AI提示词中的权重语法怎么用？(word)、[word]和(word:1.3)有什么区别？

在AI绘画与文本生成模型的使用中，提示词权重语法是控制生成结果倾向的核心手段。同样一段描述，通过调整词语外部的括号类型和附加的数值，模型对该词语的关注程度会发生明显变化。理解这些语法的计算方式，能够帮助用户摆脱盲目试探，用更少的步数得到符合预期的图像或文本。

小括号与中括号的基础加权规则

最常被提到的两种符号是圆括号(word)和方括号[word]。在Stable Diffusion WebUI的默认解析逻辑里，每包裹一层圆括号，该词权重乘以约一点一八（即根号二约等于1.414的折半思路，实际为1.1倍常见实现，但主流文档记为1.18附近）。例如((cat))表示猫的权重约为基础值的一点一八的平方，也就是约一点三九倍。这种写法适合快速强调某个主体，不需要精确数值。

方括号[word]的作用相反，它是削弱权重的语法。每加一层方括号，权重除以一点一八左右。比如[[dog]]会让狗的存在感下降，常用于抑制不想要的背景元素。要注意的是，括号必须成对出现且正确嵌套，否则解析器会忽略整段提示词或报错。下面是一段简单对照代码，展示在自定义脚本里如何手动模拟这种乘法：

base_weight = 1.0
word = "cat"
# 两层圆括号
weight = base_weight * (1.18 ** 2)
print(f"{word} weight: {weight}")

# 一层方括号
weight2 = base_weight / 1.18
print(f"[{word}] weight: {weight2}")

从实践看，圆括号和方括号虽然方便，但层数多了之后人类很难直观算出最终系数。当我们需要把主体权重固定在一点三或者零点七这类具体数字时，就应该改用显式数值语法。

冒号数值法的精确控制与写法

显式权重语法写作(word:1.3)，意思是把词语word的注意力权重设为一点三。它不依赖括号层数，直接用冒号加小数表达，可读性和准确性都更高。在WebUI中，数值小于一表示削弱，大于一表示增强，且支持负数与零来做特殊屏蔽。相比嵌套括号，这种写法在分享提示词时不容易被误抄。

冒号法也能和括号混用，但优先级以最内层为准。比如((word:1.5))在外层又套了圆括号，部分解析器会再乘一点一八，部分则忽略外层只认冒号。为避免歧义，建议单独使用冒号法。以下代码演示如何用Python解析并归一化这类提示词：

import re

def parse_prompt(text):
    pattern = r'(([^:()]+):([0-9.]+))'
    matches = re.findall(pattern, text)
    for word, val in matches:
        print(f"词: {word}, 权重: {float(val)}")

parse_prompt(" sunny day (cat:1.3) (dog:0.8) ")

在ComfyUI等节点式工具里，冒号数值法同样被支持，但因为节点可接运算逻辑，用户也可以在外部用数学节点先算好权重再拼字符串。这样比在提示词里写复杂括号更利于调试。如果团队有提示词规范，应统一要求使用冒号法，减少沟通成本。

不同前端对权重语法的解析差异

虽然核心语法源自Stable Diffusion生态，但各类前端并不完全一致。WebUI原生分支对(word)和[word]采用乘数模型，而某些第三方插件把中括号解释为时间步衰减，即让该词只在生成前期或后期起作用。这种语义扩展很容易让从教程复制来的提示词表现异常。用户在一个工具里调好的[noise]到另一个工具可能完全无效。

冒号法在多数前端中含义统一，但仍要注意数值范围限制。有的前端不允许超过一点五或低于零点五，超出会截断。此外，自然语言处理器如LLM的提示词权重一般不支持这些符号，若把画图语法直接塞进对话模型，只会被当作普通标点。下面用表格列出常见差异：

因此，在跨平台搬运提示词时，最稳妥的做法是改写成(word:数值)形式，并先在目标工具用小图测试。弄清这些权重语法背后的解析逻辑，才能真正把AI提示词变成可控的生产力，而不是靠运气出图。

prompt_weightingAI_prompt_syntaxstable_diffusion修改时间：2026-08-16 02:58:27