ComfyUI-FSampler ：通过 Epsilon 外推实现高效采样加速

开发者obisin打造的 FSampler 的新插件已上线，为 ComfyUI 用户提供了一种无需训练、不依赖特定模型的扩散模型采样加速方案。它通过预测每一步的噪声（epsilon），减少对主模型的调用次数，在保持图像质量的同时显著提升生成速度。

该插件兼容主流采样器（如 Euler、DPM++、DDIM 等），支持固定跳步模式与激进自适应模式，适用于 flux、wan2.2、qwen 等常用模型，目前已在 2080 Ti 上完成初步测试。

• GitHub：https://github.com/obisin/ComfyUI-FSampler

核心原理：预测噪声，跳过冗余计算

FSampler 并非修改采样器本身，而是一个轻量级加速层，位于调度器与积分器之间。其核心思想是：

利用最近几步真实的 epsilon 输出，外推出后续步骤的噪声值，并将其直接输入现有采样器流程中，从而跳过部分昂贵的 UNet 推理调用。

这种方式被称为“Epsilon 外推”，具有以下特点：

• 无需训练：完全基于已有输出做数学推导；
• 采样器无关：不影响 Euler、DPM++ 2M/2S、LMS、RES 等算法的原始数学逻辑；
• 确定性强：由于所有方程为确定性运算，相同种子下，跳步与非跳步结果高度一致，适合生产前快速预览。

支持模式：从保守到激进，灵活选择

FSampler 提供多种跳步策略，满足不同场景需求：

💡 小贴士：建议从 h2 开始测试，确认稳定性后再尝试 adaptive 模式。

关键技术保障：稳定、可控、可诊断

为了防止因跳步引入伪影或漂移，FSampler 内置多重保护机制：

✅ 学习稳定器 L（Learning Stabilizer）

• 对预测的 epsilon 进行缩放校正（除以 L）；
• 仅在真实模型调用时更新 L，确保长期稳定性。

✅ 多重验证机制

• 幅度钳位：防止预测值过大；
• 有限差分检查：检测异常变化趋势；
• 余弦相似度比对：确保预测 epsilon 与历史方向一致。

✅ 安全防护设置

• protect_first_steps：保护起始阶段关键细节（默认开启）；
• protect_last_steps：保留最后几轮精细修复；
• 最大连续跳步步数限制：防止单次跳跃过多导致失控。

✅ 实时诊断输出

每步显示：

• σ 值、epsilon 范数、x_rms；
• 当前跳步状态（如 [RISK] 提示）；
• 各阶段耗时统计，便于性能分析。

如何安装？

方法一：Git 克隆（推荐）

cd ComfyUI/custom_nodes
git clone https://github.com/obisin/comfyui-FSampler

重启 ComfyUI 即可使用。

方法二：手动安装

1. 下载仓库 ZIP 包；
2. 解压至 ComfyUI/custom_nodes/comfyui-FSampler/；
3. 重启 ComfyUI。

⚠️ 测试提示：建议启用 comfy cache，避免模型加载时间干扰性能对比。

如何使用？（ComfyUI 工作流集成）

1. 替换原有的 KSampler 节点为 FSampler 或 FSampler Advanced；
2. 正常连接模型、VAE、正负提示词等；
3. 在参数中设置：
   • 选择采样器与调度器（完全兼容原有配置）；
   • 设置 skip_mode：
     • none：用于验证基线质量；
     • h2 / h3：推荐起点；
     • adaptive：追求最大加速；
   • 可选调整 protect_first_steps 和 protect_last_steps（通常默认即可）；

📌 建议先用 skip_mode=none 跑一次作为参考，再开启跳步进行对比。

兼容性说明

常见问题解答

Q: 图像出现伪影怎么办？

A: 按顺序尝试以下操作：

1. 使用 skip_mode=none 验证是否原生问题；
2. 改用更保守的 h2 或 h3 模式；
3. 增加 protect_first_steps（如设为 5–10）；
4. 更换采样器组合（某些组合本就不稳定）。

Q: 和其他加速方法冲突吗？

A: 不冲突！FSampler 与其他优化方式互补：

• 可与 LCM/Turbo 蒸馏模型共用；
• 支持 量化模型运行；
• 兼容 动态 CFG 等技巧；
• 它专注于减少采样步数，而非降低单步推理成本。

视觉效果对比（实测示例）

所有测试均使用相同 seed、prompt 和 comfy cache 环境，确保公平比较。

Wan2.2 模型

• [baseline.png] — 原始结果
• [fsampler_none.png] — 无跳步验证
• [fsampler_h2.png] — h2/s2 模式，约 24% 加速，细节保留良好
• [fsampler_adaptive.png] — 自适应模式，流畅过渡，复杂结构未崩坏

Qwen 模型

• 类似趋势：h2 保持一致性，adaptive 显著提速且未见明显退化

🔍 观察发现：跳步并非单纯“降质”，而是引导模型走向略有不同的合理变体——这反而可用于探索创意多样性。

注意事项

• 目前已在 flux、wan2.2、qwen 上测试，欢迎社区测试其他模型并反馈；
• adaptive 模式较激进，在极端 prompt 或复杂控制条件下可能出现退化，请务必先验证；
• 所有跳步均为确定性过程，相同配置下可复现结果，利于批量生产前快速筛选。