Sintaxis de Prompts de Stable Diffusion Explicada: O Que 787 Prompts de Civitai Realmente Usam

Os prompts de Stable Diffusion não se parecem nada com os prompts conversacionais que as pessoas escreven para ChatGPT ou GPT Image. Están cheios de parénteses, números, corchetes angulares e palavras como "masterpiece" que parecen não fazer nada. Observamos os 787 prompts de Civitai indexados no catálogo de Wikiprompt para ver quais destes hábitos são realmente comúns e o que cada um faz.

O que medimos

Cada prompt nesta mostra foi publicado coa súa imaxe xerada en Civitai e despois curado en Wikiprompt. A mediana de palabras por prompt é de 68, moito máis longa que unha solicitude típica dunha liña. Aquí está a frecuencia con que aparece cada patrón de sintaxe:

Os modelos base máis comúns na mostra son Illustrious, SDXL 1.0, Krea e SD 1.5, ademais de moitas variantes axustadas con LoRA. Os estilos dominantes son anime, cinematográfico, arte dixital, fotorrealista e ilustración.

Os patróns, un por un

Prompts negativos

A metade dos prompts levan un prompt negativo: unha segunda lista de cousas que o modelo debe evitar, como "blurry, extra fingers, watermark, lowres". Os modelos de difusión afástanse do que está no prompt negativo, polo que funciona como un pase de limpeza para defectos comúns. Se copias un prompt de Stable Diffusion, copia tamén o seu prompt negativo: o resultado a miúdo depende tanto del como do positivo.

Etiquetas de calidade: "masterpiece", "best quality", "absurdres"

Ao redor dun terzo dos prompts abren cunha pila de palabras de calidade. Estas etiquetas veñen de como se adestraron os modelos centrados en anime: as imaxes nos datos de adestramento foron etiquetadas con cualificacións de calidade, polo que pedir "masterpiece, best quality" tira a saída cara á parte mellor puntuada deses datos. Importan máis en modelos de anime como Illustrious e moito menos en modelos fotorrealistas ou máis novos.

Etiquetas de puntuación: `score_9, score_8_up`

As etiquetas de puntuación son a mesma idea, feita explícita. Os modelos baseados en Pony e algúns baseados en Illustrious foron adestrados con puntuacións estéticas numéricas, e score_9, score_8_up, score_7_up pide imaxes que puntuaron polo menos ese valor. Non fan nada en modelos que non foron adestrados con elas, por iso aparecen só no 16% da mostra. Un bo exemplo é Cinematic Medieval Cottage in Autumnal Marsh, que combina etiquetas de puntuación cunha descrición detallada da escena.

Etiquetas LoRA: `<lora:name:0.8>`

Un terzo dos prompts cargan un LoRA, un pequeno modelo complementario que ensina ao modelo base un estilo, personaxe ou concepto. O número despois do nome é a forza: ao redor de 0.6 a 1.0 é típico, e valores máis altos poden dominar o resto do prompt. Debido a que o ficheiro LoRA ten que existir na túa configuración, estes prompts son os menos portátiles: sen o mesmo LoRA, obtés unha imaxe diferente. Miniature Fantasy Diorama with Ink Wash Style mostra un LoRA usado para un estilo artístico específico sobre unha descrición clara do tema.

Termos ponderados: `(term:1.2)`

O 14% dos prompts axustan a énfase de palabras individuais. (glowing eyes:1.3) fai ese detalle máis forte, (background:0.8) debilítao, e os parénteses simples engaden un pequeno impulso. Os pesos entre 0.8 e 1.4 son o rango útil; valores extremos tenden a romper a imaxe. Vexa Girl Sitting Under Starry Night Forest with Fireflies para pesos usados para equilibrar tema e escenario.

`BREAK`

BREAK divide un prompt longo en anacos separados, de modo que as cores e atributos dunha parte non se filtren noutra (o problema clásico dun "red dress" que volve toda a escena vermella). É o patrón máis raro na mostra, cun 6%, e aparece sobre todo en prompts de personaxes longos como White Alpha Werewolf Grandpa.

Frases naturais

Un terzo dos prompts están escritos en parte con frases completas en lugar de etiquetas separadas por comas. Os modelos máis novos con codificadores de texto máis fortes (Flux, Krea e axustes recentes de SDXL) entenden ben a linguaxe descritiva, polo que a tendencia móvese cara a descricións sinxelas con algunhas etiquetas para o estilo. O estilo cargado de etiquetas segue sendo a norma para modelos de anime.

Unha receita rápida para empezar

Se estás escribindo un prompt de Stable Diffusion desde cero, esta estrutura cobre o que os mellores prompts da mostra teñen en común:

Comeza sen pesos. Engade (term:1.2) só cando un detalle específico se perda repetidamente.

Explora máis