Deliberate模型需平衡创意性与可控性，可通过五种方法实现：一、提示词分层结构；二、采样器与步数协同调节；三、LoRA微调注入；四、ControlNet空间锚定；五、批次对比迭代。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您使用Deliberate模型进行AI绘画，发现生成结果过于僵化、缺乏个性，或相反地失控飘逸、偏离提示意图，则说明创意性与可控性之间尚未达成有效平衡。以下是针对Deliberate模型实现二者协同的多种实操路径：
一、提示词结构分层控制法
Deliberate模型对提示词语序、权重与语义密度高度敏感。通过将提示词划分为“锚点层—修饰层—风格层”三级结构，可在保留核心创意表达的同时约束生成偏差。
1、在正向提示词（Prompt）开头明确写入主体+动作+场景作为不可动摇的锚点，例如“a lone samurai standing on misty mountain ridge, facing east”；
2、紧随其后添加修饰层，用逗号分隔，限定光影、构图与质感，例如“cinematic lighting, shallow depth of field, fog drifting slowly, ultra-detailed skin texture”；
3、将风格指令置于末尾，并附加明确权重，例如“(Deliberate style:1.3), (photorealistic:1.2), (no deformed hands:1.5)”；
4、负向提示词（Negative Prompt）中必须包含deliberate_v2 specific artifacts，如“deformed fingers, extra limbs, disfigured face, blurry background, text, watermark, signature”。
二、采样器与步数协同调节法
Deliberate模型在不同采样器下对创意发散度响应差异显著。高步数易放大随机噪声，低步数则抑制细节演化；需根据创作目标动态匹配采样策略。
1、追求强可控性（如复刻参考图、精准文字渲染）时，选用Euler a 或 DPM++ 2M Karras，设置步数为20–25，CFG Scale为7–9；
2、追求适度创意延展（如角色变体、氛围再创作）时，切换为DPM++ SDE Karras，步数调至30–35，CFG Scale降至5–6.5；
3、每次变更采样器后，必须重置随机种子（Seed）为-1以启用新噪声序列，避免残留旧生成惯性；
4、若出现高频纹理崩坏或边缘撕裂，立即停用Karras调度，改用标准DPM++ 2M并降低CFG Scale至4.5以下。
三、LoRA微调注入法
Deliberate原生权重擅长通用人像与写实场景，但对特定创意方向（如赛博义体、水墨肌理、手绘线稿感）响应薄弱。通过加载轻量级LoRA模块，可定向增强某类创意表达能力，同时不破坏基础可控框架。
1、从Civitai下载适配Deliberate的LoRA，优先选择标注"Deliberate compatible"且训练集含≥500张目标风格图的模型；
Miller (mlr) 是一个命令行工具，用于查询、整形和重新格式化名称索引数据，如 CSV、TSV、JSON 和 JSON Lines。它将 awk、sed、cut、join 和 sort 的功能整合到一个专为结构化数据处理而构建的单一工具中。
2、将LoRA文件放入stable-diffusion-webui\models\loras目录，重启WebUI；
3、在提示词末尾追加触发词，格式为“
4、若生成图像出现局部过饱和或结构塌陷，立即将LoRA权重下调至0.4–0.5，并在负向提示词中追加“over-saturated lora effect, broken anatomy from lora”。
四、ControlNet空间锚定法
当提示词无法稳定构图逻辑（如人物姿态失衡、透视错乱、多对象空间关系混乱）时，需引入ControlNet插件，以草图、深度图或姿态关键点作为硬性空间约束，释放提示词用于创意描述的自由度。
1、在WebUI中启用ControlNet扩展，选择与Deliberate兼容的control_v11p_sd15_openpose（人物姿态）或control_v11f1p_sd15_depth（场景纵深）模型；
2、上传手绘简笔草图或使用Depth预处理器自动生成深度图，确保关键结构线清晰、无闭合错误；
3、将ControlNet权重设为0.85–0.95，像素引导强度（Pixel Perfect）开启，Processor Res和Model Res保持一致；
4、此时正向提示词中可删除所有空间描述词（如“standing”, “sitting”, “left side”, “behind”），仅保留外观与风格指令，交由ControlNet执行空间定义。
五、批次对比迭代法
Deliberate对同一组参数存在多峰响应特性，单次生成易落入局部最优解。通过固定种子范围并批量生成差异样本，人工筛选后再微调，可兼顾探索广度与收敛精度。
1、设置Batch count为4，Batch size为1，Seed为12345（固定基准值）；
2、启用“Extra networks”中的seed increment per batch选项，使每张图使用递增种子（12345, 12346, 12347, 12348）；
3、生成后立即关闭自动保存，逐张评估：标出1张“结构最准”、1张“氛围最佳”、1张“细节最丰”、1张“意外惊喜”；
4、对“结构最准”图点击“Send to txt2img”，复制其完整参数，在此基础上仅修改正向提示词中1–2个关键词（如将“sunset”改为“dawn”），其余全部锁定。
