提示词权重设置不当，图像中的关键元素就容易弱化、丢失或产生偏差——比如你输入“星空:1.5”，结果生成的画面里星星稀疏得像被风吹散的盐粒。问题往往出在括号嵌套位置错误、数值超出有效范围，或权重与关键词的物理顺序发生冲突。

很多人遇到的情况是，明明写了“星空”并加了权重，但生成结果中星空依然不够突出。这背后其实涉及三个核心原则：括号语法规范、关键词位置排序、以及负向提示词的加权运用。下面逐一解析。

确认括号语法是否合规

LiblibAI 仅支持一套标准——即 Stable Diffusion 的括号权重语法。单层括号代表 1.1 倍权重，双层是 1.21 倍，三层及以上会被系统直接截断，甚至触发采样中断。必须使用英文小括号，中文全角符号或方括号均无效。

在正向提示词框内，把需要强化的词用英文小括号括起来，例如将“星空”改为“(星空)”，再进一步微调数值：“(星空:1.3)”。

括号必须紧贴关键词，中间不能有空格。像“(星空 :1.3)”这种写法，会直接失效。

如果确实需要强保留，可以使用双层括号，比如“((星空:1.3))”，但切忌写成“(((星空:1.5)))”——平台会直接丢弃第三层括号，并报错中断生成。

按关键词重要性排序并分层加权

很多人以为只要把括号加得足够重就行，却忽略了一个关键环节——顺序。CLIP 文本编码器对靠前的 token 赋予更高的初始注意力分数，因此权重并非孤立生效，而是与位置紧密绑定。必须先排好顺序，再添加括号。

具体操作分四步：

第一步，把决定图像成败的核心词放在最前面，例如主体身份、核心动作、不可替代的材质；

第二步，风格限定词居中，如“水墨渲染”“胶片颗粒”这类；

第三步，细节修饰词放末尾，比如“柔焦背景”“左上45°侧光”；

第四步，在每段内按需加括号，例如“((穿靛青长衫的老者:1.4)), (水墨渲染:1.2), 柔焦背景, 左上45°侧光”。

如果漏掉排序这一步，光调括号没有用。AI 会先看到后面的词，前面加再重的括号也抢不过位置权重。

负向提示词也要加权排除

负向提示词并非简单罗列黑名单，它同样遵循权重逻辑。对于一些顽固的干扰项，必须主动加权压制，否则模型会偷偷渲染出来。

这里提供三个方法：

方法一，对高频复现的缺陷词加单层括号，例如“(deformed hands), (blurry face), lowres, bad anatomy”；

方法二，对反复出现的特定失真类型叠加双层括号，比如“((extra fingers)), ((mismatched lighting))”，强制提升排除优先级；

方法三，把最怕出现的词放在负向框最开头，并加括号，例如“(worst quality), (low resolution), (jpeg artifacts)”——开头加括号，等于双重保险。