LAYER 01 · 参数层

参数层:
让同一句提示词可控

同一句提示词出图天差地别,通常不是提示词写错了,而是采样器、CFG、步数、种子和权重没有被控制。把参数当成实验变量,你才能从「碰运气」走向「可复现」。

8 节 · 约 4 小时6 个核心知识点进阶

00本层目标

  • 能解释同一句提示词为什么每次出图不同。
  • 会用单变量实验比较采样器、CFG、步数和种子。
  • 掌握权重语法、负面词分层与 embedding 的基本用法。
一句话原则:参数不是玄学,是实验变量。商业项目先求稳定,再求惊喜。

01采样器:先选对生成节奏

采样器决定模型如何从噪声走向图像。不同采样器的随机性、速度和细节倾向不同,不存在「绝对最好」,只有适不适合当前任务。

采样器特点适用场景建议
Euler a随机性较强、出图有变化、速度快草稿探索、插画、找灵感20–30 步,适合先找方向
DPM++ 2M Karras稳定、细节扎实,写实常用商业写实、人像、产品25–35 步,可作为默认
DDIM结果相对确定,便于复现固定种子复现、图生图步数不要压得太低
UniPC速度快,质量均衡大批量初筛、快速迭代20–30 步

商业建议:需要稳定交付时,优先固定一个采样器(比如 DPM++ 2M Karras),不要每张图换一种;探索阶段再用 Euler a 提高多样性。

02CFG scale:听话程度与画面崩坏的平衡

CFG(Classifier-Free Guidance)控制提示词对画面的约束强度。数值越高,模型越「听话」,但过高会让对比度过强、颜色过饱和、结构变硬,甚至出现崩坏。

CFG 区间画面倾向更适合
3–4更自由、更柔和,提示词贴合度低艺术探索、氛围图、草稿
4–7稳定、自然,商业甜区人像、产品、商业摄影
7–10强约束,颜色和对比更硬需要严格贴提示词的图形/插画
> 10容易过曝、糊、结构崩坏不建议用于交付级出图

商业人像、产品图通常把 CFG 压在中低区间,用参考图、ControlNet 和负面词解决具体问题,而不是一味拉高 CFG。

实验方法:固定提示词、种子、采样器和步数,只改 CFG。每次只动一个变量,否则你无法判断差异来自哪里。

03步数与种子:可复现的底线

步数是去噪迭代次数。SD1.5 常见 20–30 步,SDXL 常见 25–40 步;超过某个点后,细节收益递减,时间成本却线性上升。

种子决定初始噪声。固定种子 + 固定模型 + 固定参数,才能复现同一张图;换采样器后即使种子相同,结果也会变化。Midjourney 用 --seed,ComfyUI 用 KSampler 的 seed 输入。

  • 做对比实验时,先锁定种子。
  • 做系列图时,记录种子和参数,建立自己的「配方表」。
  • 不要迷信高步数:结构错了,加步数只会更精细地错。

04权重语法:把「强调」写进提示词

常见语法(以 A1111 / ComfyUI 系为主,Midjourney 语法不同):

(matte ceramic texture:1.2), (softbox lighting:1.1), rim light:0.9 [outdoor | studio] background positive prompt ... BREAK product on stone podium, brand color #C8A27A
  • (word:1.2):提高权重;(word:0.8):降低权重。不要把所有词都加权,画面会失去层次。
  • [A|B]:提示词交替 / 调度(具体行为取决于 UI),适合探索,不适合要求完全可复现的交付。
  • BREAK:把提示词分成不同 conditioning 段,适合主体和背景分开描述;不是所有平台都支持。
语法提醒:Midjourney 用 word::2、--no 控制权重和排除;不同 UI 的权重语法不通用,写商业模板前先确认平台。

05负面提示词:分层管理,而不是堆词

负面提示词应该按用途分层管理,每一类保持短而准:

层级常用词使用建议
画质类low quality, blurry, jpeg artifacts, oversaturated通用基础层,保持 3–6 个即可
解剖类extra fingers, deformed hands, bad anatomy只用于人物,产品图不需要
构图/内容类extra objects, text, watermark, cluttered background, cropped按项目逐条添加,别一次性全塞

负面词太多会压制细节,让画面变平。商业模板建议维护三份负面词:人像版、产品版、场景版。

06Embeddings / Textual Inversion:轻量固定质感

Textual Inversion 是通过少量图片训练出的 embedding,用触发词调用,适合固定某种质感、风格,或排除特定缺陷。它比 LoRA 更轻,但可控性和泛化能力有限。

  • 正向 embedding:固定画风、材质、笔触。
  • 负向 embedding:抑制手部、文字、低质量纹理等常见问题。
  • 注意底模兼容性:不同底模的 embedding 效果可能差异很大。

07参数实验记录模板

商业项目不是「出过一张好图」,而是「下次还能复现」。每次实验至少记录:模型/VAE、采样器、步数、CFG、种子、分辨率、LoRA 与权重、完整提示词版本。没有记录的参数,等于没有掌握。

字段示例用途
模型 / VAESDXL 写实底模 / 内置 VAE确认复现环境
采样器DPM++ 2M Karras固定生成节奏
步数 / CFG30 / 5.5记录质量与贴合度
种子固定值,如 823741对比实验的基准
提示词版本product-v3区分每次修改
实验编号:CFG-04 模型:SDXL 写实底模 / 30 steps / DPM++ 2M Karras 种子:823741 CFG:4.0 / 5.0 / 6.0 / 7.0 / 8.0 观察:CFG 5.0 质感最稳;8.0 高光过硬、背景出现色带 结论:商业产品图默认 5.0–5.5

把这张表放进项目文件夹,和成图、工作流 JSON 放在一起。客户返修时,你能快速回到某个版本,而不是重新碰运气。

08跟着做:CFG 五连拍

选一条固定提示词(建议产品/人像),固定采样器、步数和种子。
只改 CFG:4、5、6、7、8,连续出 5 张图。
按「对比度 / 色彩 / 提示词贴合度 / 结构稳定性」四项记录差异。
选出一个商业安全值,并写下你的判断依据。

加分项:同样方法再对比 Euler a 和 DPM++ 2M Karras,观察同种子下的差异。

本层验收

固定种子,只改 CFG,出一组 5 张对比图,并说清差异。做不到就是没学会。

交付物:5 张对比图 + 一张参数记录表 + 一句「我会在商业项目里选哪个 CFG,为什么」。
自检清单0 / 4 已完成

09本层自测

同一句提示词,为什么每次出图都不同?
至少四个变量在变:随机种子、采样器、CFG/步数、底模或 LoRA。做对比实验时必须控制变量。
CFG 越高越好吗?
不是。CFG 高会提高提示词贴合度,但也会让对比度、饱和度变硬,超过 10 很容易崩坏。商业图通常 4–7。
固定种子就能完全复现一张图吗?
不够。还需要固定模型、LoRA、采样器、步数、CFG、分辨率和工作流版本。种子只是其中一个变量。