跨模型提示词工程指南
Midjourney、Flux 与 GPT-Image
提示词结构对照指南。
为什么把 SD 的逗号标签串直接粘进 Flux 或 GPT-Image-2 会导致画面僵硬？一文掌握四大生图架构的语法转换规律。
核心规律
根据模型的文本编码器选择提示词语法
每个 AI 生图模型在去噪生成像素前，都会先通过特定的文本编码器解析提示词。SD 1.5 与 SDXL 依赖 CLIP 分词器，擅长处理逗号分隔的短词组；而 Flux.1 与 GPT-Image-2 采用大型语言编码器，能深度理解空间方位介词、因果关系与引号内的排版文字。
- Midjourney：主体 + 环境 + 镜头 + 光线 + 美学风格词 + 尾部 --ar / --stylize 参数
- Flux & GPT-Image-2：使用自然语言完整长句，明确前中后景方位，需渲染的文字放进双引号
- Stable Diffusion (SDXL)：使用逗号分隔的质量与视觉标签，并搭配明确的反向提示词（Negative Prompt）
主流生图模型语法规则横向对比
| 语法维度 | Midjourney v6 / v8 | Flux.1 / GPT-Image-2 | Stable Diffusion XL |
|---|---|---|---|
| 最佳长度 | 35–75 词 + 尾部参数 | 60–140 词（自然语言段落） | 25–60 个逗号分隔标签 |
| 画面内文字渲染 | 放进“双引号”并降低 --stylize | 描述字体材质、位置及“准确文字” | 不借助 ControlNet 较难拼写准确 |
| 反向提示词 | 仅对关键排除物使用 --no | 无需反向词，直接正面描述所需效果 | 必需配置独立 Negative Prompt |