Parameters

Materials

ComfyUI

Parameters

Updated: 2026-05

1. このページで学ぶこと

K-Sampler のパラメータ（ステップ、CFG、サンプラー、シード）を1つずつ動かして、結果の変わり方を体感する。前ページ（Minimum Workflow）で動かしたワークフローをそのまま使う。

ここでの目的は「正解の組合せを覚える」ではなく「どのパラメータが何に効くか」の感覚を掴むこと。

2. シード（seed）

同じプロンプト・同じパラメータでも、シードが違えば別の画像になる。逆に、シードが同じなら何度実行しても完全に同じ結果が出る。

2.1 やってみる

K-Sampler の「生成後の制御」を randomize から fixed に変更
シード欄に好きな数字を入れて実行
もう一度実行 → 同じ画像が出る
シードを別の数字に変えて実行 → 違う画像が出る

2.2 シードの使いどころ

再現性: 「あの時の画像」を再度生成したい → シードを記録しておけば再現できる
比較実験: パラメータを変えて結果を比べるとき、シードを固定しないと比較にならない
バリエーション: 気に入ったプロンプトで色違いを探したいとき、シードだけ変える

授業中の比較実験では、必ずシードを固定する。

3. ステップ数（steps）

ノイズを何回に分けて削るか。

3.1 やってみる

シードを固定したまま、ステップ数だけを変えて実行する。

ステップ数	結果
5	ぼやけ・ざらつき・破綻が目立つ
10	形は出るが粗い
20	標準的な品質
30〜40	より精細、ただし違いは20と比べて微妙なことも
50以上	コスパが悪化、特に通常モデルでは差が見えにくい

3.2 例外: Turbo / LCM 系モデル

Z Image Turbo、SDXL Turbo、Flux schnell、SD Turbo などは「少ステップ前提」で設計されている。これらは 4〜8ステップで完成度が出る。多くしても結果はあまり改善されない。

4. CFG（Classifier-Free Guidance）

プロンプトへの忠実度。

4.1 やってみる

シード・ステップ数を固定して、CFG だけ変える。

CFG	結果
1	ほぼ無条件、AI が自由に描く
3	ふわっとプロンプトを意識
7〜8	一般的な使用域
12	プロンプトに過度に忠実、過彩度が出始める
15以上	アーティファクトが目立つ、破綻

4.2 モデルとの相性

SD 1.5 系: CFG 7〜8 が標準
Flux dev: CFG 1〜3 で動作するよう設計（高い CFG は壊れる）
Turbo / LCM 系: CFG 1〜2 が推奨

ノードの推奨値はモデルによって変わるので、新しいモデルを使うときはモデルカード（モデル説明）を確認する。

5. サンプラー（sampler_name）

ノイズを削るアルゴリズム。

5.1 主要サンプラー

サンプラー	特徴	推奨用途
`euler`	古典的・安定	SD 1.5 で迷ったらこれ
`euler_a`	euler の変種、シードへの感度が高い	多様性を出したいとき
`dpmpp_2m`	後発、高品質	中〜高品質を狙うとき
`dpmpp_2m_sde`	確率的バージョン、ステップ少なめでも高品質	短時間で良い結果
`lcm`	LCM 系モデル専用	LCM 系モデルを使うとき

5.2 やってみる

シードを固定して、サンプラーだけを変える。同じプロンプトでもサンプラーで雰囲気が変わる（特に euler vs euler_a で顕著）。

6. スケジューラ（scheduler）

各ステップでどれくらいノイズを削るかの戦略。サンプラーとペアで動く。

スケジューラ	特徴
`normal`	標準的、線形に近い
`karras`	後半をきめ細かく、品質寄り
`exponential`	序盤を速く
`simple`	シンプル、軽量

迷ったら normal。SD 1.5 で品質を上げたいときは karras。

7. 解像度の効果

「空の潜在画像」ノードの幅×高さ。

小さい（512×512）: 高速、クレジット消費小、ただし細部の表現力は低い
中（768×768〜1024×1024）: バランスがよい
大きい（1536×1536以上）: 高品質だが計算量が爆発、クレジット消費も大

SD 1.5 は 512×512 で学習されているため、それ以外のサイズだと崩れやすい。SDXL や Flux は 1024×1024 が標準。学習時の解像度に近い値が安定。

8. 比較演習（授業向け）

クレジット節約のため、比較実験は SD 1.5（1枚あたり 0.3〜0.5 クレジット）で行う。

演習A: ステップ数の影響

同じプロンプト、同じシード、CFG 7、euler/normal
ステップ数を 5 / 10 / 20 / 40 で4回実行
並べて比較し、どこから「ほぼ違いが見えなくなる」か体感

演習B: CFG の影響

同じプロンプト、同じシード、ステップ 20、euler/normal
CFG を 1 / 3 / 7 / 12 / 20 で5回実行
どこから過彩度・破綻が出るか観察

演習C: シードの多様性

同じプロンプト、ステップ 20、CFG 7、euler/normal
シードを 4 つ変えて実行
同じプロンプトでもどれくらいバリエーションが出るか体感

演習D（任意）: サンプラー比較

同じプロンプト、同じシード、ステップ 20、CFG 7
euler / euler_a / dpmpp_2m / dpmpp_2m_sde で比較

授業時間の余裕に応じて演習A〜Cを必修、Dを発展課題に。

9. 結果の保存と整理

複数のパラメータで生成した画像を比較するときは、各画像のメタデータ（プロンプト、シード、ステップ、CFG）を覚えておく必要がある。

Comfy Cloud は生成画像のメタデータを画像ファイルに埋め込む。保存した PNG をそのままワークフロー画面にドラッグ＆ドロップすると、その時のワークフロー全体が復元される。

ヒント: 気に入った結果が出たら、まず画像を保存（右クリック → 画像を保存）。あとから「これどうやって作ったんだっけ」を完璧に再現できる。

10. このあと

img2img / inpaint — 既存画像を起点にする
ControlNet — 構図・姿勢を別画像で指定
LoRA — 画風や対象を絞り込む

Minimum Workflow img2img and Inpaint