1-9 ConditioningAverage多提示词平均混合：两段提示词取中点，画出概念杂交体

准备工作：这篇教程要用到的材料

本教程演示的工作流是「1-9_[图像生成]_ConditioningAverage多提示词平均混合」，位于工作流大合集的 01 图像生成 分类目录下。它的作用一句话概括：把两段提示词按比例"取平均"，生成一个两个概念之间的"杂交体"——斑马和变色龙平均出带条纹的爬行动物，老虎和兔子平均出长耳虎纹兽。它跟普通生图的区别不在画面处理，而在提示词的处理方式，看完原理你就明白它为什么能"创造"不存在的生物。

这个工作流只用到 2 个模型，都很常见：

• SD1.5 官方底模：v1-5-pruned-emaonly.safetensors（官方原始 SD1.5，工作流原配；没有的话从 HuggingFace 或模型站下载 runwayml/stable-diffusion-v1-5 的 pruned-emaonly 版）→ models\checkpoints\。换其他 SD1.5 底模也能跑，画风跟着变
• VAE vae-ft-mse-840000-ema-pruned.safetensors（约 334MB，1-5 教程已下载）→ models\vae\

一、这个工作流能干什么

先看工作流默认的两段提示词：一段是 a photo of a zebra（斑马），一段是 a photo of a chameleon（变色龙）。正常出图时，这两段词得二选一，画面要么是斑马要么是变色龙；而这个工作流把两段词先平均再生成，于是画面上出现的是"斑马的条纹 + 变色龙的身体结构"——一个现实里不存在的混合生物。

所以它的用途很明确：概念杂交实验——想看看"狮子×老虎"长什么样、"木头船×纸船"会变什么样、老虎和兔子拼在一起是什么效果，换两段提示词就能试。

二、工作流原理：平均发生在"条件空间"

核心是一个 ConditioningAverage 节点，它连接两段 CLIPTextEncode（正面提示词）。整个过程分三步：

• 第一步编码：两段提示词各自被 CLIP 编码成"条件向量"——可以把向量理解成提示词的语义坐标
• 第二步平均：ConditioningAverage 按 strength 参数（默认 0.5 = 五五开）把两个向量取算术平均，得到一个"两个语义坐标的中点"
• 第三步生成：模型拿这个平均后的条件去生成画面——它收到的指令既不是"画斑马"也不是"画变色龙"，而是两者之间一个模糊的坐标，模型只能自己想象一个最合理的形象

这里要强调一个关键区别：平均发生在"条件空间"，不是"画面空间"。把两张图片各取一半叠起来，得到的是"画面里一半斑马一半变色龙"的拼贴；而把两段文字编码取平均，得到的是"一个既不是斑马也不是变色龙的第三概念"，模型从零开始把它画出来——这就是它为什么能创造"杂交生物"而不是拼贴图。

三、实操：换掉作者的斑马变色龙

第一步：先跑一遍原图。作者示例（斑马×变色龙）能正常出图，说明环境没问题。它会产出一个带条纹的爬行动物——这是正常现象，不是跑坏了，这正是概念平均的产物。

第二步：换两段提示词。想试自己的组合，改两个 CLIPTextEncode 的正面提示词。实测案例：老虎×兔子——

提示词 A：

a photo of a tiger, full body, entire animal visible in frame

high resolution, high quality, detailed, 4k

提示词 B：

a photo of a rabbit, full body, entire animal visible in frame

high resolution, high quality, detailed, 4k

出图是长耳朵、圆脸、带着虎纹的混合兽，融合很自然。

第三步：跑图。直接运行。不满意就点 KSampler 的 seed 随机再跑，混合形态每次会不一样。

四、概念怎么选：这是出片好坏的命门

实测下来，概念对的选择直接决定产物好不好看，三个原则：

• 优先近亲或同纹路：狮子×老虎（同科）、斑马×马（真实存在斑马马杂交）、老虎×兔子——两个概念共享形状或纹理时，平均点有据可依，产物自然。作者选斑马×变色龙也是因为两者都带"条纹"这个交集
• 避免概念跨太远：当两个概念差异极大（比如动物×人类、动物×抽象物），平均点会滑向两者共同的"父类原型"——比如猪和人平均，中点掉进"四足哺乳动物"的模糊区域，模型会画出数据里最典型的四足兽（如马），既不像猪也不像人。选组合时让两端"长得沾边"，结果才可控
• 提示词务必加 full body：不加构图词时，模型在方画布上容易产出大头特写。两段提示词都加 full body、entire animal visible in frame（整只动物入镜），成品才是全身图

五、参数调节

• strength = 融合方向：ConditioningAverage 的 strength 默认 0.5（两段五五开）；调向某一端（0.6~0.7）产物就明显偏向那一段的概念，特征保持更强
• 画布改竖版更出全身：EmptyLatentImage 默认 512x512 方图，画全身动物偏挤；改成 512x768 竖版 + full body 词，全身构图更稳（SD1.5 跑 512x768 没问题）
• 固定 seed：KSampler 默认随机种子，每次跑的混合形态都不同；跑出满意的效果后把 seed 固定（点锁图标），方便复现和对比
• 换底模换质感：官方 SD1.5 是最基础的底模，换写实或动漫底模，混合产物的质感会明显不同

六、常见问题排查

• 出图既不像 A 也不像 B，甚至像第三种动物：两个概念差太远，平均点滑向了共同父类的原型——换成近亲组合或同主体组合（见第四节原则）
• 总是出大头特写不是全身：两段提示词都补上 full body, entire animal visible in frame；画布改 512x768 竖版更稳
• 想更偏某一方的特征：strength 从 0.5 调到 0.6~0.7，往偏的一方调
• 每次跑出来都不一样：KSampler 种子是随机模式，正常现象；固定 seed 后同参数必出同图
• 模型下拉框是空的：v1-5-pruned-emaonly 没放进 models\checkpoints\，或文件名不一致，放好刷新