Stable Diffusion提示词权重写法指南：新手必备技巧

在Stable Diffusion中撰写提示词时，很多人都会遇到这种情况：明明堆砌了大量词汇，最终生成的图像却与脑海中的构想毫无关联。问题往往出在权重分配上。权重本质上就是向AI传达：哪些元素是画面的主角，哪些只是背景陪衬。

举个例子：“一只银白色机械狼”与“一只【银白色】机械狼”的区别在于，后者能让银白色牢牢锁定在狼身上，不会被其他颜色干扰。同样，使用“【cinematic lighting, 8k】”这种组合，远比反复输入“good quality”高效得多。权重设置不当，轻则关键特征被稀释，重则整张图构图崩坏，甚至反向提示词会误伤你想保留的细节。

基础语法：圆括号控制强度

最基础的操控方式是用英文小括号()圈住关键词。每加一层括号，权重提升约1.1倍：(cat) ≈ 1.1，((cat)) ≈ 1.21，(((cat))) ≈ 1.33。这比你写“very cat”或“extremely cat”稳定得多——那些写法容易让AI联想到奇奇怪怪的变体。

务必注意，括号必须成对出现。遗漏一个，程序会直接报错卡死。

精准调权：冒号指定数值

若觉得1.1倍的步进不够灵活，还有更精确的写法：在关键词后面加英文冒号和具体数字，例如 cat:1.3 或 dog:0.7。数值建议控制在0.5～1.5之间——低于0.5基本等同于该元素不存在，高于1.5则可能让画面出现裂缝或畸形扭曲。

两个常见陷阱：一是冒号前后不要加空格，“cat: 1.3”这种写法无效；二是小数点必须用英文句点，中文句号会直接导致报错。

动态平衡：正负提示词权重协同

权重不仅影响正向提示词，反向提示词同样需要参与平衡。大致分三步：

先给正向提示词中的主角加足权重，例如写(((cyberpunk woman)):(neon lights:1.2))；
接着在反向提示词里，对干扰项做降权处理，比如把“deformed, blurry”改成(deformed:0.6), (blurry:0.5)；
最后，检查正负权重的总和是否接近平衡。若正向总权重堆到4.2，反向仅0.9，模型容易受负面约束过度牵引，导致画面发灰、失焦甚至更糟。

避坑组合：括号+冒号混合写法

实际编写提示词时，括号和冒号经常混合使用，以下几种套路很常见：

外层括号控制主干，内层冒号微调细节——((masterpiece:1.2), (ultra-detailed eyes:1.3))；
降权也可用括号嵌套负号，例如((low quality:-0.3))，但只支持WebUI 1.9以上版本；
还有一个硬性经验：不要堆叠超过三层括号。试试((a)))(((b)))(((c)))这种写法，生成过程中调度器大概率直接崩溃。

重点敲黑板：绝对不要混用中文括号（）或全角符号。所有括号、冒号、小数点，必须使用ASCII半角符号，否则WebUI无法识别。

提示词权重这门手艺，说到底就是与模型沟通的技巧。调对了，AI才能真正画出你脑子里那个画面。