批量出图为什么要管 seed?可复现实验的最小台账
批量生成时最让人崩溃的一件事:上周挑中一张构图、光影、产品位置都刚好的图,这周想再出一批同风格的,把提示词原样复制回去,结果怎么都回不到那张。更麻烦的是,改了一个词想做 A/B 对比,出来的两张图连背景都换了,根本判断不了改动到底有没有用。
很多人把这件事归因为”AI 随机”,于是靠反复抽卡碰运气。但随机其实是可以管的——seed 就是那个开关,而能不能复现,取决于你有没有把其他变量一起锁住。
第一步:seed 决定的是那团初始噪声
扩散模型生成一张图,起点不是空白画布,而是一张充满随机数的潜空间噪声张量。以 512×512 出图为例,VAE 把图像压缩 8 倍,噪声张量大致是 4×64×64 的浮点数矩阵;采样过程就是一步步把这团噪声”去”成图像。
seed(随机种子)是伪随机数生成器的起点。同一个 seed 会生成完全相同的初始噪声,于是去噪轨迹的起点一致。这也是为什么固定 seed 后,改一个提示词,构图往往还能大体保留——底子没变,只是文字条件把去噪方向拨偏了一点。
第一个可操作结论:想做 A/B,必须固定 seed。 否则你比较的是两次不同的随机噪声,而不是那一个改动。
第二步:为什么”seed 一样却出不来同一张图”
这是最常见的误解。seed 只锁住了初始噪声,去噪路径还受一长串变量影响,任何一个变了,终点就变:
- 模型权重:底模版本、LoRA 及权重、VAE、合并过的 checkpoint,文件换了结果就换。
- 采样器与调度器:Euler a、DPM++ 2M Karras 等,同名采样器在不同实现里也可能有细微差异;调度器的噪声时间表一改,去噪顺序全变。
- 步数、CFG、denoise strength:图生图里 denoise 从 0.5 改到 0.6,等于换了加噪起点,即便 seed 相同也不复现。
- 分辨率与批次:噪声张量尺寸随分辨率变;批量出图时,batch 内第 2 张拿到的噪声和单张跑时不一样,ComfyUI 里还受队列与节点执行顺序影响。
- 精度与硬件:FP16 / BF16 / FP32、CUDA 版本、xformers 开关、甚至不同型号显卡,浮点舍入差异会在几十步迭代后放大成肉眼可见的差别。
所以严格意义上的”逐像素复现”只在同一套软硬件环境内成立。跨机器、跨工具版本,要求的是统计上可复现——同一 seed 出图保持同一风格与构图倾向,而不是字节级一致。
第三步:最小台账该记哪几个字段
不用上复杂系统,一张表或每行一个 JSON 就够。要让半年后还能复现,至少记这 10 项:
seed / 提示词全文(含负面提示词) / 底模名称+文件 hash / LoRA 列表及各自权重 / 采样器+调度器 / 步数+CFG / 尺寸 / denoise(图生图时) / 工具与关键依赖版本 / 输出文件名+图 hash。
其中底模 hash 最容易被省略,也最致命——很多”模型升级后风格全变”的问题,最后都查到是换了同名不同版本的权重文件。在 AIGC广告 的批量产线里,我们通常把这张台账和配置快照一起归档,一条素材对应一行记录,出问题能整包回滚。
第二个结论:台账的价值不在记录,在”可回滚”。 记下来的每个字段,都应该是能原样填回工具里重跑的参数。
第四步:把 seed 用成实验工具,而不只是复现工具
固定 seed 之外,还有三种实用做法:
- 种子扫描:挑 5~10 个固定 seed(如 1001、1002…),每个都跑一遍基准提示词,挑出构图最稳的 2~3 个作为该产品的”基准种子”,后续所有 A/B 都在它们上面做。
- 变量隔离:一次只改一个字段。想测某个 LoRA 权重,就别同时换采样器;否则无法归因。
- 多样本判分:单张图好看可能只是运气。每个配置用 3 个基准种子各出一张,看三张的平均合格率,比盯着一张”神图”下结论可靠。
业内常用的一个粗略基线是:同一配置跑 20 张,统计”无需返工即可进入下一环节”的比例。这个废片率如果从 40% 降到 20%,说明参数调整真的有效,而不是抽卡手气变好。
第五步:批量生产里的两条纪律
其一,seed 要写进文件名或元数据,别只存在对话框里。命名如 产品A_基准词_seed1001_cfg7_20step.png,光看文件名就知道怎么重跑。其二,模型与插件升级前先跑回归:用基准种子 + 基准提示词出一组对照图,比对构图与产品特征保留率,确认没有系统性漂移再切产线。
结语
生成结果看着随机,其实是”初始噪声 × 一整套参数”的确定性产物。seed 管住起点,台账管住其余变量,两者配齐,批量出图才从碰运气变成可复现、可归因、可回滚的工程流程。
这套做法在 AIGC制作公司 的交付里往往比多买几张卡更直接影响返工成本。想看类似的参数管理思路,可以继续翻我们整理的其他几篇实操笔记。