گره SamplerSASolver یک الگوریتم نمونه‌گیری سفارشی برای مدل‌های انتشار (diffusion models) پیاده‌سازی می‌کند. این گره از رویکرد پیش‌بینی‌کننده-تصحیح‌کننده با تنظیمات قابل‌پیکربندی مرتبه و پارامترهای معادله دیفرانسیل تصادفی (SDE) برای تولید نمونه‌ها از مدل ورودی استفاده می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | ضروری | محدوده |
| --- | --- | --- | --- | --- |
| `مدل` | مدل انتشار مورد استفاده برای نمونه‌گیری | MODEL | بله | - |
| `اتا` | ضریب مقیاس‌دهی اندازه گام را کنترل می‌کند (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |
| `درصد شروع SDE` | درصد شروع برای نمونه‌گیری SDE (پیش‌فرض: 0.2) | FLOAT | خیر | 0.0 - 1.0 |
| `درصد پایان SDE` | درصد پایان برای نمونه‌گیری SDE (پیش‌فرض: 0.8) | FLOAT | خیر | 0.0 - 1.0 |
| `s_noise` | میزان نویز اضافه‌شده در طول نمونه‌گیری را کنترل می‌کند (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 100.0 |
| `ترتیب پیش‌بینی‌کننده` | مرتبه مؤلفه پیش‌بینی‌کننده در حل‌کننده (پیش‌فرض: 3) | INT | خیر | 1 - 6 |
| `ترتیب تصحیح‌کننده` | مرتبه مؤلفه تصحیح‌کننده در حل‌کننده (پیش‌فرض: 4) | INT | خیر | 0 - 6 |
| `استفاده از PECE` | روش PECE (پیش‌بینی-ارزیابی-تصحیح-ارزیابی) را فعال یا غیرفعال می‌کند | BOOLEAN | خیر | - |
| `ترتیب ساده ۲` | محاسبات ساده‌شده مرتبه دوم را فعال یا غیرفعال می‌کند | BOOLEAN | خیر | - |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `sampler` | یک شیء نمونه‌گیر پیکربندی‌شده که می‌تواند با مدل‌های انتشار استفاده شود | SAMPLER |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/SamplerSASolver/fa.md)

---
**Source fingerprint (SHA-256):** `3de8834281c09d0bd1435e29f0c9ae540a2ea42db142277d07cb655ccf814873`