Seed

Seed (сид) — число, которое задаёт начальный шум для диффузионной модели. При одинаковой вычислительной среде он помогает повторить стартовую точку и сравнить влияние других параметров. Сам по себе seed не гарантирует побитовый повтор на другом устройстве и не делает соседние числа похожими композициями.

Коротко

Seed (сид) — число, из которого генератор псевдослучайных чисел строит начальный шум. Фиксированный seed помогает сравнивать настройки и повторять запуск, но не гарантирует побитово одинаковую картинку в другой версии программы, на другом устройстве или при изменении любого этапа workflow.

Что это такое

Бывает, что удачный кадр не получается повторить: описание и модель те же, а лицо, ракурс или свет уже другие. Одна из возможных причин — программа выбрала новый seed.

Диффузионная генерация часто начинается с тензора шума. Генератор получает seed и создаёт воспроизводимую последовательность псевдослучайных чисел. Одинаковый seed в одинаковой реализации даёт ту же стартовую точку, а дальше результат определяет весь pipeline.

У seed есть две практические роли:

• Повтор запуска — сохранённый seed вместе с моделью, версиями и параметрами помогает вернуться к результату.
• Сравнение — при фиксированной стартовой случайности легче увидеть влияние одного изменённого параметра.

Допустимый диапазон seed и обозначение случайного режима зависят от интерфейса. В одних программах это −1, в других — отдельная кнопка или режим random. После запуска полезно сохранять фактически использованное значение вместе с workflow.

Как это работает

Seed поступает в генератор псевдослучайных чисел, который заполняет тензор начального шума. Его форма зависит от размера кадра, числа изображений в пакете и латентного представления конкретной модели.

Генератор называют псевдослучайным, потому что последовательность воспроизводима при одинаковом начальном состоянии и порядке обращений. Обозначение такого генератора — PRNG.

Есть тонкость: после выдачи чисел его состояние меняется. Повторно использовать уже работающий генератор — не то же самое, что заново инициализировать его тем же seed. Это особенно заметно в программных библиотеках и пакетной генерации.

Начальный тензор влияет на композицию и детали, которые появятся по ходу генерации:

• Один сид с промптом «кот на подоконнике» → конкретная композиция, конкретное освещение, конкретный взгляд кота.
• Другой seed с тем же prompt может дать иной ракурс, свет и расположение объектов.

Близость сидов в «числовом смысле» (123 и 124) не означает близости картинок. PRNG из 123 и из 124 даёт совершенно разные последовательности.

Seed управляет источником случайности, но не закрепляет композицию. В зависимости от программы он может влиять и на дополнительный шум внутри сэмплера; иногда для него предусмотрено отдельное число. Если меняется любой другой параметр (сэмплер, шедулер, CFG, шаги, промпт, модель), путь от шума к картинке тоже меняется. Один и тот же seed на DPM++ 2M Karras и на Euler a даст разные результаты.

Пример на практике

Допустим, видеомонтажёр работает над AI-эффектом. Три этапа — три разных подхода к seed.

Этап 1 — поиск идеи. Режим случайного seed даёт разные стартовые точки. У удачных вариантов сохраняются фактический seed, модель и workflow.

Этап 2 — сравнение. Seed фиксируется, а затем меняется один параметр. Композиция всё равно может сдвинуться, но различия между вариантами легче связать с конкретной правкой.

Этап 3 — передача проекта. Вместе с изображением сохраняются seed, точные веса, sampler, scheduler, размеры, энкодеры и версии нод. Одного числа недостаточно, чтобы другой компьютер повторил кадр.

С чем часто путают

• Seed и качество изображения — стартовый шум влияет на результат, и одни варианты могут нравиться больше других. Но величина числа ничего не говорит о качестве.
• Seed и модель — один и тот же seed на разных моделях даёт разные картинки. Для точного повтора фиксируют модель, программу, сэмплер, расписание, CFG, шаги и другие условия; недетерминированные операции тоже могут помешать.
• Variation Seed и основной seed — некоторые интерфейсы умеют смешивать два источника шума. Название и шкала такого параметра относятся к конкретной реализации.
• Seed и Hash изображения — Hash вычисляется из готовой картинки, seed задаётся до генерации. Это разные вещи. Если знаете только hash, картинку не воссоздать; seed с полными настройками позволяет попытаться повторить генерацию в совместимой среде.

Частые ошибки и заблуждения

• Сосед-сид даёт похожую картинку. Нет. Сиды 123 и 124 могут дать совершенно разные сцены. Числовая близость seed не задумана как мера сходства изображений.
• Зафиксировал сид — гарантирована повторяемость. Не всегда. Влияют остальные параметры, состояние генераторов, версии программ и недетерминированные операции. CPU и GPU могут использовать разные генераторы шума и численные реализации. Различие не обязано ограничиваться парой незаметных пикселей.
• Большой сид → лучше картинка. Нет. Это начальное число для генератора, а не оценка качества. Подходящий для сцены вариант может получиться и с маленьким, и с большим значением.
• «Лучший» сид существует. Нет. Для одного промпта удачный сид — это удача поиска. Для другого промпта тот же seed может оказаться неудачным.
• «-1 всегда означает случайный seed». Это распространённая договорённость интерфейсов, но не свойство самой модели. Поведение проверяют в выбранной программе.

Связанные термины

• Sampler — алгоритм, который ведёт картинку от шума (заданного сидом) к финалу.
• CFG Scale — сила следования промпту; одна из настроек, влияющих на итог при том же seed.
• Steps — количество шагов от шума до картинки.
• Variation Seed — отдельный параметр в некоторых UI: смешивает основной seed с дополнительным для лёгкого варьирования.
• PRNG (Pseudo-Random Number Generator) — алгоритм, превращающий seed в последовательность чисел.

Частые вопросы

Где посмотреть seed после генерации? В интерфейсе запуска, журнале или метаданных файла, если программа их сохраняет. После экспорта через редактор метаданные могут исчезнуть, поэтому важное значение лучше хранить рядом с workflow.

Почему один и тот же seed на разных компьютерах даёт разные картинки? Результат меняют версии библиотек, выбранная вычислительная библиотека, недетерминированные операции, точность вычислений и сам workflow. Поэтому для воспроизводимости сохраняют окружение и все параметры, а не только seed.

Если я нашёл удачный seed для промпта «кот», подойдёт ли он для «собака»? Может подойти, но гарантии нет. Похожая композиция иногда сохраняется, иногда перестраивается: результат зависит от нового описания и модели.

Можно ли «сместить» картинку, чуть-чуть подкрутив seed? Простое изменение целого числа обычно создаёт другой шум без плавной связи с предыдущим. Для близких вариантов нужен поддерживаемый способ смешивания шума или латентных представлений и отдельная проверка результата.

Сколько уникальных картинок можно получить, перебирая seed? Диапазон зависит от реализации генератора случайных чисел. Практически перебор ограничивают временем и критериями отбора: большое число seed не обещает равномерно разнообразные или качественные композиции.

Главное

Seed задаёт исходный псевдослучайный шум. При той же версии модели, окружении и настройках он помогает повторить результат, хотя разные устройства и реализации не всегда дают побитовую идентичность. Фиксированный seed удобен для сравнения параметров, а случайный — для поиска новых композиций.

Источники

• PyTorch: воспроизводимость и источники случайности
• Diffusers: seed и состояние генератора