Stable Diffusion 文生图：六个核心参数各自在管什么
基础与参数步数、采样器、CFG、种子、分辨率、批次——出图不可控，八成不是模型不行，而是这六个参数没有对齐。逐个说清它们改变的是哪一件事。
最新文章
Checkpoint、LoRA、VAE、ControlNet 到底各管什么
模型类型四种文件经常被混着叫「模型」，但它们的体积、作用层级、叠加方式完全不同。分不清就会同时挂三个 LoRA 互相打架，或者换了个 VAE 让整张图发灰。
ComfyUI 第一个工作流：五个节点从加载模型到出图
工作流节点式界面看着吓人，其实最小可用工作流只有五个节点。搞清五种连线的语义（MODEL / CLIP / VAE / LATENT / IMAGE），报错信息就不再是天书。
提示词的四层结构：主体、风格、镜头、画质
提示词把提示词当成一串关键词堆，结果就是你改一个词、画面全变。分成四层写，每层只负责一件事，调整才有可控性。
负面提示词与 CFG：图糊、过曝、不听指令的真实原因
基础与参数CFG 不是「越高越听话」。它调的是条件与无条件预测之间的插值强度，超过某个点，画面会先过饱和再崩细节。负面提示词也不是万能挡板。
图生图与重绘幅度：从改配色到换构图的分界线
工作流重绘幅度不是「改多少」的百分比，它是加噪比例。0.3 和 0.5 的差别不是两倍，而是「保留构图」和「重新构图」的差别。
LoRA 训练入门：数据集、触发词与过拟合的识别
训练与微调二十张图能不能训出可用的 LoRA？能，但打标方式和超参比图片数量更关键。过拟合最典型的信号是：任何提示词都出同一个人。
分辨率与放大：从 512 到 4K 而不糊的做法
基础与参数直接把宽度拉到 2048，多半会得到两个头。原因不玄学：模型只在训练分辨率附近见过画面。分段放大才是稳的路子。
采样器怎么选：Euler、DPM++、UniPC 的实际差别
模型类型采样器的本质是「求解器 + 噪声调度」。祖先采样每步都加噪，所以同种子也出不了同一张；确定性采样才能做严格的参数对比。
AI 绘画故障排查：黑图、发灰、畸形、风格不生效
故障排查一张表从症状倒推原因。黑图和发灰是两件事，畸形多半不是提示词的问题，风格不生效先查触发词再看权重。