如果你曾经在Stable Diffusion中编写提示词，一定遇到过这样的困扰——明明关键词堆积了不少，但生成出来的图像却与脑海中的设想大相径庭。问题的关键往往出在权重设置上。权重本质上就是告诉AI模型：哪些元素是画面的主角，哪些仅仅是背景陪衬。

举个具体案例：“一只银白色机械狼”与“一只【银白色】机械狼”相比，后者中的银白色会牢牢附着在狼身上，不易被其他色彩干扰。同样，【cinematic lighting, 8k】这类组合权重远比你反复输入“good quality”要高效。如果权重分配不当，轻则核心特征被稀释，重则整张图的构图彻底崩溃，甚至反向提示词还会误伤你希望保留的元素。

基础语法：圆括号控制强度

最基础的权重操作方式是利用英文小括号()包围关键词。每增加一层括号，权重提升约1.1倍：(cat) ≈ 1.1倍，((cat)) ≈ 1.21倍，(((cat))) ≈ 1.33倍。这种方式比直接写“very cat”或“extremely cat”稳定得多——那些模糊描述容易让AI衍生出不可控的奇怪内容。

需要特别留意的是，括号必须成对出现。遗漏一个括号，程序就会直接报错并卡住运行。

精准调权：冒号指定数值

如果你觉得1.1倍的步进不够灵活，还有一种更精确的写法：在关键词后面添加英文冒号和具体数值，例如 cat:1.3 或 dog:0.7。推荐数值范围控制在0.5～1.5之间——低于0.5该元素基本消失，高于1.5则可能导致画面出现裂缝或异常形状。

这里有两个常见误区：第一，冒号前后不能有空格，像“cat: 1.3”这种写法是无效的；第二，小数点必须使用英文句点，中文句号会直接导致报错。

动态平衡：正负提示词权重协同

权重不仅作用于正向提示词，反向提示词也需要参与整体平衡。大致可以分为三个步骤：

首先，将正向提示词中主角元素的权重加足，例如写作(((cyberpunk woman)):(neon lights:1.2))；
接着，在反向提示词中对干扰项进行降权处理，比如把“deformed, blurry”改成(deformed:0.6), (blurry:0.5)；
最后，检查正负权重的总和是否接近均衡。如果正向总权重堆到了4.2，而反向仅有0.9，模型很容易被负面约束带偏，导致画面发灰、失焦，这还算轻微的后果。

避坑组合：括号+冒号混合写法

在实际编写提示词时，括号和冒号经常混合使用，以下是几种常见组合：

外层括号控制主干，内层冒号调节细节——((masterpiece:1.2), (ultra-detailed eyes:1.3))；
降权也可以通过括号嵌套负号实现，例如((low quality:-0.3))，但该功能仅在WebUI 1.9及以上版本中支持；
还有一个硬性经验：不要堆叠超过三层括号。如果你尝试(((a)))(((b)))(((c)))这种写法，生成过程中调度器很可能直接崩溃。

重点敲黑板提醒：绝对不要混用中文括号（）或全角符号。所有括号、冒号、小数点都必须使用ASCII半角符号，否则WebUI完全无法识别。

提示词权重本质上是一门与AI模型沟通的技术。只要调校得当，AI才能精准绘制出你脑中真正想要的那个画面。