固定 seed 做對照：一次只改一個條件

這一課要留下五組能說清楚差別的作品

第二課把環境與模型準備好了。這一課直接用同一個 SD1.5、512×512、七節點工作流，繼續畫綠色小豆機器人、黃色背包與黑色圓眼。

這次不追求一次就畫得最漂亮。我們要回答一個具體問題：這一張和 A0 基準圖不同，是哪一個設定造成的？ 先保存一份基準 A0，再分別只改種子、桌燈顏色、CFG、步數，最後得到五組 PNG＋JSON。想多練的人，再加做一次取樣器比較。

驗證範圍先說清楚： 這份教材核對了官方文件、原始碼、圖片來源與 JSON 結構，尚未用本課提示詞做獨立 GPU 實跑。下方真實 UI 圖來自官方文件；課程繪製的圖解都標示為設定或操作示意。教材不提供假造的機器人前後圖，也不保證你一定看到某個視覺變化。你實際生成的圖片，就是本次練習要記錄的資料。

還沒有完成第二課出圖的人，可以先閱讀和填實驗計畫，但實作狀態請保留「未執行」。如果第二課還在缺模型或記憶體不足，先回到那一課排錯；這一課不用重新安裝、加 custom nodes、換模型或註冊付費服務。

第 0 步 先把練習檔準備好

1. 在自己的 文件 → Greenbean-Learning 裡新建 lesson-03 資料夾
2. 下載第三課練習包 ZIP，在檔案總管按右鍵 → 全部解壓縮，解到 lesson-03 裡
3. 用記事本開啟 lesson-03-observation-sheet.txt。先填目前的 ComfyUI 版本、GPU 和模型檔名；可參考第二課的環境紀錄
4. 回到已能出圖的 ComfyUI，先保存畫布上自己的未儲存作品
5. 用 Workflow／Workflows → Open 開啟 greenbean-03-A0-baseline.json，或把這個 JSON 拖到中央畫布
6. 只要重新載入 JSON，就核對 Load Checkpoint → ckpt_name。模型檔名是 v1-5-pruned-emaonly-fp16.safetensors；如果你把模型放在 checkpoints 的子資料夾，選取自己已能成功執行的那一項

練習包含一份 A0 基準檔、四份對照檔、一份選做檔、觀察單與來源說明。它們不含模型權重、不會安裝套件，也沒有付費 API 節點。下載檔的用途是幫你核對設定，不代表已在你的電腦測試過。

應該看到： 第一、二課的七個節點都在，提示詞仍然是機器人；只換成第三課的輸出檔名前綴。如果出現 Missing Nodes，先確認自己開的是本課檔案，不要急著安裝擴充。

第 1 步 先把 A0 基準設定鎖好

找到 seed 和 fixed

seed（種子）是用來產生初始雜訊的數字。把它想成這次實驗的起點編號比較好理解：相同起點配上不同文字或設定，結果仍會改變。seed 不是角色身分證；不能靠一個數字保證每張圖都有同一張臉或同一個背包。

1. 找到 KSampler 的種子控制，先選 fixed。舊版列為 control_after_generate，有些說明把相同意思寫成 Keep
2. 選好 fixed 之後，再把 seed 填成 20261006
3. 如果介面把種子控制收進 seed 旁的圖示或選單，找固定／fixed 的選項。外觀不同時先用英文欄位辨認；找不到就重新開啟 A0 檔，不要隨便切換整套介面或外掛
4. 點畫布空白處，確認數字已套用；部分舊介面要按兩下數字才能直接輸入

fixed 是「不要自動換 seed」；它沒有鎖住其他設定。 Randomize 會換種子，increment／decrement 會遞增／遞減。做提示詞與參數比較時，如果種子也跟著變，就分不清是哪一項改動造成差異。官方 KSampler · 官方前端種子控制原始碼

A0 只用這一組基準

位置	A0 設定	本課用途
Load Checkpoint → ckpt_name	v1-5-pruned-emaonly-fp16.safetensors	全程同一個 SD1.5 檔案
KSampler → seed	20261006	多數比較的固定起點
control_after_generate	fixed	保留同一個 seed，不自動更換
steps	20	基準取樣步數
cfg	8	基準文字引導強度
sampler_name	euler	基準取樣演算法
scheduler	normal	全程不更換雜訊排程
denoise	1.0	本課是空白 latent 的文字生圖
Empty Latent Image	512 × 512，batch_size 1	每輪生成一張
Save Image → filename_prefix	greenbean-03-A0-baseline	在資料夾辨認基準圖

這是延續第二課的教學基準，不是所有模型的最佳設定。不要把這組 CFG、步數與 denoise 原封不動套到其他模型或圖生圖流程。

核對 positive 與 negative

在接到 KSampler positive 的 CLIP Text Encode 裡，保留以下整段：

small rounded green bean robot, yellow backpack, round black eyes, full body, standing beside a wooden table, one small white desk lamp on the table, soft morning light, light gray background, simple 3d illustration

在接到 negative 的另一個 CLIP Text Encode 裡，保留：

text, watermark, blurry, low quality

看連線的終點辨認 positive／negative，不要只靠方塊擺在上面或下面。負向描述也只是引導，不是能百分之百排除水印、模糊或錯誤的保證。官方文字條件節點說明

第 2 步 生成並保存 A0 基準

1. 再核對一遍 A0 表格，Run 旁的執行次數保持 1
2. 點右上 Run 一次，或按 Ctrl + Enter 一次。等它完成，不要連按加入多份工作
3. 到 Save Image 看預覽，再到第二課記下的輸出資料夾找 greenbean-03-A0-baseline 開頭的 PNG
4. 把新 PNG 複製進 lesson-03 資料夾。流水號由 ComfyUI 加入，保留原檔名，在觀察單填完整檔名
5. 用 Workflow／Workflows → Export 匯出一般工作流 JSON，命名 my-greenbean-03-A0.json，存進同一個資料夾；不要選 API 格式
6. 確認 seed 仍為 20261006，並填 A0 的實際觀察

A0 不漂亮也能當基準

對照圖片，逐項填「有／沒有／看不清楚」：

• 能看出綠色、圓潤的小機器人嗎？
• 黃色背包是否清楚出現？
• 眼睛是否是黑色圓眼？
• 桌燈有沒有出現？看起來是什麼顏色？
• 有沒有多出手腳、物件黏在一起，或明顯的模糊？

這些是本次作品的觀察項目，不是模型性能排行榜。背包被身體擋住時寫「看不清楚」，不要猜它一定正確。完整 PNG 生成成功但主角不符合想像，仍然可以當成這次對照的 A0；若流程報錯，先排錯，不能拿錯誤畫面充當結果。

再按一次 Run 卻瞬間完成？

ComfyUI 會重用沒有改變的節點結果。固定 seed，而且所有上游輸入都不變時，部分或全部流程可能走快取，所以你不一定得到第二個新 PNG，也不能把這一次耗時當成 GPU 重新生成的速度。本課只需保存一份 A0；若要比較耗時，還需另外控制快取、模型是否已載入等條件，本課不做效能測試。官方伺服器執行流程

第 3 步 B1 只換 seed 看起點的差別

這一輪故意更換 seed，學會分辨「換一個起點」和「調整同一組條件」。

1. 用 Open 重新載入自己剛保存的 my-greenbean-03-A0.json
2. 在 KSampler 只把 seed 從 20261006 改成 20261007，control_after_generate 仍是 fixed
3. 不改 positive、negative、steps、cfg、sampler、scheduler、尺寸或 denoise
4. 在 Save Image 把 filename_prefix 改成 greenbean-03-B1-seed。檔名前綴是整理標籤，不是生成條件
5. Run 一次，保存 PNG 與 my-greenbean-03-B1.json
6. 在觀察單填 B1，然後把 A0 與 B1 並排看

應該完成： 兩份設定中的生成差異只有 seed，並各有自己的 PNG。結果的構圖、比例或細節可能改變；如果看起來很接近，就如實寫「差異不明顯」。不同 seed 的數值遠近，不等於圖像相似程度。

先停一下： 接下來 C1、D1、E1 都要回到 seed 20261006。不能用 B1 的 20261007 直接接著改提示詞，否則相對 A0 就變成同時改了兩件事。

第 4 步 C1 固定 seed 只把白桌燈改紅

這次問題更具體：在同一個起點，把桌燈的 white 改成 red，圖裡的桌燈有沒有跟著改色？

1. 重新開啟 my-greenbean-03-A0.json，核對 seed 20261006、fixed、20 steps、CFG 8
2. 在接到 positive 的 CLIP Text Encode 找到 one small white desk lamp on the table
3. 只將 white 換成 red，其他文字、逗號與 negative 不動
4. Save Image 的 filename_prefix 改成 greenbean-03-C1-red-lamp
5. Run 一次，保存 PNG 與 my-greenbean-03-C1.json
6. 把 A0 與 C1 並排，先看桌燈，再看機器人的三項特徵

怕漏字時，可用下面完整 C1 正向提示詞核對：

small rounded green bean robot, yellow backpack, round black eyes, full body, standing beside a wooden table, one small red desk lamp on the table, soft morning light, light gray background, simple 3d illustration

比較時分開記兩件事

• 想改的部分： 桌燈是否由白變紅？如果根本沒有桌燈，填「無法判斷」，不要直接寫成功
• 不想改的部分： 機器人外形、黃色背包、眼睛、構圖，有沒有也跟著變？

固定 seed 讓比較更有條理，不會把桌燈以外的像素鎖住。文字生圖仍會重算整張圖；改一個字也可能牽動背景或角色。精準保留其他區域，需要後面再學參考圖、局部修改等方法。

如果紅色跑到背包上，先記下「顏色影響到別的物件」。不要在同一輪又提高 CFG、換 seed、改一長串負向詞，再把結果歸功於 white → red。這課先練習分辨現象，下一輪才決定要測什麼。官方文字生圖與提示詞說明

第 5 步 D1 回基準 只把 CFG 8 改成 6

CFG（classifier-free guidance）可以先理解成條件引導的強度。數字會影響取樣如何使用文字條件，不是畫質分數，也不是數字越大越準。過高可能損害畫面品質，適合的值要看模型、提示詞與其他設定。官方 KSampler 原始碼說明

1. 重新開啟 my-greenbean-03-A0.json。先讀 positive，確認桌燈已回到 white
2. 核對 seed 20261006、fixed、steps 20、euler／normal
3. 在 KSampler 只把 cfg 從 8 改成 6
4. filename_prefix 改成 greenbean-03-D1-cfg-6
5. Run 一次，保存 PNG 與 my-greenbean-03-D1.json
6. 比較 A0 與 D1：三項角色特徵、桌燈是否出現、顏色是否自然、輪廓或瑕疵有沒有變化

應該完成： 得到一份 CFG 6 的實際紀錄。可以寫「D1 的背包較清楚，但桌燈仍缺少」，也可以寫「兩張無明顯差異」，前提是這確實發生在你的圖上。不要照抄教材的例句當成結果。

這一對圖片只能支持「這個模型、這段提示詞、這個 seed 下，我比較喜歡哪一張，以及觀察到了什麼」。它不足以證明 CFG 6 永遠優於 8，或幫你找到所有圖的最佳值。

第 6 步 E1 回基準 只把 steps 20 改成 30

steps是取樣的步數。改步數會改變取樣過程；30 步不等於先完成原本的 20 步，再替同一張成品多補 10 步。更多步數通常需要更多運算，但不保證更好看，也不是提高解析度的方法。

1. 重新開啟 my-greenbean-03-A0.json，確認白桌燈、seed 20261006、CFG 8
2. 在 KSampler 只把 steps 從 20 改成 30
3. euler、normal、denoise 1.0、512×512、batch_size 1 都不變
4. filename_prefix 改成 greenbean-03-E1-steps-30
5. Run 一次，保存 PNG 與 my-greenbean-03-E1.json
6. 比較 A0 與 E1：背包、眼睛、燈與輪廓有沒有改變？變清楚、變差，或沒有明顯差異？

應該完成： 一張依 30 步設定生成的 PNG 與相符 JSON。如果 30 步沒有明顯改善，這也是有用的紀錄；不用為了「證明更多一定更好」繼續加到很大的數字。

本課不提供秒數基準，也不把第一張載入模型的時間與後面已載入模型的時間拿來比較。若你自行記秒數，注明是否首次載入、是否可能走快取，不在這裡換算速度排名。官方取樣程式碼

第 7 步 選做 F1 只換取樣器 不換排程

先完成前五組再做這一步。sampler_name決定取樣演算法；scheduler決定雜訊水準如何安排。它們是兩個不同欄位，下載到別人的「推薦組合」時，也不等於可以同時換兩個再宣稱只比較 sampler。

1. 重新開啟 my-greenbean-03-A0.json，再確認 seed 20261006、20 steps、CFG 8、白桌燈
2. 打開 sampler_name 下拉清單，將 euler 改成 heun；如果可搜尋，輸入 heun 再選完全相同的名稱
3. scheduler 保持 normal，其他生成條件不動
4. filename_prefix 改成 greenbean-03-F1-heun-optional
5. Run 一次，保存 PNG 與 my-greenbean-03-F1.json，只拿 A0 與 F1 比

heun 是本課選來練習的另一個取樣器，不代表它一定比 euler 更好。相同 steps 也不保證不同演算法需要相同運算量或時間；這次只看結果，不做速度比賽。下拉清單沒有 heun 時，先記下版本與清單，跳過選做，不要為了本課安裝來源不明的節點。官方取樣器原始碼

第 8 步 讓圖片和 JSON 一一對得起來

先在檔案總管對每組圖確認完整檔名，再回到觀察單填寫。不要只存「我最喜歡的那張」，否則之後無法知道它比基準改了什麼。

最後做一次重新開啟檢查

1. 用 Open 載入自己的 my-greenbean-03-C1.json，檢查 red、seed 20261006、CFG 8、20 steps、euler／normal
2. 再載入 my-greenbean-03-D1.json，檢查 white、seed 20261006、CFG 6、20 steps
3. 再開 my-greenbean-03-A0.json，確認恢復白桌燈、seed 20261006、CFG 8、20 steps
4. 這個檢查只要開檔看設定，不用再按 Run
5. 在觀察單各組填上 PNG、JSON 的完整檔名，讓下一次的你看得懂

如果你曾使用教材的救援檔，最後仍應匯出自己的 JSON，因為本機可能用了含子資料夾的 checkpoint 名稱。不要拿原始下載檔冒充已記錄實際環境的檔案。

PNG 可能含有提示詞與工作流中繼資料；分享前也要檢查私人文字、檔案路徑等資訊。聊天軟體或修圖工具可能移除這些資料，因此另外保留 JSON。目前不必把模型權重複製進作業資料夾。官方保存與分享工作流

卡住時 先找出是哪一類問題

做了 C1 卻不知道算不算單一變因

同時比較 A0 和 C1 的 JSON：seed、negative、尺寸、steps、CFG、sampler、scheduler、denoise、模型都要相同。positive 只應有 white → red 的差異；檔名前綴不同是整理需要。如果不確定，重新開 A0 再做 C1，比憑記憶改回去可靠。

seed 每跑一次就變 或圖片變得太多

先檢查 control_after_generate 是否是 fixed，再看這次工作實際送出的 seed。自動換種子的模式可能讓畫面顯示下一次要用的數字，因此不要只靠跑完後的一個欄位猜前一次用了什麼。保留該次的 PNG 中繼資料／執行紀錄，以及匯出的 JSON；不確定的那輪在觀察單標示「seed 未確認」，回 A0 固定後重做比較。

明明固定 seed 圖片還是不一樣

固定 seed 只是其中一個條件。依序核對模型檔是否相同、文字是否有差一個字、所有參數、尺寸、批次，以及 ComfyUI／PyTorch／裝置環境是否改變。不同電腦、版本與執行後端，不保證逐像素一致；不能用 seed 一項就排除其他因素。PyTorch 官方重現性說明

改提示詞了 卻還是看到舊圖

先看是否真的改到接 positive 的節點、是否按了一次 Run、目前那次工作是否完成；再核對新 PNG 的檔名前綴與修改時間。也可能新圖看起來很像，先對照檔案。若輸入完全沒變，重用快取是正常現象；不要盲目清快取或重裝。

紅桌燈沒有出現 或把背包染紅了

先確認 C1 的 red 放在桌燈短句、negative 沒有被一起改，然後如實記錄。SD1.5 可能無法穩定把屬性綁定到指定物件。這不一定是電腦故障；本課不承諾改一個字就能精準局部編輯。

改 CFG 或 steps 以後反而不好看

保留結果，寫具體問題，再回 A0。一次實驗不用挑出冠軍，也不用把數字一直加大。若想再測 CFG 7，應另外建立新代號、仍以 A0 為比較對象；不要覆蓋原本 D1 的紀錄。

選到不一樣的取樣器 或看不到 heun

euler、euler_ancestral 等不同名稱不能當成同一個選項。主線保持 euler；F1 選做才改 heun。清單與教材不符時先核對版本，不安裝外掛硬湊。

出現 Missing Models 或 out of memory

回第二課的排錯區核對模型與記憶體。這課維持 512×512、batch_size 1，不用換大模型；降低 steps 不保證解決顯示記憶體不足。先留下完整錯誤，再處理問題，不把失敗的那輪填成已完成。

小測驗 先作答 再看解答

1. 把 seed 設成 20261006，種子控制卻留 randomize，適合拿來比較 CFG 嗎？
2. C1 改紅桌燈後直接把 CFG 調到 6，拿它和 A0 比，總共有幾項生成條件不同？
3. seed 固定後，把白桌燈改成紅桌燈，能保證機器人的其他像素完全不變嗎？
4. 30 steps 的結果沒有比較好看，代表你一定操作錯誤嗎？
5. A0 再 Run 一次瞬間完成，可以記成你的電腦「重新生一張圖只需零點幾秒」嗎？
6. A0 用 euler／normal，另一組用 heun／karras，能說只比較 sampler 嗎？
7. D1 看不出背包，可以把「黃色背包正確」勾成有嗎？
8. 只存 PNG、不存 JSON，長期回頭重做時有什麼風險？

參考答案

1. 不適合。自動換種子會讓後續工作起點改變；先改 fixed，再核對實際設定
2. 兩項：桌燈提示詞和 CFG。D1 應重新開 A0，讓桌燈回 white，再只改 CFG
3. 不能。固定種子不會鎖住其他像素，也不是角色一致性的保證
4. 不代表。較多步數不保證較好；先核對設定，再留下真實觀察
5. 不能。可能用了快取，這不等於重新執行完整取樣的耗時
6. 不能。sampler 和 scheduler 都變了；本課 F1 要保留 normal
7. 不能。應寫「看不清楚」或「無法判斷」，與「確定沒有」分開
8. PNG 的中繼資料可能在傳送或編輯時消失；另外保存 JSON 才能更可靠地保留節點與參數

動手驗收

• 找得到 A0、B1、C1、D1、E1 五組自己的 PNG 與 JSON；F1 是選做
• 每組 PNG 確實是這一輪輸出，檔名與觀察單一致
• 不看課文，也能指出 C1 相對 A0 改了哪一個字，D1 改哪個數字
• 能重新載入三份自己的 JSON，正確指出 seed、CFG、steps 與提示詞
• 寫出一個有限度的結論，例如「在這個 seed 與模型下，D1 的＿＿比 A0 ＿＿」；空格填你實際看到的事
• 如果還沒執行、流程失敗或資料對不上，明確填未完成，不勾選為通過

做完以後 先保留這份比較方法

這一課累積的不只是五張圖，還有一種可以帶到後續課程的方法：有基準、只改一項、保存原始檔、記錄看見的差異。

接下來的圖像階段會沿用小豆機器人的三項特徵，先核對 Qwen 圖像模型的工作流、執行條件與使用限制，再做角色圖與修改練習。不同模型要重新建立基準；今天的 seed 和 CFG 數值不會自動變成跨模型的通用配方。圖像整理好之後，才接到影片課。後續仍在準備，這裡不建立空白課文連結。

來源 圖片與下載檔說明

文件查核日期：2026 年 10 月 6 日。本課沿用第二課使用的官方 SD1.5 七節點範例，沒有更改連線。需要重現同一輪實驗時，請以你實際保存的模型、工作流和環境紀錄為準。

• Comfy 官方 SD1.5 文字生圖教學：節點分工與提示詞練習
• KSampler 節點與原始碼：seed、CFG、steps、sampler、scheduler 的角色；其中簡化的「同 seed 同圖」「更多步數更準」敘述已加上適用條件，不當成跨環境保證
• ComfyUI 核心取樣程式：取樣器與排程分開處理
• ComfyUI 前端專案：種子控制的 fixed／increment／decrement／randomize 行為
• ComfyUI 伺服器執行流程：快取與未變更節點的處理
• 官方保存工作流說明：PNG 中繼資料、JSON 與重新載入
• PyTorch 重現性說明：不同版本與運算平台不保證完全相同結果

本課有 7 張未修改的官方原圖與 7 張課程原創設定／整理示意圖。官方圖保留其原有標記，不合成本課參數進 UI；因版本不同，欄位外觀可能與你的畫面不同。每張圖均附原尺寸連結與用途。課程示意圖沒有使用 AI 生成的假介面，也沒有把未實跑的結果畫成比較證據。

圖片來源與 SHA256 清單、官方來源庫 GPL-3.0 授權原文與工作流來源和修改說明隨課保留。練習包只提供工作流、觀察單與說明，不重新散布模型權重。結構核對不能代替 ComfyUI 匯入與 GPU 實跑；目前尚未進行後兩者的獨立驗證。