一句话：采样器（Sampler）和调度器（Scheduler）是扩散模型（AI 词典：Diffusion Model">Diffusion Model）生成内容时，负责把随机噪声一步步“减”成结果的算法组合——调度器排时间表，采样器按表执行去噪。
扩散模型先训练模型学会“看图猜噪声”：给一张被加噪的图和时间步，预测噪声有多大、该往哪个方向去噪。生成时从纯噪声开始，重复“模型预测→减去一点噪声→进入下一步”。如果一次减完，图像会崩；所以要分成几十步。调度器决定每一步对应多少噪声、时间步怎么排，比如先大步后小步、噪声曲线陡还是缓。采样器决定拿到模型预测后怎么更新当前图：用一阶近似、二阶修正，还是加一点随机扰动。打个比方：雾天擦玻璃，调度器是“先湿擦再干擦”的流程表，采样器是“画圈擦还是直线擦、用力多大”的手法。两者配合，噪声才逐步收敛成清晰内容。
| 概念 | 管什么 | 类比 |
|---|---|---|
| 模型（UNet/DiT） | 预测当前噪声/去噪方向 | 大脑判断哪里脏 |
| 采样器 Sampler | 每步如何根据预测更新图像 | 擦玻璃手法 |
| 调度器 Scheduler | 每步的噪声强度与时间表 | 擦玻璃流程 |
| 步数 Steps | 执行多少轮 | 擦几遍 |
| CFG | 提示词约束强弱 | 听指令还是自由发挥 |
| 种子 Seed | 初始随机数 | 起点 |
和相邻概念的区别：模型负责“预测”，采样器/调度器负责“怎么走”。换采样器或调度器不改变模型知识，只改变收敛路径，所以同一提示词、种子、步数下，画面细节、风格、速度可能不同。常见采样器有 Euler、DDIM、DPM-Solver 等；常见调度器有 Karras、cosine 等。名称与组合以具体工具官方页面为准。
对从业者：做 A/B 测试时，先固定模型、提示词、种子、CFG、步数，只换采样器/调度器，才能判断差异来自算法还是随机性。少步模型（如蒸馏版）常要求匹配特定采样流程，别硬套通用采样器。部署要同时权衡质量、延迟和显存。
对普通人：界面里的“采样器”不是模型本身。想复现别人作品，尽量对齐模型、采样器、调度器、步数、CFG、种子。遇到画风突变，先看是不是换了采样器/调度器；步数不是越高越好，超过一定范围收益递减。具体名称和默认值以官方页面为准。