注意：本文列举内容为多数情况下的使用建议，有些模型会有特殊的情况，请根据自己的模型做调整！
常用采样算法
Eular 算法
Eular a: 有 a 的代表祖先采样器，属于不收敛算法，采样步数会带来很多随即变化，可能有意想不到的效果；
Eular: 收敛算法，步数越高变化越小，一般用于稳定出图。
DPM 算法
DPM++ 2M: 最推荐的算法，收敛性好，速度快，质量尚可。
DPM++ SDE: 随机微分方程算法，不收敛，但生成高品质图像，速度慢。
DPM++ 2M SDE: 2M 和 SDE 的折中算法，不收敛，速度有所提升。
DPM++ 3M SDE: 速度和 2M 算法相似，但需要更多采样步数，建议调低 CFG 值，采样步数大于 30 步效果更佳。
调度器
Automatic (自动): 通常是默认选项，软件会根据情况自动选择合适的调度器，适合不熟悉调度器或希望快速尝试的用户。
Uniform (均匀): 最简单的调度器，每一步都以相同的步长进行采样，效果中规中矩，适合对速度和质量没有特别要求的场景。
Karras: 一种自适应步长调度器，在保证图像质量的同时，可以加快采样速度，是比较受欢迎和常用的调度器之一，适合追求速度和质量平衡的用户。
Exponential (指数): 步长随采样进程指数增长的调度器，细节较少，画面偏柔和，适合生成风格化或卡通化的图像。
Polyexponential (多项式指数): 步长变化更复杂的指数型调度器，可能在某些特定模型或参数下有更好的表现，但相对较少使用。
SGM Uniform (SGM 均匀): 基于 Stochastic Gradient Langevin Dynamics (SGLD) 的调度器，在均匀步长的基础上进行改进，可能在某些情况下提供更好的质量。
KL Optimal (KL 最佳): 据称质量较好且收敛较快的调度器，适合对图像质量有较高要求的用户。
Align Your Steps (对齐步数): 专为低步数采样设计的调度器，在步数较少时能获得比其他调度器更好的效果，适合快速生成预览图或对速度有较高要求的场景。
Simple (简单): 画面细节较少，风格偏唯美，适合生成二次元风格的图像或对细节要求不高的场景。
Normal (普通): 比较均衡的调度器，细节比 Simple 丰富一些，适合对画面细节有一定要求的用户。
DDIM (去噪扩散隐式模型): 一种相对均衡的调度器，没有明显的特点，效果中规中矩，可以作为尝试其他调度器之前的基准。
Beta: 低步数采样效果不佳，需要较高采样步数才能发挥效果的调度器，适合对质量有较高要求且不赶时间的用户。
总结
追求速度和质量平衡: Karras
低步数快速生成: Align Your Steps
二次元或唯美风格: Simple
高质量图像: KL Optimal, Beta (高步数)
均衡效果: Normal, DDIM, Uniform
柔和风格: Exponential
不确定如何选择: Automatic (默认)
下面为一些额外信息记录，可以阅读了解更多信息，不阅读也不影响。
2024新采样和调度器
1个采样器
DDIM CFG++: 更加可控，在 CFG 过大情况下，异常点较少；
6个调度器
KL Optimal: 被认为比 Karras、Uniform 等调度器质量更好，并且收敛更快。
Align Your Steps: 专为低步数快速生成图像而用，少于 10 步时，效果比 Karras、Exponential 效果好。
Simple单一值: 画面细节减少，更唯美，不容易出错，适合二次元风格。
Normal: 比较均衡的调度器，比 Simple 多一些细节。
DDIM: 相对均衡的调度器，不极端，没有太大的特色。
Beta: 低采样步数下效果不好，需要采样步数大于 20 步效果更好。
其他小知识
算法名称中带有 Henu 的，可以认为是 Eular 的升级版，出图效果会更好，但是时间会慢非常多（大概一倍），所以不常用。
DDIM、PLMS、LMS 均为第一代采样器，效果较差，因此几乎不用；
同名算法时，M 算法一般是 S 算法的升级版，比如 DPM++ 2M Karras 是 DPM++ 2S Karras 的升级版，因此一般有 M 用 M， S 不常用；