提示词生成模型偶尔给出偏离预期的结果，是使用文生图、文生文本模型时最常见的问题之一。明明描述得很详细，生成的内容却总是掺杂无关元素，或者核心要素被弱化甚至完全忽略。造成这种现象的原因通常有两个：一是关键词的权重分配不合理，模型没有收到明确的优先级信号；二是缺少负面提示词的约束，模型在采样空间里自由发挥，把不想要的内容也带了出来。这篇文章围绕这两个维度展开，讲清楚权重语法、负面词的组织方式，以及一套可以复用的调试思路。
关键词权重：让模型听懂你的优先级
大多数现代提示词模型都支持对特定词语加权。以Stable Diffusion生态为例，常见语法是用圆括号包裹关键词并附加数值，比如(masterpiece:1.3)表示将该词的权重提升到1.3倍，(blurry:0.7)则是降低权重。括号也可以嵌套，每层括号默认乘以1.1左右的权重系数。理解这套语法后，你会发现很多模型不听话的情况，其实是关键词权重全部平级，模型无法判断哪个才是画面的主角。
实际操作中有几个经验值得参考。第一，核心主体要素应当加权，比如人物、主要物体、风格关键词，权重一般控制在1.1到1.4之间；第二，环境氛围类词汇可以保持默认或轻微加权，作为辅助信息存在。举个例子：
(a girl standing in the rain:1.3), (red umbrella:1.2), wet street, neon lights, cinematic lighting, depth of field
这条提示词里，女孩和红伞是画面的绝对主角，所以给到1.3和1.2的权重，而街道、霓虹灯、景深这些辅助要素保持默认。这样模型在去噪过程中会把注意力集中到主体上，生成结果会稳定得多。
需要特别警惕的是权重叠加过量的问题。有些新手喜欢把喜欢的词全部堆到1.5甚至1.8，结果发现画面开始崩坏，出现肢体扭曲、色彩溢出等现象。这是因为权重过高会让该词在交叉注意力中占据主导，挤压其他概念的表示空间。一般建议单个关键词权重不超过1.5，整体加权词的数量不超过提示词总数的三分之一。如果发现画面异常，第一步应该是检查是否存在权重堆叠过量的情况。
负面提示词：排除不想要的元素
负面提示词的工作原理与正面提示词相反，它告诉模型在采样时远离哪些概念。很多人只写正面提示词，结果画面里频繁出现多余的手指、低质量的噪点、不想要的水印等，这些都是负面提示词缺失导致的。一条实用的基础负面提示词通常包含质量类排除词：
lowres, bad anatomy, bad hands, extra fingers, missing fingers, blurry, watermark, text, signature, jpeg artifacts, worst quality, low quality
这段负面词几乎是文生图领域的通用模板，能解决大部分基础质量问题。但要注意，负面提示词并非越多越好。有些用户把几十个负面词一股脑塞进去，结果模型为了同时规避所有概念，反而生成了奇怪的折中结果，或者整体画质下降。负面词应该针对当前任务精准挑选：画人物就重点排除解剖结构错误，画风景就排除多余的文本和水印，画产品图就排除杂乱背景。
另一个进阶技巧是利用嵌入模型（Textual Inversion）来扩展负面提示词的表达能力。成熟的负面嵌入模型可以在少量词语的情况下覆盖大量负面概念，比手工堆砌词表更高效。同时，负面提示词同样支持权重语法，比如(watermark:1.4)可以强化对水印的排除力度，这在某个负面元素反复出现时特别有用。
建立系统化的调试流程
调优提示词不应该靠碰运气，而应该建立一套可复现的流程。推荐的步骤是：固定随机种子，每次只改动一个变量，观察生成结果的变化方向。如果一次性修改权重、负面词和采样参数，你根本无法判断是哪个改动起了作用。固定种子后，模型在相同提示词下的输出是确定的，任何差异都来自你的修改，这对定位问题至关重要。
具体来说，可以按以下顺序排查。第一步，检查主体是否被正确生成，如果没有，给主体加权或把它移到提示词靠前的位置，因为多数模型对靠前的词有更高的敏感性。第二步，检查是否有杂质元素，比如多余的手部、背景杂物，针对性地加入负面词。第三步，检查整体风格是否达标，风格词通常需要加权处理，例如(oil painting style:1.2)。每一步改动后生成对比图，逐步逼近理想结果。
最后要提醒一点：提示词的调优没有一劳永逸的答案。不同模型的分词器、训练数据、注意力机制都有差异，同一套提示词在A模型上表现完美，换到B模型可能完全失效。因此，换用新模型时，过去的权重参数只能作为起点参考，需要重新走一遍调试流程。把每次调优的成功提示词记录下来，形成自己针对特定模型的词库，长期积累下来会比任何网上流传的所谓万能提示词都更有效。掌握关键词权重与负面提示词这两个工具，再配合系统的调试方法，提示词偏离预期的问题基本都能得到解决。