Stable Diffusionプロンプト構文解説：787件のCivitaiプロンプトが実際に使用するもの

Stable Diffusionのプロンプトは、ChatGPTやGPT Imageで人々が書く会話的なプロンプトとはまったく似ていません。それらは括弧、数字、山括弧、「masterpiece」のような何もしないように見える言葉で満ちています。私たちはWikipromptカタログにある787件のインデックス化されたCivitaiプロンプトを調べ、これらの習慣のどれが実際に一般的で、それぞれが何をするのかを確認しました。

測定した内容

このサンプルのすべてのプロンプトは、生成された画像とともにCivitaiで公開され、その後Wikipromptにキュレーションされました。中央値のプロンプトは68語で、典型的な1行のリクエストよりもはるかに長いです。各構文パターンがどのくらいの頻度で出現するかは以下の通りです：

サンプル内で最も一般的なベースモデルは、Illustrious、SDXL 1.0、Krea、SD 1.5で、多数のLoRA調整バリアントも含まれます。支配的なスタイルは、アニメ、シネマティック、デジタルアート、フォトリアリスティック、イラストレーションです。

パターンを一つずつ見る

ネガティブプロンプト

プロンプトの半分にはネガティブプロンプトが含まれています：モデルが避けるべきものの2番目のリストで、「blurry、extra fingers、watermark、lowres」のようなものです。拡散モデルはネガティブプロンプトにあるものから遠ざかるため、一般的な欠陥のクリーンアップパスとして機能します。Stable Diffusionプロンプトをコピーする場合は、ネガティブプロンプトもコピーしてください：結果はポジティブプロンプトと同じくらいそれに依存することがよくあります。

品質タグ：「masterpiece」、「best quality」、「absurdres」

約3分の1のプロンプトは品質語のスタックで始まります。これらのタグはアニメ特化モデルのトレーニング方法に由来します：トレーニングデータ内の画像には品質評価がラベル付けされており、「masterpiece、best quality」を要求すると、出力がそのデータの最高評価部分に引き寄せられます。これらはIllustriousのようなアニメモデルで最も重要で、フォトリアリスティックや新しいモデルでははるかに影響が少ないです。

スコアタグ：`score_9、score_8_up`

スコアタグは同じ考え方を明示的にしたものです。Ponyベースおよび一部のIllustriousベースのモデルは数値的な美的スコアでトレーニングされており、score_9、score_8_up、score_7_upは少なくともその高さでスコアされた画像を要求します。これらはそれでトレーニングされていないモデルでは何もしないため、サンプルの16%にしか出現しません。良い例はCinematic Medieval Cottage in Autumnal Marshで、スコアタグと詳細なシーン説明を組み合わせています。

LoRAタグ：`<lora:name:0.8>`

3分の1のプロンプトはLoRAを読み込みます。これはベースモデルにスタイル、キャラクター、またはコンセプトを教える小さなアドオンモデルです。名前の後の数字は強度で、0.6から1.0が典型的で、より高い値はプロンプトの残りを圧倒することがあります。LoRAファイルが自分の設定に存在する必要があるため、これらのプロンプトは最も移植性が低いです：同じLoRAがないと、異なる画像が得られます。Miniature Fantasy Diorama with Ink Wash Styleは、明確な被写体の説明の上に特定のアートスタイルに使用されるLoRAを示しています。

重み付き用語：`(term:1.2)`

14%のプロンプトは個々の単語の強調を調整します。(glowing eyes:1.3)はそのディテールを強くし、(background:0.8)は弱め、単純な括弧は小さなブーストを追加します。0.8から1.4の間の重みが有用な範囲で、極端な値は画像を壊す傾向があります。Girl Sitting Under Starry Night Forest with Firefliesを参照してください。重みを使用して被写体と風景のバランスを取っています。

`BREAK`

BREAKは長いプロンプトを別々のチャンクに分割し、ある部分の色や属性が別の部分に漏れないようにします（「red dress」がシーン全体を赤くするという古典的な問題）。これはサンプルで最も珍しいパターンで6%であり、White Alpha Werewolf Grandpaのような長いキャラクタープロンプトに主に出現します。

自然な文章

3分の1のプロンプトは、カンマ区切りのタグではなく、部分的に完全な文章で書かれています。より強力なテキストエンコーダーを持つ新しいモデル（Flux、Krea、最近のSDXLファインチューン）は説明的な言語をよく理解するため、トレンドはスタイル用のいくつかのタグを付けた平易な説明へと移行しています。タグ中心のスタイルはアニメモデルでは依然として標準です。

クイックスタートレシピ

Stable Diffusionプロンプトをゼロから書く場合、この構造はサンプル内の最良のプロンプトが共通して持つものをカバーしています：

重みなしで始めてください。特定のディテールが繰り返し失われる場合にのみ(term:1.2)を追加してください。

さらに探索