画面每次都不同，通常不是单一原因。可以先把它拆成两类：一类是进程里有随机源没被固定，比如种子没传进去、传进去但被后续初始化覆盖、采样阶段另起随机流；另一类是条件没真正对齐，你以为改了提示词或参考图，实际配置文件、默认值、缓存里的旧结果仍然生效。判断顺序建议反过来做：先固定种子连跑两次，确认能不能复现；能复现，说明随机性已被压住，剩下的差异就该归到条件输入上；不能复现，就继续往并行、精度、数据加载这些方向排查。整页围绕控制变量法展开，一次只改一项，把漂移归因清楚再谈调参。
UniWorld-View 出图不稳定时，不要先怀疑模型本身。建议先做固定种子双跑对比：两次输出逐像素一致，则问题在条件输入未对齐，按单变量表逐项改；不一致，则按采样、数据加载顺序、并行线程、精度模式四类随机源逐条关掉。所有结论以仓库实际字段、运行日志和文件哈希为准，找不到的入口记为未确认，不要臆造参数名。
在脚本与配置里找 seed 相关参数的落点
不同仓库对随机种子的命名差别很大，直接照抄别人的 `--seed` 很容易传了个寂寞。做法是先在仓库里搜字段，再顺着调用链确认这个值最终交给了谁。下面只是命令骨架，字段名以你本地仓库实际出现的为准。
# 1. 搜代码里的种子相关标识
grep -rn `--include`=*.py -E "(^|[^a-zA-Z_])(seed|random_seed|rng|torch_seed|numpy_seed|generator)([^a-zA-Z_]|$)" . | head -n 60
# 2. 搜配置与启动脚本里的同名键
grep -rn -iE "seed|deterministic|reproduc" `--include`=*.yaml `--include`=*.yml `--include`=*.json `--include`=*.toml `--include`=*.sh . | head -n 60
# 3. 确认这个值被谁消费：把 X 换成第 1 步命中的变量名
grep -rn "X" `--include`=*.py . | grep -iE "set_seed|manual_seed|seed_everything|RandomState|default_rng"需要记录三件事：参数的默认值、它被读取的位置、它生效的时机。常见坑是种子在模型权重加载之后才设置，或者在采样循环里又重新构造了一次随机数生成器，前面的固定等于没做。如果仓库里确实搜不到任何种子入口，就把这一项明确记成「未确认」，在实验记录里注明，而不是自己补一个参数名上去假装能固定。
固定种子连跑两次，比对输出是否完全一致
这一步是所有后续对比的前提：固定之后能不能复现。输出目录一定分开命名，不要覆盖，否则你比的是同一份文件。
python infer.py `--config` cfg.yaml `--out` runs/seed_check_a
python infer.py `--config` cfg.yaml `--out` runs/seed_check_b
# 文件级哈希对比
sha256sum runs/seed_check_a/*.png runs/seed_check_b/*.png哈希相同基本可以认为逐字节一致；哈希不同再往下看差异有多大，避免把元数据或压缩方式差异误判成画面差异。
# 逐像素差值骨架，按需替换库与路径
from PIL import Image
import numpy as np
a = np.asarray(Image.open("runs/seed_check_a/sample_0.png").convert("RGB"), dtype=np.int16)
b = np.asarray(Image.open("runs/seed_check_b/sample_0.png").convert("RGB"), dtype=np.int16)
d = np.abs(a - b)
print("max_abs_diff:", d.max())
print("mean_abs_diff:", d.mean())
print("pixel_equal_ratio:", (d.max(axis=2) == 0).mean())判读方式：最大差值很小且集中在少数像素，通常是精度或算子非确定性造成，画面观感接近；平均差值明显、几乎整幅都在变，说明随机源还没关住，直接进入最后一节。这一步不要凭肉眼判断「看着差不多」，差值数字要落到记录里。
只改条件输入一项，观察输出哪部分跟着变
能复现之后，差异来源就从随机性切换到可控变量。每轮实验只动一个字段，其余全部锁死。可以先用下面这个模板把计划写下来再跑，避免中途顺手改了别的。
| 本次只改的字段 | 其余固定项 | 预期观察点 | 实际观察 |
|---|---|---|---|
| 提示词中的一个名词 | seed、采样步数、分辨率、参考图、模型权重、配置文件中其他键全部不变 | 主体变化，构图与色调保持接近 | 待填 |
| 分辨率或宽高比 | 同上，仅改尺寸 | 构图重心位移，细节密度变化 | 待填 |
单次实验的记录格式建议固定成一行，方便回看：日期 | 只改字段=旧值→新值 | 固定项清单 | 输出目录 | max_abs_diff 对比基准 | 观察结论。如果改了提示词画面几乎没变，要先怀疑配置没被读到，比如命令行参数被配置文件里的同名键覆盖、或者只改了模板没重新渲染，这时候结果说明的是链路问题，不是模型不敏感。
逐条排除其他随机源
固定种子后仍然不一致，按下面的清单一条条关，每一轮只关一项，关完回到上一节的双跑对比。具体接口名各仓库不同，这里只给方向。
- 采样过程：初始噪声是否每次重新采样、采样器中是否有额外随机分支、以及某些增强式采样开关。通用思路是显式传入噪声张量或把采样器切到确定性路径，并在日志里打印噪声来源，确认不是每次都新建。
- 数据加载顺序：训练或批量推理时打乱样本、多 worker 读取、随机裁剪与随机翻转都会引入随机。做法是把打乱关掉、worker 数设为单进程或固定、把预处理阶段的随机变换关闭后再对比。
- 并行与线程设置：多卡、多进程切分、算子内部的并行归约都可能让浮点累加顺序不同。先退到单卡或单进程重跑，再配合固定线程数环境变量，观察是否变成一致；这一步主要是定位，不是长期方案。
- 精度模式：半精度、低精度矩阵乘、卷积算法自动选择都会带来末位差异。把精度切回全精度、关闭算法自动搜索或固定算法选择后重跑，看差值是否收敛到很小。
排除过程中保留每轮的输出目录和差值记录，别覆盖。最终要形成一句可复述的判断：这套配置下画面差异由哪一类随机源贡献，哪些条件字段真正影响输出。判断依据是哈希、差值和日志，而不是感觉「这次好像稳定了」。