必须手动调整采样步数以平衡质量与速度；HunyuanImage 2.1仅在Diffusers加载或官方脚本中支持调节，元器/元宝/官网不可调；推荐30步，低于20步易模糊，高于50步提升小但耗时增；可换Euler调度器并设num_inference_steps确保生效；CLI调用需服务端透传参数。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在本地运行腾讯混元文生图模型（如开源的 HunyuanImage 2.1）并精确控制生成质量与速度的平衡，必须手动调整采样步数（sampling steps），该参数直接影响图像细节丰富度和推理耗时。
确认模型是否支持本地采样步数调节
腾讯混元图像2.1是开源模型，已发布于 Hugging Face 和 GitHub，【仅当使用其官方推理脚本或兼容的 Diffusers 加载方式时，才可修改采样步数】。若你用的是腾讯元器、元宝App 或混元官网控制台，此参数不可见也不可调——它们封装了后端逻辑，不暴露底层采样配置。
通过 Diffusers 加载 HunyuanImage 2.1 并设置采样步数
方法一：使用 pipeline 的 num_inference_steps 参数
在 Python 环境中加载模型后，调用 pipeline 时直接传入 num_inference_steps：
```python
from diffusers import HunyuanDiTPipeline
import torch
pipe = HunyuanDiTPipeline.from_pretrained("Tencent-Hunyuan/HunyuanImage-2.1", torch_dtype=torch.float16).to("cuda")
image = pipe(
prompt="一只穿唐装的熊猫在故宫屋檐上打太极",
num_inference_steps=30 # ← 关键：此处设为30步
).images[0]
image.save("tangzhuang_panda.png")
```
注意：HunyuanImage 2.1 默认使用 DPM-Solver++（2M SDE）调度器，30 步已是高质量推荐值；低于20步易出现结构模糊、文字崩坏；高于50步提升极小，但显存占用与耗时线性增长。
修改调度器并精细控制每一步噪声衰减
步骤一：替换默认调度器为 EulerDiscreteScheduler
某些提示词对噪声调度敏感，比如含中文标题的海报图，Euler 调度器比 DPM-Solver 更稳定。
步骤二：初始化调度器时指定 num_train_timesteps
```python
from diffusers import EulerDiscreteScheduler
pipe.scheduler = EulerDiscreteScheduler.from_config(
pipe.scheduler.config,
num_train_timesteps=1000 # 影响时间步密度，非采样步数
)
```
步骤三：调用时仍用 num_inference_steps=40，但此时每步跨度更均匀，对“春季促销”这类带文字的 prompt 渲染更鲁棒。
这一步不能跳过：若只改调度器不重设 num_inference_steps，pipeline 会沿用原调度器默认步数（通常是30），导致实际生效值与预期不符。
命令行方式快速覆盖步数（适用于 tccli 封装的本地服务）
如果你已将混元图像2.1 封装为本地 FastAPI 服务，并通过 CLI 提交请求：
```bash
curl -X POST "http://localhost:8000/generate" \
-H "Content-Type: application/json" \
-d '{"prompt":"水墨风黄山云海","num_inference_steps":35}'
```
服务端需在 API handler 中显式接收并透传该字段至 pipeline() 调用，否则参数会被忽略。
