关键在于精准控制权重落点：用冒号数值（如(cat:1.25)）替代嵌套括号，避免语义冲突词同时高权，禁用“masterpiece”等全局词加权，通过BREAK分段并区块内核心词加权，负向提示词需分级抑制。
☞☞☞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☜☜☜
想让Stable Diffusion严格按你写的关键词生成图像，又不出现手多一根、脸歪半边、背景炸开等崩坏现象，关键不是堆权重，而是控制权重落点的精度与节奏。
先看权重怎么写才不触发模型胡乱联想
用小括号()增强权重时，每层只加0.1倍——【(cat:1.1) ≠ ((cat):1.21) ≠ (((cat)):1.331)】。三层括号看似强化，实则让CLIP编码器在token嵌入阶段强行拉高向量模长，易导致unet中间层残差溢出，尤其在SD 1.5上常引发肢体错位或纹理撕裂。
直接写冒号数值更可控：(cat:1.25)比((cat))稳定，因为WebUI内部会做归一化处理，避免向量范数畸变。
别在同一个提示词上叠加括号+冒号，比如((cat:1.3))——这会让权重计算路径混乱，Automatic1111解析器可能丢弃外层括号或误读为嵌套结构。
哪些词绝对不能加高权重
方法一：避开语义冲突型词汇加权
“oil painting”和“8k”本身在CLIP空间余弦相似度仅0.21，若同时设为(cat:1.3), (8k:1.4)，模型会在笔触颗粒感和亚像素锐度两个对抗通道间震荡，结果常是画面一半糊一半过锐。此时应选其一作主权重，另一项降为1.0或移至后段。
方法二：禁止单独给“masterpiece”“best quality”加权
【这类全局质量词一旦权重＞1.2，会压制所有局部细节token的注意力梯度】，导致手指、发丝、布料褶皱全部被“平均化”抹平。正确做法是保持它们为默认权重1.0，靠CFG scale（7–8）和采样步数（25–30）来兑现质量承诺。
分段控制权重防止概念污染
第一步：用BREAK语法切开逻辑区块
在WebUI正向提示词中插入BREAK，例如：masterpiece, best quality, 1girl → BREAK → red dress, lace trim, embroidered collar → BREAK → sunset garden, bokeh background。每个BREAK后的内容会被CLIP分段编码，避免“red dress”和“sunset”在77-token窗口内强行耦合出橘红色连衣裙漂浮在空中的诡异构图。
第二步：区块内核心词加权，修饰词不加
在“red dress, lace trim, embroidered collar”这段里，只给(red dress:1.3)和(embroidered collar:1.2)，lace trim保持1.0——它只是材质补充，不是构图锚点。加权过度会让模型把蕾丝当主体，生成满屏镂空花纹而忽略裙子整体形态。
第三步：负向提示词同步做权重分级
bad anatomy加权到(bad anatomy:1.5)能显著降低多指概率，但lowres必须保持1.0——它权重过高会触发VAE解码器强制压缩高频信息，反而让本该清晰的丝绸反光变成马赛克噪点。
