负向提示词和正面提示词的权重应该如何平衡？

我们来聊聊负向提示词（Negative Prompts）和正面提示词（Positive Prompts）的权重问题。这东西听起来玄乎，其实捅破了就是一层窗户纸。你可能觉得，我想要什么就直接告诉AI不就完了，干嘛还要费劲加一堆“不要什么”？但事情没这么简单。很多时候，你想要的画面效果，恰恰是通过“排除法”来实现的。

咱们先从一个最常见的误区说起：很多人以为，负向提示词和正面提示词是1:1的关系，我加一个想要的，就得配一个不想要的。其实不是这样。它们的关系更像是在一个跷跷-板上，你得根据你最终想要的效果，来调整两边的重量。

先说一个基本原则：正面提示词是核心，它决定了画面的主体内容和风格。负向提示词是辅助，它负责清理画面里那些乱七八糟、不符合你要求的东西。所以，大部分情况下，你的精力应该先放在写好正面提示词上。把主体、细节、风格、构图都描述清楚了，再去看画面里有没有出现不该出现的东西，然后用负向提示词去修正。

我们来看个例子。你想生成一张“一个女孩在雨中散步”的图。你的正面提示词可能是：“一个穿着黄色雨衣的女孩，撑着透明的雨伞，走在夜晚的城市街道上，地面有积水反射着霓虹灯光，动漫风格”。

生成图片后，你发现画面里有几个问题：
1. 女孩长了三只手。
2. 背景里出现了不合时宜的汽车，破坏了气氛。
3. 画面色调太亮，不像夜晚。

这时候，负向提示词就派上用场了。你可以加上：“多余的手，畸形，汽车，白天”。

但是，权重怎么分？在很多工具里，比如Stable Diffusion的WebUI，你可以给提示词加上括号来增加权重。一个括号(word)大概是1.1倍权重，两个((word))就是1.21倍。反过来，用方括号[word]就是降低权重，大概是0.9倍。

回到刚才那个例子。如果你发现“多余的手”这个问题特别顽固，AI老是犯这个错，那你就可以在负向提示词里重点强调它。比如写成：“(((extra hands))), (deformed), car, daylight”。这样一来，AI就会重点去避免生成多余的手。而“汽车”和“白天”可能只是偶尔出现的小问题，所以不用加那么高的权重。

这就是第一个平衡技巧：根据问题的顽固程度来调整权重。越是容易出错、越是影响画面核心感觉的元素，负-向权重就应该给得越高。有些通用的负向提示词，比如“丑陋（ugly）”、“模糊（blurry）”、“画质差（low quality）”，很多人会直接堆一大堆，而且给很高的权重。这在某些情况下是有效的，特别是当你想批量出图，保证一个基本的下限时。 但如果你是在精调一张图，这种“通用垃圾桶”式的负向提示词反而可能会干扰画面。比如，你想要一种朦胧的艺术效果，结果一个(blurry)下去，全给你弄清晰了，这就不是你想要的了。

所以，第二个技巧是：尽量使用具体、精确的负向提示词，而不是一堆模糊的通用词。 比如，你不想要一个“丑陋”的脸，那到底是哪里丑？是“鼻子太大（big nose）”还是“眼睛不对称（asymmetrical eyes）”？说得越具体，AI修正起来就越准。你给它一个模糊的“ugly”，它可能就把整张脸的特征都削弱了，最后生成一个没有特点的网红脸，这可能也不是你想要的。

那么，正面和负向的权重到底应该维持在一个什么样的比例？没有一个固定的公式。这完全取决于你的需求和所使用的模型。有些模型对负向提示词非常敏感，你稍微加一点权重，画面就大变样。有些模型则比较“迟钝”，你得用好几个括号((()))才能让它注意到你的要求。

我自己的经验是，可以从一个比较温和的比例开始。先不给任何一方加权重，看看基础效果。如果正面效果没出来，那就先加强正面提示词的权重，比如把核心主体(masterpiece, best quality, a girl in yellow raincoat)这样包起来。如果主体对了，但细节有问题，再开始逐步增加负向提示词的权重。

这里有一个具体的步骤可以参考：

1. 先写好核心的正面提示词。把你想要的东西，用最直接、最简单的词语描述出来。比如“a cat sitting on a bookshelf”（一只猫坐在书架上）。
2. 生成一次，观察问题。看看出来的图有什么毛病。可能猫的身体比例不对，或者书架是歪的。
3. 针对性地添加负向提示词，但不加权重。比如在负向提示词框里加入“deformed body, crooked bookshelf”。
4. 再次生成，看修正效果。如果问题改善了，但还不够，那就开始给负向提示词加权重。先从一个括号开始，比如(deformed body)。
5. 如果加了负向权重后，画面变得很奇怪，甚至正面提示词的内容都开始丢失了，那就说明负向权重太高了。这时候，你要么降低负向权重，要么反过来去加强正面提示词的权重。比如，把正面提示词改成((a cat sitting on a bookshelf))，同时把负向提示词的权重降下来。

这个过程就像调试程序，需要一点点试。有一个观点认为，过度依赖负向提示词是一个误区。 如果你发现自己写了一长串的负向提示词，甚至比正面提示词还长，那可能说明你的正面提示词本身就有问题，或者你选的模型根本不擅长画你想要的东西。

举个例子，你想画一个很酷的机器人，但AI总是画出一些傻乎乎的卡通形象。你可能会在负向里加一堆“cartoon, childish, toy-like”。但效果可能并不好。更好的方法，是在正面提示词里就直接定义好风格，比如加入“mecha, sci-fi, realistic, detailed mechanics, intimidating presence”。用正面的方式去引导，远比用负面的方式去排除要高效。

另外，还有一个概念叫“概念冲突”。有时候你的正面和负向提示词会在语义上打架。比如，你正面想要“阳光明媚的森林”，负面又加一个“黑暗（dark）”。AI就懵了，它不知道该听谁的。结果可能就是生成一个色调诡异的、不伦不类的画面。所以，在写提示词的时候，要确保两边的指令在逻辑上是兼容的。

总的来说，平衡权重这件事，更像是一门手艺，而不是科学。它需要你亲手去试，去感受不同模型、不同主题下的细微差别。但核心逻辑是不变的：

• 正面提示词是方向盘，决定车往哪开。
• 负向提示词是修正器，帮你避开路上的坑。

先扶稳方向盘，再考虑怎么避坑。当你发现坑太多，避不过来的时候，不妨回头看看，是不是一开始的路就选错了。可能换一条路（换个正面描述方式）或者换一辆车（换个模型），问题就解决了。不要试图用一个超强的避坑系统（超高权重的负向提示词）去弥补一个错误的方向。