蒸馏后推理步数下降、出图细节变糊，第一反应常常是“教师模型不够强、没选对”。这个判断通常下得太早。教师模型的能力要放到变量对齐之后才可比：同一段提示词、同一组随机种子、同一分辨率、同一采样器与调度器、同一引导系数，只让“模型身份”和“采样步数”两个因素变化，才能看出画质差在哪里。多数排查里，原因分布在三种情况：种子随机性造成的错觉、步数压到画质拐点以下、教师与学生采样设置本来就不一致。

先把“画质下降”当作待验证现象，而不是结论。固定提示词、随机种子、分辨率与采样器/调度器/引导系数，只让模型身份和步数变化：先同步数对比教师与蒸馏学生，再逐档降步数找拐点，最后核对两边采样设置是否一致。若同步数下学生已明显丢结构，才回到教师选型与蒸馏配置上找原因；若同步数下差距不大，问题多半在步数砍得太狠。

固定提示词与随机种子，做一组对照出图

先做一件事：把随机性从对比里剥离。准备一段固定提示词，最好同时包含主体结构、材质纹理和小面积文字或细线，这类内容对细节丢失更敏感。种子不要只用一个，建议固定 3 到 5 个整数种子跑同一组条件，避免单张出图的巧合被当成规律。

对照组是教师模型在原始配置下的出图；实验组是蒸馏学生模型，除模型路径外，提示词、负向提示词、分辨率、种子列表、采样步数、采样器、调度器、引导系数全部保持不变。两组输出分别落盘，文件名带上变量，方便事后排序比对。

# 仅示意字段，按你实际使用的框架替换键名
run_id: dmad_cmp_01
prompt: "同一段提示词，两组完全一致"
negative_prompt: ""
resolution: [1024, 1024]
seed: [1234, 5678, 91011]   # 多个种子，减少单张巧合
steps: 8
sampler: euler              # 两组必须填同一个
scheduler: normal
guidance: 7.0
models:
  teacher: /path/to/teacher
  student: /path/to/distilled_student

替换项是模型路径、种子列表和你要对比的步数。执行后不要只看配置文件，从运行日志里确认实际生效的参数，配置覆盖或默认值回填是常见的不一致来源。

对比教师模型与蒸馏学生模型同步数下的输出

这一步只比“同一步数”。把教师和学生都设成同一个步数（例如学生常用的低步数档），用同一提示词、同一种子出图，按三个维度并排看，不预设哪边更好。

• 结构：主体数量、比例、朝向、肢体或部件是否缺失，布局是否仍符合提示词描述。
• 纹理：皮肤、布料、金属、木纹这类高频细节是否成片糊掉或被抹平。
• 边缘：轮廓是否发毛，细线和小字是否断裂或粘连。

记录时写成两列描述，而不是笼统打分：教师在这个维度具体表现如何、学生在这个维度具体表现如何。若相同步数下学生在三项上都与教师接近，说明画质差距主要来自步数压缩；若同一步数下学生已经明显丢结构，问题更可能落在蒸馏数据、蒸馏目标，或教师本身与目标出图域不匹配，这时再回头审视教师模型选型才有意义。

把采样步数逐档降低，找画质拐点

确定学生在什么步数开始明显掉，比争论教师是谁更有用。做法是从一个偏保守的步数开始，按固定档位往下走（固定间隔或固定倍数），每档用同一提示词、同一种子出图，记录成表。

评分标准要在开跑前定好并写下来，例如 5 分表示三项全部达标，3 分表示结构正确但纹理明显丢失，1 分表示结构与布局都错。标准一旦定下就不再修改，否则跨档位不可比。耗时按同一机器、同一分辨率、同一 batch size 记录，换环境后的耗时不能混在同一张表里。拐点的判断方式：找到评分连续两档出现明显下降的位置，前一个档位就是可用的最低步数；低于它继续跑，通常只能得到结构还在、细节被抹平的图。

核对教师与学生使用的采样器是否一致

在得出任何关于教师模型的判断前，先核对两边实际生效的采样设置。蒸馏学生往往在训练阶段就与某个采样器、某个调度器绑定，推理时换成另一套，画质会假性下降。

• 采样器（sampler）：两边是否同名同实现，是否运行在同一推理后端。
• 调度器（scheduler / sigma 表）：是否同一个，包括“用默认值”和“显式指定”的区别。
• 引导系数（guidance / CFG scale）：是否一致；蒸馏模型对 CFG 的敏感度与教师不同，CFG 大幅偏离训练值时结构与纹理都会受影响。

核对方式不要只读配置文件，从日志里打印实际生效的三项值，或用一次最小推理把参数回显出来。

# 通用参数回显骨架，按所用框架的接口替换键名
print({
    "model": ckpt_path,
    "sampler": pipe.scheduler.__class__.__name__,
    "scheduler_cfg": scheduler_name,
    "guidance": guidance_scale,
    "steps": num_inference_steps,
    "seed": seed,
})

不一致时的处理：以教师模型的推理配置为基准，把学生对齐到同一组采样器、调度器和引导系数，再重跑同步数对比。若对齐后差距收窄，说明此前观察到的画质下降有相当部分来自设置不一致；若对齐后差距依旧，再回到蒸馏配置和教师选型上排查。还有一种情况需要单独确认：蒸馏训练脚本里的采样器与推理时不同，这时应先确认训练侧的实际配置，再决定推理侧对齐到哪一边，不能想当然地按教师配置改。