тем, что использует предиктор-корректор схему с несколькими внутренними подшагами, что позволяет ему достигать очень высокого качества на крайне малом числе итераций — часто 12–18 шагов UniPC выглядят как 30–40 шагов у других семплеров. Это делает его идеальным для пользователей с очень мощным железом (RTX 4090/5090 и выше), где время на шаг не критично, но хочется максимально быстро получать почти финальный результат. Особенно хорошо UniPC показывает себя на сложных сценах с множеством объектов, где нужно быстро «собрать» coherentную композицию без долгого denoising. Однако на слабом и среднем железе разница в скорости шага съедает всё преимущество, а на некоторых моделях UniPC может давать чуть более «мягкие» текстуры и менее резкие контуры, что не всем нравится.
DPM++ SDE Karras — это стохастическая версия DPM++ с Karras-расписанием, которая сочетает преимущества ancestral-сэмплинга (вариативность) и высокую детальность DPM++ семейства. Он даёт заметно больше разнообразия, чем обычный 2M Karras, но при этом сохраняет отличную чёткость лиц, рук и фона уже на 20–30 шагах. Многие считают его «золотой серединой» между Euler a и DPM++ 2M Karras: вариативность выше, чем у чисто детерминированных, но ниже, чем у чистого Euler a, а качество детализации — одно из лучших в классе. Особенно хорошо DPM++ SDE Karras работает с реалистичными и полупсевдореалистичными моделями, где нужна контролируемая случайность (например, разные выражения лица или позы при одном промпте). Минус — он чуть медленнее обычного 2M Karras и иногда вводит больше шума в фон при высоком CFG.
В итоге в 2026 году большинство пользователей пробуют UniPC и DPM++ SDE Karras как «экспериментальные» варианты: если стандартные семплеры дают скучные или однотипные результаты — стоит переключиться на них. Но для повседневной работы 90% людей всё ещё держатся на Euler a + DPM++ 2M Karras, потому что эти два покрывают почти все нужды без лишних сюрпризов и с максимальной предсказуемостью поведения на разных моделях.
11. Влияет ли выбор семплера на то, как хорошо срабатывают негативные промпты? Да, выбор семплера существенно влияет на эффективность негативных промптов, и это один из самых недооцениваемых аспектов в 2026 году. DPM++ 2M Karras — абсолютный чемпион по работе с сильными негативными эмбеддингами и длинными списками «избегать»: он очень хорошо подавляет нежелательные элементы (уродливые руки, лишние конечности, размытость, водяные знаки, текст, деформированные лица и т.д.) уже на среднем CFG (7–10) и не требует экстремально высокого веса негативного промпта. Благодаря оптимизированному расписанию Karras семплер быстро уходит от «плохих» регионов латентного пространства, поэтому даже при весе негативного промпта 1.0–1.4 картинка остаётся coherentной и детализированной, а не превращается в кашу. Это делает его идеальным для коммерческих задач, где клиент категорически не хочет видеть определённые вещи (логотипы, насилие, специфические дефекты).
Euler a работает с негативными промптами заметно хуже: из-за стохастической природы даже сильный негатив может быть «перекрыт» случайным шумом на каком-то шаге, и в результате в 20–30% случаев нежелательный элемент всё равно просачивается (например, текст на одежде или уродливая рука). Чтобы компенсировать это, люди часто поднимают вес негатива до 1.5–2.0, но тогда картинка начинает терять насыщенность, контраст и художественность. Именно поэтому для Euler a чаще используют не очень агрессивные негативные промпты и полагаются на встроенные safety-checker’ы моделей или пост-обработку.
Heun и LMS показывают средние результаты: Heun благодаря двойной точности лучше отсекает плохие траектории, но из-за медлительности его редко используют специально для этой цели; LMS иногда «застревает» на нежелательных паттернах дольше других, особенно если негативный промпт содержит абстрактные понятия вроде «blurry, low quality». В целом правило простое: если негативный промпт — ваш главный инструмент борьбы с артефактами, ставьте DPM++ 2M Karras и не бойтесь поднять его вес до 1.2–1.5; для творческих экспериментов с минимальным негативом Euler a остаётся комфортнее всех.
12. Какой семплер меньше всего «пережаривает» картинку при высоком CFG? При высоком CFG (10–16 и выше) меньше всего «пережаривает» и сохраняет естественность именно DPM++ 2M Karras — это один из главных секретов его популярности в 2026 году. Большинство других семплеров при CFG выше 10 начинают чрезмерно усиливать контраст, делать цвета кислотными, добавлять перешарп, переэкспонированные блики и слишком буквальное следование каждому слову промпта, из-за чего картинка теряет художественность и выглядит «выжженной». Karras-расписание и многошаговая схема второго порядка позволяют семплеру лучше балансировать между следованием промпту и сохранением естественных градиентов, текстур кожи, мягких теней и атмосферы. Даже на CFG 12–14 лица остаются живыми, волосы не превращаются в проволоку, а фон не заполняется шумом или странными паттернами.
Euler a при высоком CFG ведёт себя очень плохо: стохастическая компонента усиливает хаос, и вместо чёткого усиления желаемых качеств часто появляются новые артефакты, перекошенные лица, лишние объекты и цветовые вспышки. Поэтому для Euler a рекомендуют редко превышать CFG 8–9.5, а если нужно сильное следование промпту — лучше сразу перейти на детерминированный семплер. Heun теоретически должен справляться лучше благодаря повышенной точности, но на практике при высоком CFG он часто даёт ещё более «пересушенный» и контрастный результат, чем DPM++ 2M, плюс двойная вычислительная нагрузка делает его непрактичным для таких экспериментов. LMS тоже склонен к пережариванию, особенно на последних шагах.
Третий нюанс — комбинация высокого CFG с негативным промптом: здесь DPM++ 2M Karras снова выигрывает, потому что может одновременно сильно следовать позитиву и жёстко подавлять негатив без взаимного конфликта. Это особенно заметно в задачах типа «очень специфичный стиль + избегать всех типичных дефектов», где другие семплеры либо не справляются с одним из направлений, либо жертвуют качеством. Поэтому если вы любите работать с CFG 11+, держите DPM++ 2M Karras как основной и экспериментируйте с остальными только для мягких, низко-CFG стилизаций.
13. Какой семплер лучше всего использовать для img2img и inpainting в 2026 году? Для img2img и особенно для inpainting в 2026 году подавляющее большинство профессиональных пользователей выбирают DPM++ 2M Karras — этот семплер даёт наилучший баланс между сохранением исходной структуры изображения, точным следованием промпту в изменяемых областях и минимальным количеством нежелательных артефактов на границах маски. Благодаря Karras-расписанию он очень быстро «встраивает» новые элементы в существующую картинку уже на 15–25 шагах при denoising strength 0.4–0.7, при этом края маски остаются мягкими и естественными, без резких переходов или «гало»-эффекта, который часто появляется у других семплеров. В inpainting он особенно хорош при работе с лицами, руками и мелкими деталями: перерисовка глаз, исправление анатомии пальцев или добавление аксессуаров происходит с высокой точностью и без потери стиля исходной модели. Многие автоматические inpainting-скрипты (включая ADetailer, After Detailer и встроенные в ComfyUI/Forge) по умолчанию используют именно DPM++ 2M Karras, потому что он реже «выбрасывает» исходную композицию даже при strength 0.8+.
Euler a в img2img работает неплохо только при низком denoising strength (0.2–0.45) и когда нужна высокая вариативность — например, для генерации нескольких разных интерпретаций одной базовой картинки (разные позы, освещение, одежда). Но при strength выше 0.5 стохастичность начинает сильно ломать исходную структуру: лицо может измениться до неузнаваемости, фон «поплыть», а маска inpainting часто даёт рваные края и случайные вставки. Поэтому Euler a чаще используют для креативного img2img на ранних стадиях, а не для точечной доработки. Heun иногда показывает чуть лучшую coherentность при очень низком strength и сложных масках (например, замена фона целиком), но его медлительность делает его непрактичным для итеративной работы — когда нужно сделать 10–20 inpaint’ов подряд. LMS в img2img/inpainting обычно даёт средний результат с заметным размытием на границах и меньшей детализацией в перерисованных зонах.
Третий важный момент — совместимость с ControlNet в img2img (Reference-only, Tile, Inpaint с ControlNet). Здесь DPM++ 2M Karras снова лидирует: он лучше всех сохраняет контроль над позой/глубиной/контурами даже при сильном изменении промпта, в то время как ancestral-семплеры часто конфликтуют с контролем и добавляют ненужный хаос. Поэтому стандартный пайплайн в 2026 году выглядит так: грубая генерация и поиск идей на txt2img с Euler a, фиксация удачного варианта, потом точечная доработка через img2img/inpainting на DPM++ 2M Karras 20–35 шагов с denoising 0.35–0.65.
14. Почему некоторые модели «ненавидят» определённые семплеры? Некоторые модели действительно демонстрируют сильную «предпочтительность» к конкретным семплерам из-за того, как именно они были обучены и на каких семплерах генерировался их тренировочный датасет. Например, многие аниме-модели 2024–2026 годов (особенно Pony-семейство, AutismMix, различные merge’ы на базе NovelAI) в огромном количестве использовали Euler a (или его вариации) для генерации синтетических данных — поэтому при использовании этого семплера латентное пространство модели ведёт себя наиболее «натурально», цвета насыщенные, линии чёткие, глаза выразительные, а общий стиль остаётся близким к тому, что видел генератор во время обучения. Если переключиться на DPM++ 2M Karras или Heun, модель может начать выдавать более «реалистичные» текстуры кожи, сглаженные контуры, менее яркие блики в глазах — то есть терять свой фирменный «аниме-шарм». Это не баг, а следствие data bias: модель просто лучше обобщает на траекториях, которые видела чаще всего.
Аналогично, некоторые гиперреалистичные модели (Juggernaut XL финальные версии, EpicPhotogasm, RealVisXL) обучались преимущественно на датасетах, сгенерированных через DPM++ 2M Karras или его предшественников — поэтому на этом семплере они выдают максимальную детализацию пор, волос, кожи и освещения уже на 20–30 шагах. Переход на Euler a часто приводит к потере чёткости, появлению лёгкого «мультяшного» налёта или случайных артефактов в фоне, потому что стохастическая траектория уводит от «оптимального» пути, на котором модель была натренирована. Heun в таких случаях иногда даёт даже лучшее качество на малом числе шагов, но из-за скорости его редко используют специально. LMS чаще всего оказывается «нейтральным», но и самым скучным — модель на нём работает стабильно, но без пиковых всплесков качества.
Поэтому золотое правило 2026 года: всегда читайте описание модели на Civitai/HuggingFace — там почти всегда указывают «recommended sampler» и «best steps/CFG». Если автор пишет «Euler a 20–30 steps, CFG 5–8» — игнорировать это не стоит, иначе результат будет заметно хуже. Если написано «DPM++ 2M Karras 25–40 steps» — смело ставьте именно его для максимального качества. Эксперименты с другими семплерами полезны, но в 80–90% случаев «родной» семплер модели даёт на 20–40% лучшее субъективное впечатление.
15. Какой семплер быстрее всего даёт приемлемое качество на слабом железе? На слабом и среднем железе (RTX 3060 12 ГБ, 3070, 4060, 8–12 ГБ VRAM в целом) в 2026 году самым быстрым по времени до «приемлемого» качества остаётся Euler a — благодаря своей простоте (один расчёт на шаг) он позволяет генерировать полноценные 512×768 или 768×768 изображения за 8–15 секунд на 25 шагах. Уже на 18–22 шагах картинка имеет чёткие контуры, правильную композицию и базовую детализацию, что вполне достаточно для предварительного просмотра, массовой генерации вариантов или работы в режиме «быстрый батч» по 8–16 изображений сразу. На таком железе разница в скорости с DPM++ 2M Karras может достигать 30–60%, особенно если включены VAE tiling, xformers или torch.compile — Euler a просто меньше нагружает память и вычисления на каждом шаге.
DPM++ 2M Karras на слабом железе тоже вполне реален, но требует чуть больше времени: 20–28 шагов обычно занимают 15–25 секунд вместо 10–18 у Euler a. Зато качество на этих шагах субъективно выше — меньше артефактов, лучше лица/руки, чище фон, поэтому многие жертвуют 5–10 секундами ради финального результата без доработки. Heun на слабом железе почти неприемлем — двойные расчёты увеличивают время в 1.7–2 раза, и 20 шагов Heun могут занимать столько же, сколько 40–50 шагов Euler a, при этом разница в качестве часто не оправдывает ожидания. LMS находится где-то посередине по скорости, но качество растёт медленнее, поэтому он редко становится выбором №1 на слабом ПК.
Практический совет для слабого железа: используйте Euler a для всего творческого этапа (поиск идей, вариации, первые скетчи), а когда нашли удачный сид — фиксируйте его и переключайтесь на DPM++ 2M Karras с тем же промптом на 25–35 шагах для финального качества. Это даёт максимальную скорость без сильной потери в результате, плюс позволяет комфортно работать с батчами и не ждать по 40–60 секунд на каждую картинку.
16. Какой семплер лучше всего подходит для генерации высоких разрешений (1024×1024 и выше) без артефактов? В 2026 году для нативной генерации в высоких разрешениях (1024×1024, 1152×896, 1280×768 и выше) без сильных артефактов на границах тайлов и без чрезмерного «плавания» деталей лидером остаётся DPM++ 2M Karras — этот семплер лучше всех справляется с большими латентными пространствами благодаря оптимизированному Karras-расписанию и многошаговой схеме, которая равномерно распределяет denoising по всему изображению. На 25–40 шагах он даёт очень чистые результаты даже без HiRes fix: меньше случайных шумовых пятен в фоне, лучше coherentность сложных сцен (много людей, архитектура, густая листва), а руки и лица остаются анатомически корректными без типичных для высоких разрешений искажений. Многие современные модели (SDXL-семейство, Flux.1 dev/schnell, SD3-medium) специально оптимизированы под этот семплер в высоком разрешении, поэтому при использовании его по умолчанию артефакты минимальны даже на 1024×1536 без дополнительных расширений.
Euler a в высоких разрешениях работает заметно хуже: стохастическая природа приводит к тому, что на больших размерах случайный шум на каждом шаге сильнее влияет на дальние области изображения, из-за чего часто появляются «плавающие» объекты, лишние детали на заднем плане или размытые края композиции. Чтобы компенсировать это, приходится либо снижать CFG (что ослабляет промпт), либо увеличивать шаги до 50+, либо обязательно включать HiRes fix с upscale 1.5–2x, что сильно замедляет процесс на слабом железе. Поэтому Euler a чаще оставляют для начальной генерации в 512×768–768×1024, а потом переходят на img2img или HiRes с DPM++ 2M Karras для финального апскейла. Heun теоретически может дать чуть более точную детализацию на высоких разрешениях благодаря двойным расчётам, но время генерации становится запредельным (в 2–3 раза дольше), и на практике почти никто не использует его для 1024+. LMS показывает средние результаты с заметным ростом артефактов на краях тайлов.
Практический совет для высоких разрешений в 2026: всегда начинайте с DPM++ 2M Karras 30–45 шагов, CFG 6–9, и включайте Denoising strength 0.3–0.45 в HiRes fix (если используете), с апскейлером типа 4x-UltraSharp или Latent. Это даёт самый чистый и детализированный результат без лишних экспериментов. Если модель новая (типа Flux или SD3.5), проверьте рекомендации автора — в 90% случаев там будет именно DPM++ 2M Karras или его близкие родственники.
17. В чём разница между DPM++ 2M Karras и DPM++ 2M SDE Karras? DPM++ 2M Karras — детерминированный семплер (без добавления шума на шагах), а DPM++ 2M SDE Karras — его стохастическая версия (SDE означает Stochastic Differential Equation), где на каждом шаге добавляется контролируемый гауссов шум, аналогично ancestral-семплерам. Это главное отличие: обычный 2M Karras даёт почти идентичный результат при одном и том же сиде (максимальная воспроизводимость), а SDE-версия вносит вариативность даже при фиксированном сиде — каждый запуск будет немного отличаться в деталях композиции, освещении, текстурах и мелких элементах. При этом качество детализации у SDE-варианта часто субъективно выше или «живее»: лица выглядят более выразительными, волосы и одежда имеют естественную хаотичность, фон богаче деталями без перешарпа. На 20–35 шагах DPM++ 2M SDE Karras обычно превосходит обычный 2M Karras по художественности, особенно в реалистичных и полупсевдореалистичных стилях.
Второй аспект — поведение при высоком CFG: SDE-версия лучше справляется с CFG 10–15, потому что добавленный шум предотвращает чрезмерное «выжигание» картинки и потерю естественности градиентов. Обычный 2M Karras на очень высоком CFG может стать слишком контрастным и «пластиковым», в то время как SDE сохраняет мягкость теней и текстур кожи даже при сильном следовании промпту. Это делает DPM++ 2M SDE Karras популярным выбором для продвинутых пользователей, которые хотят вариативность без перехода на чистый Euler a (где вариативность слишком высокая и часто ломает coherentность). Минус SDE — чуть больше времени на шаг (из-за дополнительных расчётов шума) и меньшая предсказуемость, поэтому его реже используют для коммерческих задач с необходимостью точного воспроизведения.
Третий момент — совместимость с моделями: многие реалистичные чекпоинты 2025–2026 годов (особенно merge’ы на базе Juggernaut/RealVis) показывают лучшие результаты именно на SDE-варианте, потому что их тренировочные данные часто включали стохастические семплеры. В аниме-стилях SDE тоже работает хорошо, но уступает чистому Euler a по «классическому» ощущению. Поэтому типичный выбор: обычный 2M Karras — для воспроизводимости и скорости, SDE-версия — для более живых и разнообразных результатов при том же промпте.
18. Нужно ли увеличивать шаги при использовании LoRA и Textual Inversion? Не всегда, но в большинстве случаев да — добавление LoRA (особенно на весе 0.6–1.0) и Textual Inversion обычно требует на 5–15 шагов больше, чем чистая модель, чтобы LoRA полностью «включилась» и не осталась полупрозрачной или слабовыраженной. DPM++ 2M Karras, например, на чистой модели может давать отличный результат на 25 шагах, но с сильной LoRA (например, персонаж-specific или стиль-specific на 0.8+) часто нужно 30–40 шагов, чтобы все детали (одежда, прическа, фирменные элементы) проявились чётко и без артефактов слияния. Textual Inversion (эмбеддинги) ведут себя похожим образом: на малом числе шагов они могут давать только намёк на стиль/персонажа, а полная сила раскрывается ближе к 35–45 шагам. Это связано с тем, что дополнительные conditioning-сигналы (от LoRA/embedding) требуют больше итераций для интеграции в denoising-траекторию без конфликтов.
Euler a в этом плане более «щедрый» — благодаря стохастичности LoRA часто «просыпается» уже на 20–28 шагах, и дальнейшее увеличение шагов не так критично (после 35 улучшения минимальны). Поэтому для быстрого тестирования новых LoRA многие начинают именно с Euler a 25 шагов. Но для финального качества с несколькими LoRA + embeddings большинство переключается на DPM++ 2M Karras 35–50 шагов — здесь разница особенно заметна: лучше coherentность, меньше bleed-over (когда один LoRA «забивает» другой), чётче мелкие детали. Heun может сократить нужное число шагов (до 20–30), но из-за скорости его редко применяют специально для LoRA.
Общий совет 2026 года: при добавлении 1–2 лёгких LoRA — оставляйте стандартные 25–30 шагов; при 3+ LoRA или тяжёлых (вес >0.7) — увеличивайте до 35–45 на DPM++ 2M Karras. Всегда делайте тестовый прогон на 20/30/40 шагов с одним и тем же сидом, чтобы увидеть, где именно LoRA достигает пика — это сэкономит время в долгосрочной перспективе.
19. Какой семплер даёт самые «кинематографичные» результаты с драматическим освещением? Для кинематографичного стиля с сильным драматическим освещением (chiaroscuro, rim light, volumetric fog, god rays, moody atmosphere) в 2026 году чаще всего рекомендуют DPM++ 2M SDE Karras или DPM++ 2M Karras с высоким CFG — эти семплеры лучше всех подчёркивают контраст, глубокие тени и точечные источники света без потери детализации в тёмных областях. SDE-версия особенно хороша: добавленный стохастический шум помогает создавать естественные градиенты в тенях и мягкие блики, делая освещение более «живым» и менее искусственным. На 28–40 шагах с промптами типа «cinematic lighting, dramatic shadows, film still, high contrast» картинка часто выглядит как кадр из голливудского фильма или высокобюджетной CGI-сцены — отличные градиенты, реалистичные отражения, правильное падение света.
Euler a тоже может давать драматическое освещение, но из-за высокой вариативности результат получается более непредсказуемым: иногда освещение выходит потрясающим, иногда — плоским или с артефактами в тенях. Поэтому его используют реже для чисто кинематографичных задач, предпочитая для более «художественных» или стилизованных интерпретаций. Heun теоретически идеален для точного просчёта сложного освещения (благодаря второму порядку), но на практике его медлительность делает его непопулярным — разница в качестве освещения по сравнению с SDE Karras часто минимальна, а время в 2 раза больше. LMS обычно даёт слишком мягкий и «мыльный» свет без нужной драмы.
Лучший workflow для кино-стиля: DPM++ 2M SDE Karras 30–45 шагов, CFG 8–12, с дополнительными промптами на lighting (volumetric lighting, rim light, cinematic color grade) и негативом на flat lighting/low contrast. Многие добавляют LoRA типа «Cinematic» или «Film Grain» именно под этот семплер — результат получается максимально близким к референсам из фильмов Nolan, Villeneuve или современных сериалов Netflix.
20. Есть ли в 2026 году семплер, который объективно лучше всех остальных? Нет, в 2026 году нет ни одного семплера, который был бы объективно лучше всех во всех сценариях — каждый остаётся лучшим в своей нише, и выбор зависит от задачи, модели, стиля, железа и личных предпочтений. DPM++ 2M Karras ближе всего к «универсальному королю»: он побеждает в 70–80% повседневных случаев (реалистичные портреты, коммерческая иллюстрация, высокие разрешения, img2img, ControlNet, сильные негативные промпты, высокое качество на среднем числе шагов). Его стабильность, воспроизводимость и отличное соотношение качество/время сделали его де-факто стандартом в большинстве интерфейсов и гайдов. Но он не идеален для всего: вариативность у него низкая, поэтому для креативного брейншторминга и поиска идей Euler a часто предпочтительнее — он быстрее генерирует разнообразие и лучше работает с аниме/иллюстрационными моделями.
DPM++ 2M SDE Karras и UniPC — это «продвинутые» варианты для тех, кто хочет больше художественности или супербыстрое качество на малом числе шагов, но они требуют привыкания и не всегда стабильны на старых моделях. Heun остаётся нишевым инструментом для максимальной точности на 15–25 шагах при мощном железе, а LMS — запасным вариантом, когда другие дают неожиданные артефакты. Flux.1 и SD3.5 иногда рекомендуют свои специфические семплеры (например, Euler или DPM++ 2M в Flux-адаптациях), но даже там DPM++ 2M Karras/SDE чаще всего в топе.
В итоге в 2026 году типичный подход большинства опытных пользователей: Euler a для разведки и вариаций (20–30 шагов), DPM++ 2M Karras (или SDE) для всего остального (25–45 шагов). Остальные семплеры пробуют периодически, но возвращаются к этим двум как к основным — они покрывают 95% нужд без лишних экспериментов. Самое важное — тестировать на своей модели и промптах, потому что «лучший» семплер всегда немного субъективен и зависит от конкретного workflow.