KSamplerSelect
节点功能：KSamplerSelect 让你从 ComfyUI 支持的采样器列表中选一个，比如 Euler, Heun, DDIM, DPM++ 2M Karras 等，并将其作为对象传给采样器节点（如 SamplerCustom）使用。你可以把它理解为：“选一个画图的方式（采样方法）交给绘图器（模型）用”。 一、基础 Euler 系列采样器名称特点说明推荐使用场景euler快速，收敛快，风格清晰但细节弱✅ 速度优先，轮廓图euler_ancestral增加多样性，有更多变化✅ 艺术图、创意图euler_cfg_ppEuler + Classifier-Free Guidance + Post-Process⚠️ 高 CFG 场景euler_ancestral_cfg_pp同上，适合 LoRA 和风格化⚠️ CFG > 10 时
输出参数
| 参数名称 | 说明 |
|---|
| SAMPLER | 返回指定名称的采样器对象。 |
控件参数
| 参数名称 | 说明 |
|---|
| sampler_name | 选择要使用的采样器名称。可选值来源于 comfy.samplers.SAMPLER_NAMES 列表。 |
二、DPM 系列（Diffusion Probabilistic Models）
| 采样器名称 | 特点说明 | 推荐使用场景 |
|---|
dpm_2 | 平衡速度和质量 | ✅ 通用采样 |
dpm_2_ancestral | 多样性更强，细节更好 | ✅ 艺术图、动画图 |
dpm_fast | 更快的 DPM 采样 | ⚠️ 快速预览 |
ddpm | 经典扩散模型采样法（基础 DDPM） | ⚠️ 兼容性测试 |
dpm_adaptive | 自适应 step 的采样法（实验性） | ⚠️ 多步推理/研究
|
三、DPM++ 系列（最强采样器）
| 采样器名称 | 特点说明 | 推荐使用场景 |
|---|
dpmpp_2m, dpmpp_2m_sde | 强大的图像质量和一致性，平衡细节和稳定性 | ✅ 高质量输出 |
dpmpp_2m_cfg_pp | 加了 CFG 优化后的版本 | ✅ LoRA/SDXL推荐 |
dpmpp_2s_ancestral, cfg_pp | 祖先型，更有变化 | ✅ 风格图、变体图 |
dpmpp_2m_sde_gpu, dpmpp_3m_sde | 多步、多维度优化，适合 GPU | ✅ 高端显卡长流程采样 |
dpmpp_sde, dpmpp_sde_gpu | 稳定性好，适合 SDXL、LoRA 等模型 | ✅ 推荐 SDXL 样本生成
|
四、高阶多步采样器（res_ / gradient 系列）
| 采样器名称 | 特点说明 | 推荐使用场景 |
|---|
res_multistep, res_multistep_cfg_pp | 多步重采样，提高细节还原 | ✅ 高 CFG 多步任务 |
gradient_estimation, cfg_pp | 结合梯度估计改进的采样器 | ⚠️ 实验性 / 结构稳定任务 |
res_multistep_ancestral_cfg_pp | 风格丰富，图像多样性好 | ⚠️ 创意图合成
|
五、Unipc / Seeds / LCM 系列（实验性或高速）
| 采样器名称 | 特点说明 | 推荐使用场景 |
|---|
uni_pc, uni_pc_bh2 | 新型高速采样器，兼容 SDXL 和 ControlNet | ✅ 极速生成、预览图 |
seeds_2, seeds_3 | 特定结构下多分支扩展采样 | ⚠️ 特殊任务，自定义网络结构 |
lcm | Latent Consistency Model 专用采样器（如 SD-LCM 模型） | ✅ 使用 LCM 相关模型时使用 |
ipndm, ipndm_v | 迭代概率逆采样器（极新实验性采样器） | ⚠️ 研究者/实验流程使用 |
上下两个红框的节点完全等同，最终出图一致。