模型參數

AI 生圖參數怎麼調？本頁完整解析生成面板中的所有設定 —— 長寬比、解析度、取樣步數、CFG Scale、Seed、VAE 與參考圖片等每一項的作用與建議值。不同模型支援的參數不完全相同，詳見模型概覽中的對照表。想先理解這些參數背後的原理，可以看下方「生圖原理簡介」，或回顧AI 生圖的基本概念。

生圖原理簡介

AI 生圖的核心是擴散模型（Diffusion Model）。簡單來說，整個過程分兩步：

1. 加噪 — 把一張清晰的圖片逐步加入隨機雜訊，直到變成一團完全看不出內容的雜訊
2. 去噪 — 反過來，從一團隨機雜訊開始，在提示詞的引導下，一步一步把雜訊還原成一張有意義的圖片 你在生成面板中調整的參數，本質上都是在控制這個「去噪」過程的不同環節。

• 提示詞告訴 AI「往什麼方向去噪」— 畫什麼內容
• 取樣步數決定「去噪走幾步」— 步數越多細節越豐富
• 取樣方式決定「每一步怎麼走」— 不同演算法產生不同風格
• CFG Scale 決定「多聽提示詞的話」— 數值越高越嚴格遵循
• Seed 決定「從哪團雜訊開始」— 固定 Seed 可以復現相似的結果

理解了這個基本原理，下面各參數的作用就很容易理解了。

---

長寬比選擇

長寬比會決定輸出圖片的比例形狀。PixAI 提供 3:5、1:1、9:16、3:4 等長寬比預設。你也可以自己手動自訂長寬比。

解析度

選定長寬比後，可以進一步選擇解析度大小。解析度越高，細節越豐富，但消耗的點數也越多。 會員可以解鎖更大的解析度選擇。

生成數量

控制一次生成幾張圖片。

• 單張 — 生成 1 張圖片
• 多張（×4） — 一次生成 4 張圖片，享有 50% 價格優惠（相當於只付 2 張的點數）

負面提示詞

負面提示詞告訴 AI 不要在畫面中出現什麼元素。PixAI 的模型都內建預設負面提示詞，多數情況下直接使用即可。完整的分類說明、寫法建議與場景範例請看 提示詞基礎 → 負面提示詞。

取樣步數

步數決定 AI 在一張圖上花多少輪迭代。步數越多，細節越豐富，但點數消耗也越大。PixAI 的模型通常使用 28 作為預設值。

取樣方式

取樣器決定 AI 從雜訊中還原圖像的演算法，不同取樣器影響畫面風格和收斂速度。預設值：Euler a。

• Euler a（預設）— 適合探索和隨機變化
• DPM++ 2M Karras — 社群最常用，畫面銳利、細節豐富
• DDIM — 收斂快、穩定，適合局部重繪

Karras 變體（名稱帶 Karras 的）通常比普通版更銳利、對比度更好。

CFG Scale

控制 AI 遵循提示詞的嚴格程度。數值越高，越貼近提示詞但可能過度飽和。預設值：5。

Seed 指定（種子值）

種子值決定生成的隨機起點。你可以透過固定種子來獲取相似的生圖結果。

• 固定種子：相同種子 + 相同設定 → 完全一致的結果
• 用途：找到喜歡的圖後，鎖定種子微調其他參數，觀察每個變動帶來的差異
• 每張生成結果都會顯示它的 Seed 值，方便你記錄和復現

VAE 模型

VAE（變分自編碼器）負責最後一步的色彩和對比度渲染，不影響構圖，只影響色調。DiT 模型（如 Tsubaki 系列）使用內建 VAE，不可更改。

參考圖片

上傳一張參考圖片，AI 會在此基礎上進行創作。你可以透過 Strength 參數控制 AI 對原圖的改動程度。 對於編輯模型（Reference Pro），參考圖片是核心功能，必須上傳至少一張圖片才能使用。

• 低 Strength（0.1–0.3） — 微調，幾乎保持原圖
• 中 Strength（0.3–0.5） — 風格轉換、局部優化
• 高 Strength（0.5–0.7） — 草稿轉完成品