AI绘画高频术语解析：从扩散模型到提示词

打开AI绘画工具，满屏的专业名词容易让人发懵。这一篇带你逐一弄清，从底层原理到实操参数，不再被概念绕晕。

扩散模型：AI绘画的“底层发动机”

扩散模型是当前主流AI绘画工具（比如Stable Diffusion、Midjourney、DALL·E）背后的核心技术。它的工作方式可以简单理解成“从噪声里慢慢还原图像”。一开始是一张纯噪点图，模型一步步去除噪声，同时根据你给的文字描述修正细节，最终生成符合描述的清晰画面。整个过程就像把一团混乱的灰尘逐步塑造成雕像。

关键特点：

• 每次去噪都依赖“文本指导”，所以提示词写得越准确，结果越贴近预期。
• 不同模型版本（如SD 1.5、SD XL、SD 3.5）在画质、风格理解、资源消耗上有明显差异。
• 模型本身不“认识”物体，而是学习海量图片和文字配对数据后形成统计规律。

实际使用注意：

• 同一个提示词在不同版本模型下输出可能差别很大，新手建议先固定一个主流模型，熟悉后再尝试其他。
• 扩散模型通常需要GPU加速，低显存（低于4GB）设备可能跑不动较大模型，但小模型或优化版本（如TinySD）可以降低门槛。
• 2026年，开源社区推出了更多轻量级扩散模型，让普通电脑也能本地运行AI绘画。

CLIP：连接文字与画面的“翻译官”

CLIP（Contrastive Language-Image Pre-training）是图像和文本之间的桥梁。它把文字和图片都转换成一组数字向量，通过对比学习让语义上匹配的文字和图片向量更靠近。当你输入“一只戴帽子的猫”，CLIP会告诉扩散模型：“这张图应该偏向猫、帽子、站姿等元素”。

为什么重要：

• CLIP的质量直接影响模型理解提示词的能力。同一个模型配合不同CLIP分支（如OpenCLIP、LAION-2B CLIP），对中文或抽象概念的支持程度不同。
• 很多用户发现同样的提示词在不同工具里效果不同，背后可能就是CLIP版本或训练数据的差异。

常见误区：

• 认为CLIP能“理解”人类常识，实际上它只是统计学关联，比如“猫坐在椅子上”和猫的图片向量接近，但不懂“坐”是什么姿势。
• 过于复杂的提示词可能让CLIP困惑，反而削弱效果，建议用简洁、具体的短语。

LoRA：给模型“打补丁”的轻量插件

LoRA（Low-Rank Adaptation）是一种微调技术，它不修改原有扩散模型的所有参数，而是插入少量小模块，通过额外训练让模型学会某个特定风格、角色或物体。比如你想生成某动漫角色的同人图，训练一个LoRA文件（通常几MB到几十MB），然后加载到基础模型上就能生成该角色的形象。

应用场景：

• 角色定制：固定某个虚拟人物或真人的面部特征（真人伦理需谨慎）。
• 风格迁移：动漫风、油画风、像素风等，无需重新训练完整模型。
• 物体控制：生成特定款式的汽车、建筑等。

使用要点：

• 权重（Weight）调节：加载LoRA时可以设置强度（常见0.5~1.0），过高可能破坏画面自然度。
• 多LoRA叠加：可以同时加载多个LoRA（比如人物脸+场景风格），但叠加过多会导致冲突或画风杂乱。
• 训练自己的LoRA需要少量样本（10~100张图）和显卡时间，2026年在线平台已大幅简化流程，普通用户也能操作。

ControlNet：精确控制画面结构的“指挥棒”

ControlNet是一种附加模块，能通过额外输入图（如边缘线、深度图、人物骨架）引导扩散模型在生成时严格遵循特定构图。它像给模型一个“轮廓草图”，后续细节再按提示词填充。常见的控制模式有：

• Canny边缘：根据黑白线条还原，适合固定形状。
• 深度图：依据景深信息控制物体前后关系。
• OpenPose：传入人物骨架，控制姿态（手、脚、身体）。
• Scribble：手绘简单线条，模型填充细节。

价值：

• 解决AI绘画“手部乱长”“构图偏掉”的痛点，尤其适合需要精确控制画面布局的场景。
• 配合多个ControlNet可同时控制不同维度，比如边缘+深度，但计算量倍增。

局限：

• 并非所有模型原生支持ControlNet，需要特定架构（如Stable Diffusion 1.5/XL）。
• 过度依赖控制图可能限制创意，适合参考图修改而非完全自由创作。

采样器与步数：图像生成的“精加工参数”

采样器是扩散模型去噪过程中使用的算法，不同采样器影响生成速度、画质和风格。常见的有DDIM、DPMSolver、DPM++ 2M、Euler A、LMS等。步数（Step）则代表去噪的迭代次数，一般20~50步即可，太多浪费计算，太少细节不足。

选型指南：

• 速度优先：DPMSolver系列（如SDE Karras）能在10~15步内出可接受结果，适合快速试验。
• 画质优先：DPM++ 2M Karras或DDIM通常需要30步左右，细节更丰富。
• 风格倾向：Euler A有随机性，适合艺术化效果；LMS更稳定但略慢。

关键点：

• 步数并非越多越好，超过某阈值（如50步）改善不明显，反而增加计算时间。
• 采样器与模型有隐式关联，某些模型可能对特定采样器更友好，建议同一提示词多试两三种。
• 2026年新采样器（如LCM-LoRA）能实现1~4步超快生成，但画质略降，适合实时生成预览。

提示词与负提示词：AI的“指令语言”

提示词（Prompt）是用户用自然语言描述想生成的画面，负提示词（Negative Prompt）则告诉模型“不要出现什么”。两者共同构成了对扩散模型的约束。

提示词写作技巧：

• 前后顺序： 越靠前的词权重越高（在Stable Diffusion中），把核心元素放前面。
• 权重语法： 使用 (word:1.2) 提高权重，或 [word:0.8] 降低。注意不要过度堆砌，容易引发冲突。
• 质量词汇： 使用“masterpiece, best quality, highres”等标准词有助于提升画质，但不同模型有各自偏好。

负提示词的陷阱：

• 常用负提示词：low quality, bad anatomy, extra limbs, blurry, distorted等。
• 过度使用负提示词可能让画面“死板”，比如禁止“手”可能导致无手人物。
• 中文提示词在部分模型下效果差，建议中英文混合或使用英文。

2026年趋势：

• 自然语言提示词越来越智能，很多平台支持长段落描述，甚至对话式修改。
• 负提示词逐渐被“反向描述”取代，用户直接说“不要红色背景”，模型理解更准确。

常见问题