一文讲透扩散模型采样器：DDPM、DDIM、Euler、Heun、DPM-Solver、UniPC、LCM 全面对比

下面我把范围先说清楚：你问的“类似 Euler、Heun、DPM-Solver 这种定位的求解器”，我这里按扩散模型 / Flow Matching 推理阶段的通用采样器（scheduler / solver）来整理，而不把任务专用或模型专用的东西混进来，比如 RePaint、DDIM inverse、VQDiffusion、CogVideoX/Helios 专用调度器。这也是目前 Diffusers 文档对主流 scheduler 的组织方式：它把 Euler、Heun、LMS、PNDM、KDPM2、DPM-Solver、DEIS、UniPC、EDM、FlowMatch、LCM、TCD 等都放在同一类推理 scheduler 里。严格说不可能把学术史上“所有数值法”穷举完，所以下面给你的是今天主流生态里真正会用到的、比较完整的通用清单。(Hugging Face)先给一句总判断：老牌通用型：DDIM、Euler、Heun、LMS、PNDM、IPNDM、KDPM2扩散特化高阶型：DEIS、DPM-Solver、DPM-Solver++、UniPC、DPM-Solver-v3随机 / SDE / VE 型：Euler a、KDPM2 a、Karras VE、Score SDE VE/VP、SA-Solver模型家族特化型：EDM Euler、EDM DPM-Solver、FlowMatch Euler/Heun、CM、LCM、TCD这些方法的区别，主要不在“能不能生成图”，而在于：是 ODE 还是 SDE、是单步还是多步、是通用还是为某一模型家族特化、在 few-step 下是否更强。(Hugging Face)1）通用确定性 ODE 求解器 / 历史基线这一组最像“数值分析课里的通用 ODE 方法搬到扩散里来”。DDIM 是一阶隐式/确定性基线；Euler、Heun 来自 EDM 设计空间；LMS、PNDM、IPNDM 属于线性多步或伪数值方法；KDPM2 则是 k-diffusion 里 DPM2 那一路的二阶方法。它们共同特点是：兼容性强、容易理解、很多旧 UI / 老教程都能看到。(Hugging Face)求解器方法类型随机性核心特点更适合的应用场景不太适合DDIM一阶、隐式、非 Markov低/可近似无老牌快速基线，逻辑清楚，兼容广做基线对比、复现实验、旧模型兼容极少步数时通常不如新高阶法Euler一阶 ODE低简单、稳、快，很多框架默认好使通用文生图、20～30 步左右的稳妥选择5～8 步这种超低步数Heun二阶预测-修正低比 Euler 更准，但每步更贵质量优先、愿意多花一点算力极致追求吞吐量LMS线性多步低老牌多步法，历史上很常见中等步数、老生态兼容现在 few-step 常被新方法超过PNDM / PLMS伪数值法，RK + 线性多步低比早期 DDIM 更“数值法味儿”老的 latent diffusion / 老教程复现现代 few-step 主战场IPNDM四阶改进伪线性多步低比 PNDM/PLMS 更高阶想保留 PLMS 风格但更高阶主流 UI 支持不如 DPM++ 普遍KDPM2二阶 DPM2 路线低二阶、通常比一阶法更“讲究”中等步数下追求更好精度超低步数未必占优KDPM2 a二阶 + ancestral高在二阶基础上保留随机性想要更多纹理感、风格发散严格可复现、完全确定性场景2）扩散特化的高阶快速求解器这一组是现在最值得单独记住的。核心思想是：不要再把 diffusion ODE 完全当黑盒来解，而是利用它的特殊结构做高阶快速求解。DEIS 走的是 exponential integrator；DPM-Solver / DPM-Solver++ 是扩散专用高阶 ODE solver；UniPC 是统一的 predictor-corrector；DPM-Solver-v3 又在此基础上往 few-step 和大 guidance 做了进一步优化。总体上，这一组最适合“少步数还想保质量”。(Hugging Face)求解器方法类型随机性核心特点更适合的应用场景不太适合DEIS高阶 exponential integrator低利用半线性结构减小离散误差5～15 步 few-step 采样生态支持不如 DPM++ 普及DPM-Solver (single-step)扩散专用高阶 ODE低10～20 步就能出不错质量无引导或轻引导的快速采样强 guidance 下通常不如 ++ 稳DPM-Solver++扩散专用高阶 ODE低对 guided sampling 更友好文生图、CFG 较高、现代通用默认首选之一某些实现里参数较多，新手会迷糊DPMSolverMultistep / DPM++ 2M多步高阶低现在最常见的实战强项之一日常文生图、图像质量和速度平衡需要极强随机性的场景DPMSolverSinglestep / DPM++ 2S单步高阶低历史上常见，逻辑更直接少步快速推理、便于理解一般不如 2M 普遍DPM-Solver SDE / DPM++ SDE扩散特化 SDE 高阶中/高把高阶快解和随机性结合想保留一点随机探索又想快完全确定性复现UniPC统一预测-校正框架低尤其擅长极少步数5～10 步的 few-step 采样老旧框架不一定有DPM-Solver-v3改进版高阶 ODE低对 5～10 NFE、大 guidance 更强追求 cutting-edge few-step 质量工程落地还没 DPM++ 那么普及Cosine DPM-SolverDPM-Solver 的 cosine 变体低面向 cosine/noise schedule 友好音频扩散、Stable Audio Open 一类一般图像模型默认首选并不是它3）随机 / SDE / VE 家族求解器这一组的思路是：不要完全走确定性 ODE，而是保留 SDE / ancestral 的随机性。它们常见于“我不只想稳，我还想要多样性、纹理感、发散感”的场景。Karras VE、Score SDE VE/VP 更偏 score-based / VE/VP 研究线；SA-Solver 则是把多步随机采样这件事做得更系统。(Hugging Face)求解器方法类型随机性核心特点更适合的应用场景不太适合Euler aancestral 一阶高简单直接，随机性足想让结果更活、更有偶然性严格复现、完全稳定Karras VEVE 模型专用随机采样高专门给 variance-expanding 模型用VE 模型、需要 stochastic churnVP / Flow Matching 模型Score SDE VEVE-SDE高score-based VE 路线标准做法研究 / 复现 VE score model主流 latent diffusion 实战Score SDE VPVP-SDE高score-based VP 路线标准做法研究 / 复现 VP score modelA1111/ComfyUI 日常出图SA-Solver随机 Adams 多步 SDE中/高随机 few-step 的代表方法想在少步数里兼顾质量与多样性生态支持不如 DPM++ 普及4）模型家族特化：EDM / Flow Matching / Consistency这组非常重要，因为它们不是“万能黑盒 solver”，而是跟模型训练范式高度绑定。EDM 系：更适合按 Karras/EDM 参数化训练出来的模型。FlowMatch 系：更适合 SD3、FLUX 这类 Flow Matching / rectified flow 风格模型。CM / LCM / TCD 系：更适合 consistency / distilled few-step 模型，本来就是为“一步或极少步”服务的。(Hugging Face)求解器绑定的模型家族随机性核心特点更适合的应用场景不太适合EDMEulerEDM / Karras 公式化低EDM 里非常经典，20～30 步很稳EDM 训练模型的标准默认之一非 EDM 模型硬套EDMDPMSolverMultistepEDM + DPM-Solver++低把高阶快解放到 EDM 公式化里EDM 模型 + few-step普通 VP 模型不一定最优FlowMatch EulerFlow Matching低FM 模型最自然的默认选项之一SD3/FLUX/LTX-Video 一类 FM 模型非 FM 模型FlowMatch HeunFlow Matching低比 FM Euler 更精细FM 模型里偏质量优先极限吞吐量CM Stochastic IterativeConsistency Models中原生支持一步和少步原生 consistency model普通扩散模型直接换 solverLCM SchedulerLatent Consistency Models低/中1～8 步非常快LCM / LCM-LoRA 极少步出图追求最高保真、很多步慢慢磨TCD SchedulerTrajectory Consistency Distillation中比 LCM 更强调低步清晰度和细节TCD 模型、few-step 质量优先非 TCD 权重直接套用DDIM（若放到这里看）扩散基线低很多蒸馏/一致性工作会拿它作老师或对照做老师模型、做速度对照现代强 few-step 首选5）怎么选：直接给你实战版结论如果你在普通文生图里只想先选一个稳妥默认，通常先试DPM-Solver++ 多步（DPM++ 2M）或UniPC。前者是现代扩散采样里的常用强基线，后者在少步数时尤其强。(Hugging Face)如果你想要更多随机性、更多风格发散，通常会优先试Euler a、KDPM2 a、SA-Solver；如果模型本身是 VE 路线，再看Karras VE / Score SDE VE。(Hugging Face)如果你的预算极低，只给 5～10 步，优先关注UniPC、DEIS、DPM-Solver++、DPM-Solver-v3；如果模型本来就是蒸馏好的 few-step 模型，那就直接上LCM / TCD / CM。(Hugging Face)如果你的模型是 Flow Matching，别再优先想 DPM++，通常先试FlowMatch Euler，想更稳一点再试FlowMatch Heun。(Hugging Face)如果你的模型是 EDM 训练出来的，先看EDMEuler或EDMDPMSolverMultistep，因为它们就是按 EDM 公式化写的。(Hugging Face)6）一句话记忆版你可以把这些求解器粗暴记成下面四句：Euler / Heun / LMS / PNDM / IPNDM / KDPM2：通用数值法系DEIS / DPM-Solver / UniPC / DPM-Solver-v3：扩散特化高阶快解系Euler a / Karras VE / Score SDE / SA-Solver：随机 / SDE 系EDM / FlowMatch / CM / LCM / TCD：模型家族绑定系如果你愿意，我下一条可以继续给你整理一版“这些 solver 在 A1111 / ComfyUI / Diffusers 里的对应关系表”。二、以上哪些是Diffusion、哪些属于Flow-matching，哪些两者都能用？可以，最不容易混淆的分法是：按“实际模型家族兼容性”来分，不按数学名字来分。因为像Euler、Heun这种名字，本质上是通用 ODE 数值法；但在工程里，通常会分成：Diffusion 版实现：EulerDiscreteScheduler、HeunDiscreteSchedulerFlow-Matching 版实现：FlowMatchEulerDiscreteScheduler、FlowMatchHeunDiscreteScheduler所以如果只看“Euler”这两个字，会误判。Hugging Face 的 scheduler 总览把这些实现明确分开列出；Flow Matching 原论文也明确说，FM 采样可以用现成的 ODE solver。(Hugging Face)一句话总结属于 Diffusion 的大部分你上面提到的求解器，默认都属于 Diffusion 生态：DDIMEulerDiscrete / EDMEulerHeunDiscreteLMSPNDM / IPNDMKDPM2 / KDPM2 aDEISDPM-Solver / DPM-Solver++DPM-Solver SDEUniPCDPM-Solver-v3Cosine DPM-SolverEuler aKarras VEScore SDE VE / VPSA-SolverEDMDPMSolverMultistepCM / LCM / TCD（它们不是 FM，更接近 consistency / distillation 路线，通常仍站在 diffusion 这边）这些方法的官方文档或论文都直接写明是给diffusion ODE / diffusion models / VE/VP diffusion / score-based models用的。(Hugging Face)属于 Flow-Matching 的明确属于 FM 的，是名字里就写了FlowMatch的这两个：FlowMatch EulerFlowMatch HeunDiffusers 文档把它们单独作为 FlowMatch scheduler 列出来；FlowMatchEulerDiscreteScheduler文档还直接写了它基于 Stable Diffusion 3 的 flow-matching sampling。(Hugging Face)两者都能用的如果你说的是数学方法层面，那真正“两边都能用”的主要是：EulerHeun原因是它们本来就是通用 ODE solver，而 Flow Matching 论文明确说 FM 可以用现成的 ODE solver 来采样。与此同时，Diffusion 侧也早就有 Euler / Heun 版本。(arXiv)但要特别注意：“两者都能用”说的是数学方法，不代表你在代码里可以把同一个 scheduler 类直接乱套到两种模型上。实际工程里一般还是要选对应实现：Diffusion 模型 →EulerDiscreteScheduler/HeunDiscreteSchedulerFlow-Matching 模型 →FlowMatchEulerDiscreteScheduler/FlowMatchHeunDiscreteScheduler(Hugging Face)按你上面那一整份清单重新分类名称分类说明DDIMDiffusion来自 DDPM/DDIM 扩散采样线，不是 FM (Hugging Face)Euler两者都能用数学上是通用 ODE solver；工程上分 Diffusion 版和 FlowMatch 版 (arXiv)Heun两者都能用和 Euler 一样，数学上通用；工程上有 Diffusion 版和 FlowMatch 版 (arXiv)LMSDiffusionDiffusers 放在 diffusion schedulers 里，历史上用于扩散采样 (Hugging Face)PNDMDiffusion伪数值法扩散采样器 (Hugging Face)IPNDMDiffusionPNDM 改进版，仍属 diffusion 线 (Hugging Face)