一句话定义：采样步数（Sampling Steps）是扩散模型（AI 词典：Diffusion Model">Diffusion Model）出图时，把一张纯噪声图逐步"擦"成清晰图像所执行的去噪迭代次数；每走一步，模型都要完整前向计算一次。所以它也是出图成本最直接的那个旋钮：步数翻倍，耗时大致也翻倍。
打个比方：想象一座雕像藏在大雾里，你只能一步步往前走、边走边看清轮廓。步子迈得太大（步数太少），你可能一步跨过细节、走偏了路线，最后停在离雕像还有段距离的地方——画面发糊、结构歪、手指多一根。步数加到 50，等于把同样的路拆成更细的步子，走得更贴合，落点更准。但路的总长是固定的：走到终点之后继续走，只是在终点附近来回晃，画面几乎不变。
所以从 20 步提到 50 步，换来的是数值求解精度的提升。去噪过程本质上是在解一个微分方程，步数就是离散化的颗粒度，颗粒越细，累积误差越小。代价是时间线性增长，而收益是递减的——而且同一个种子（seed）改步数，结果不是"同一张图更清楚"，而是另一张构图相似但细节不同的图，因为走的轨迹本身就变了。
| 概念 | 管什么 | 调大之后的典型变化 |
|---|---|---|
| 采样步数 | 去噪迭代多少次 | 细节更稳；超过收敛点几乎不变，耗时线性上涨 |
| 采样器、调度器（Sampler / Scheduler） | 每一步怎么走 | 决定收敛快慢和画面风格，"多少步够用"由它定 |
| 引导强度（CFG Scale） | 多听提示词的话 | 更贴提示、更艳更硬，和步数无关 |
| 重绘幅度（Denoising Strength） | 在已有图上改多少 | 决定起点离终点多远，和步数无关 |
还有两个容易踩的坑。其一，步数不能跨采样器比较：20 步的欧拉求解器和 20 步的 DPM 类求解器不是一回事，有些采样器二三十步就基本收敛，有些 SDE 类采样器步数加上去细节还在持续变化。其二，专门为少步数训练的模型（蒸馏类、Turbo、LCM 这类）本来就设计成几步出图，硬加步数反而容易糊掉，以模型官方页面说明为准。
对从业者的实际意义：步数不是"画质滑块"，它修不了提示词写得烂、构图选错的问题。更省事的做法是——先固定采样器和种子，在二三十步附近上下各试一档，找到肉眼几乎不再变化的那个点，把它当作收敛步数；批量试稿用低步数跑构图，定稿再按收敛步数出图。记录参数时把采样器、步数、引导强度、种子一起存下来，否则下次复现不出来。