文生图高频名词小词典：从扩散模型到提示词工程

刚接触文生图工具，面对一堆专业术语感到困惑？这篇小词典为你逐一拆解。

模型架构类术语

生成图片的底层模型属于哪一类、如何工作，是入门首先需要了解的。

扩散模型

扩散模型是当前大多数文生图工具（如 Stable Diffusion、DALL·E）的核心。它的工作流程分两步：训练时，模型学习给一张清晰图片逐步添加噪声，直到变成纯噪声；生成时，模型再从这个纯噪声开始，一步步去除噪声，还原出图片。这个过程可以想象成“先让图片融化成一团糟，再学会把它复原”。2026年，扩散模型依然是主流，但出现了不少改进版本，比如能一步生成（而非多步去噪）的蒸馏模型。

潜在扩散模型

标准扩散模型直接在像素空间操作，计算量很大。潜在扩散模型（LDM）先将图片压缩到一个更小的“潜在空间”（比如用 VAE 编码器），在这个低维空间里做扩散，最后再解码回像素。这样大幅降低了显存占用量，也缩短了生成时间。Stable Diffusion 就是典型的潜在扩散模型。

CLIP 模型

CLIP 是 OpenAI 训练的多模态模型，它能同时理解文本和图像，并把两者映射到同一个语义空间。在文生图中，CLIP 负责把用户输入的提示词转换成特征向量，用来引导扩散模型生成符合语义的图片。没有 CLIP，模型就无法准确理解“一只穿着宇航服的猫”这句话。

Transformer 架构

近年来，不少文生图模型（如 DALL·E 3、Sora）也采用了 Transformer 结构。它通过注意力机制捕捉文本和图像块之间的关联，擅长处理长提示词和复杂场景。2026年，混合扩散-Transformer 架构越来越流行，它结合了扩散模型的高质量与 Transformer 的灵活性。

生成控制类术语

这类术语直接控制你得到怎样的图，是实践中最常接触的参数。

提示词与文本嵌入

提示词（Prompt）就是你输入的文字描述。模型内部会通过分词器将文字拆成 token，再通过文本编码器（通常是 CLIP text encoder）转化为特征向量。这个向量就叫“文本嵌入”。不同编码器（如冻结的 CLIP 或可微调的 T5）会影响细节理解。技巧：提示词长度有限，关键信息尽量放前面。

采样器

采样器决定去噪的具体算法。常见的有 DDIM、DPM++、Euler、Heun 等。

• DDIM：步数较少（20-30步）即可生成，适用性广。
• DPM++：对细节保留较好，但步数需要稍多（30-40步）。
• Euler：一种简单快速的方法，但容易粗糙。 采样步数（steps）和采样器类型共同影响成品的清晰度与风格。一般建议从 20-30 步开始测试。

CFG Scale（无分类器引导尺度）

这个参数控制模型跟随提示词的程度。范围通常是 1-20（常见 7-14）。数值越大，生成结果越严格遵循提示，但也越容易产生过度饱和或怪异伪影。数值偏低（如 4-6）时，模型自由度更高，可能偏离提示但得到更自然的图。在2026年的许多工具中，CFG Scale 还可以分段调整，比如早期步骤低、后期步骤高。

种子

种子是一个整数，用于初始化随机噪声。固定种子后，同样的提示词和参数总能生成完全相同的图片。这方便复现和微调。如果你想换一张新图，随机改一个种子就行。种子值本身没有好坏，它只决定噪声的初始模式。

分辨率与宽高比

生成图片的像素尺寸。分辨率越高，细节越多，但显存占用也越大。常见设置：512×512、768×768、1024×1024。宽高比可自定义，但建议保持与训练数据相近（如 1:1、4:3、16:9），避免物体扭曲。2026年，许多模型已经支持生成 2K 甚至 4K 分辨率，但需要配合放大器和更多显存。

训练与微调类术语

如果你不满足于通用模型，想定制专属风格或人物，需要了解这些。

预训练与微调

预训练是指在海量数据集上训练出通用模型（如 Stable Diffusion v2.1）。微调则是在此基础上，用少量特定主题的图片继续训练，让模型学会生成该主题的风格。常见微调方式有全参数微调（效果强但资源消耗大）和参数高效微调。

LoRA（低秩适配）

LoRA 是一种轻量级微调方法。它不修改原始模型权重，而是在模型的某些层（如 cross-attention 层）插入小的低秩矩阵。训练时只更新这些矩阵，因此训练速度快、模型文件小（通常几MB到几十MB）。社区中大量风格、角色 LoRA 可供下载。你可以在同一个提示词中组合多个 LoRA（如“甲角色画像 + 乙画风”）。

Dreambooth

Dreambooth 是另一种微调方法，它让模型学会生成特定对象（比如你家的猫）在不同场景下的图片。与 LoRA 不同，Dreambooth 会微调整个模型，因此生成质量更高，但文件较大（约 2GB），且需要较多图片。2026年，新的混合方法（如 DreamBooth + LoRA）更流行，兼顾效果与效率。

ControlNet

ControlNet 是一种条件控制模块，可以精确控制生成图像的空间结构。你给它一张参考图（如边缘图、深度图、人体骨骼图），它就在生成时保持这些结构。常见的类型有：Canny 边缘、M-LSD 直线、OpenPose 人体姿态、depth 深度、scribble 涂鸦等。它特别适合需要精确构图、产品设计或姿势固定的场景。

模型融合与合并

将多个不同风格的模型文件合并成一个，可以混合出新的风格。比如把“写实风格”模型和“油画风格”模型按 8:2 比例叠加。社区常用“模型合并”工具，通过加权求和或区块合并实现。注意：合并模型可能降低稳定性，需要测试。

提示词工程类术语

写提示词本身是一门技术，以下术语能帮你更精准地描述。

正面提示词与负面提示词

正面提示词描述你想要的元素（“一只金色的龙，鳞片闪闪发光”）；负面提示词描述你不想要的（“模糊，扭曲，糟糕的解剖，丑陋的脸”）。绝大多数工具都支持负面提示，它能显著提升成品质量。

权重语法

为了强调某个词，可以给它增加权重。常见写法：(单词:1.3) 表示将该词的重要性提升 1.3 倍；(单词:0.7) 降低权重。有些工具支持在单词前后加 () 或 [] 表示增减（如 (golden) 增加，[ugly] 减少）。权重过高容易导致过拟合（比如太鲜艳）。

提示词顺序

模型通常更关注开头的词汇。建议把核心主体和风格放在前列，次要细节往后。例如：“写实摄影，一只金毛躺在沙发上，柔光，室内，温暖色调，4K”，而不是顺序颠倒。

通配符与动态提示

一些工具支持在提示词中插入通配符（如 {红色|蓝色|绿色}），每次生成随机选取一个，实现批量变体。动态提示则是利用脚本生成多个提示词组合，适合探索不同风格。2026年，很多 GUI 工具内置了“提示词 randomizer”，方便创意发散。

常见问题