AI生成3D模型的工作流里，最让人头疼的问题之一就是细节模糊：整体形状看着没毛病，可一旦拉近视角，表面就成了一团糊，纹理边界不清晰，法线细节几乎为零。这种情况在Stable Diffusion、TripoSR、Meshy、Rodin等基于扩散模型或重建模型的3D生成管线中都很常见。很多人第一反应是换模型、换提示词，实际上问题多半出在两个参数上——采样步数和CFG Scale。这两个参数看似独立，实际存在明显的耦合关系，单独拉高其中一个往往得不到理想效果，甚至会让画面变得更糟。下面从原理层面拆解这两个参数，再给出具体的调参策略。
采样步数如何影响3D模型的细节质量
扩散模型的生成过程本质上是“从噪声到数据”的逐步去噪。采样步数就是这个去噪过程被切分成的颗粒度。假设整个去噪轨迹被分成20步完成，每一步模型只能做相对粗略的修正；如果分成50步，每一步的修正量更小、更精细，最终结果自然更贴近模型学到的数据分布。
对于3D生成来说，步数不足的伤害比2D图像更明显。因为3D模型在生成时通常要同时预测多视角图像、深度图或者直接预测NeRF、3D Gaussians等表征，信息密度高，低步数采样会让高频细节（比如布料的褶皱、金属的划痕、皮肤毛孔）被提前“抹平”。这就是为什么28步生成的模型看起来像是20步版本的轻微锐化版，而50步以上才可能补出真正的几何细节。
但步数并非越高越好。多数扩散模型在某个阈值之后收益急剧递减，比如SD系列在30到40步之后基本收敛，继续加到80步不仅浪费数倍推理时间，还可能因为数值误差累积出现轻微的纹理漂移。另外要注意，不同的采样器对步数的敏感度差异很大：Euler类采样器通常需要更多步数才能收敛，而DPM++ 2M Karras这类高阶采样器在20到30步就能达到接近的效果。如果是3D专用管线（比如基于SDS的DreamGauss类方案），蒸馏后的采样器甚至只需要1到4步，此时盲目加步数反而是错误方向。
CFG Scale的作用机制与典型误区
CFG全称Classifier-Free Guidance，它的工作原理是在采样时同时做一次有条件预测和一次无条件预测，然后把两者的差值按系数放大后叠加回去。用公式说就是：最终输出等于无条件结果加上CFG Scale乘以（条件结果减去无条件结果）。直观理解，CFG Scale越大，模型越“听话”，越努力贴合你的提示词。
问题出在很多用户把“听话”当成了“高质量”。当CFG Scale超过10甚至15之后，常见的副作用会集中爆发：颜色过饱和、对比度过高、结构出现扭曲，在3D生成里还表现为表面过度锐化成塑料感、几何自相交、纹理出现不自然的色块。这些 artifacts 本质上是因为引导信号过强，把模型推离了它学到的自然数据流形。
一般经验是：2D图像生成中CFG Scale在5到8之间比较稳妥；3D生成管线因为要保证几何稳定性，建议更低，通常3到7。另外有一个容易被忽略的点——CFG Scale与采样步数是联动的。步数少的时候，每一步的引导修正量大，过高的CFG更容易造成崩坏；步数加大后，引导被摊薄到更多步骤里，同样的CFG值副作用会减弱。这就是为什么“加步数”有时能间接缓解“CFG过高导致的糊和脏”。
实战调参策略：一套可复用的排查顺序
面对一个细节模糊的3D生成结果，推荐按固定顺序排查，避免盲目乱试。第一步，固定CFG Scale在中间值（比如5），把采样步数从默认值逐步提到1.5倍，观察细节是否改善。如果改善明显，说明确实是采样颗粒度不够；如果几乎没变化，问题可能出在模型本身分辨率或VAE瓶颈上，继续堆步数没有意义。
第二步，固定一个表现最好的步数，开始扫CFG Scale。建议按3、5、7、9这样的梯度测试，每组至少生成两到三个样本对比稳定性。找到细节开始出现塑料感或色偏的临界值，然后往回退一档，这个值就是当前提示词下的安全上限。
第三步，考虑两者的联合优化。一个常见的高效组合是：中等偏高步数配合中等偏低CFG。比如40步加CFG 4.5，往往比20步加CFG 9的细节质量更好，同时副作用更小。下面是一个典型的参数配置参考：
# 常见3D生成管线的推荐参数起点
config = {
"sampler": "DPM++ 2M Karras", # 高阶采样器，收敛快
"steps": 40, # 中等偏高步数，保证细节
"cfg_scale": 4.5, # 低引导强度，避免塑料感
"prompt": "a mechanical watch, intricate gears, high detail, PBR texture",
"negative_prompt": "blurry, low detail, smooth surface, plastic"
}
# 如果细节仍然模糊，按以下顺序调整
# 1. steps: 40 -> 55（观察是否改善）
# 2. cfg_scale: 4.5 -> 6.0（小幅提升引导）
# 3. 更换采样器对比：Euler a vs DPM++ 2M Karras
# 4. 检查生成分辨率是否低于模型训练分辨率
除了这两个参数，还有几个相关因素值得纳入排查清单。首先是生成分辨率，如果多视角生成分辨率只有512，纹理贴图注定糊，这和步数无关。其次是负面提示词，把blurry、low detail这类词加进负面提示，配合适中的CFG，效果常常立竿见影。最后是后处理环节，很多3D管线支持生成后对纹理做超分辨率重建，这比在采样阶段死磕参数的性价比更高。
不同场景下的参数取舍建议
具体取值还要看使用场景。快速预览阶段，用20步加CFG 4的组合，几十秒出一个大致形状，够判断构图和提示词方向就行。正式出图阶段，切换到40到60步加CFG 5左右的配置，宁可多花几分钟也要保住细节。如果是做批量生成再筛选，可以折中到30步加CFG 5，在质量和吞吐之间取平衡。
还需要提醒一点，不同底模对参数的响应差异不小。同一个参数组合在SD 1.5和SDXL上的表现可能完全不同，SDXL普遍对高CFG更敏感，超过7就容易色偏；而一些专门微调的3D模型可能自带较高的默认CFG。所以换模型后，之前调好的参数最好重新走一遍上面的排查流程，不要直接照搬。
总结一下核心原则：采样步数决定细节的上限，CFG Scale决定贴合度与质量的平衡点，两者联动调节才能发挥最大效果。遇到模糊问题，先加步数、再调CFG、最后检查分辨率和后处理，这个顺序能帮你少走大部分弯路。