负向提示词怎么写：常见问题、常用词表与使用边界

负向提示词（Negative Prompt）是填在「负面／排除」输入框里的一串英文词，作用是告诉模型尽量不要出现这些东西。它的原理通常解释为：出图时正负两组提示词同时参与引导，模型每一步去噪都会朝远离负面描述的方向修正画面，而这个机制依赖 CFG 引导系数，系数为零时负向词基本不起作用。因此负向词本质是给画面纠偏，而不是给模型下命令——它不能保证某个元素百分百消失，只能明显降低它出现的概率。

适用范围要先分清模型。Stable Diffusion 系列（SD 1.5、SDXL 及各类衍生模型）对负向词最敏感，效果通常最明显，多数整合包和在线平台的 SD 模型都提供独立的负面输入框，不同平台叫法略有差异，有的叫负面提示词，有的叫排除内容，本质相同；Midjourney 没有单独的负面框，要用 --no 参数表达，例如在提示词末尾加 --no text, watermark；Flux 系列一般不需要负向提示词，它采用蒸馏引导，官方界面通常没有负面输入项，硬填负向词帮助有限还可能引入冲突；GPT-4o 这类对话式出图模型同样没有负向入口，排除要求直接写进正向提示词即可。

写负向词最有效的方式是哪里出问题补哪里，而不是背一张大表。手部畸形最常见，因为手部姿态多变，训练图片里手经常被握住或遮挡，通常补：extra fingers, missing fingers, fused fingers, mutated hands, bad hands, deformed hands；面部崩坏常见于远景或多人构图，小脸在画面里占的像素少，细节更容易画坏，一般补：bad anatomy, deformed face, disfigured, cross-eyed, poorly drawn face。

画质类问题通常补：blurry, lowres, low quality, jpeg artifacts, oversaturated；多余肢体等结构类错误一般补：extra limbs, extra arms, extra legs；不想要画面里的文字标识时补：text, watermark, signature, username, logo；构图与裁切问题常补：cropped, out of frame, cut off。建议每加一批词就出几张图观察变化，确认某个词真的在解决你的问题再保留，这比一次性堆满所有词稳妥得多。

不想每次从零挑词，可以准备一份通用基础表作为起点，覆盖大多数常见问题。一般建议这组：lowres, blurry, bad anatomy, bad hands, extra fingers, extra limbs, deformed, poorly drawn face, poorly drawn hands, text, watermark, signature, logo, jpeg artifacts, low quality, worst quality。

这份表的定位是兜底而非保险箱：它压低的是常见错误的出现概率，不能替代正向提示词对构图、光影和主体的打磨。日常出图可以整组直接用，之后把词表当作随用随改的清单：某类错误消失了，对应词条可以删掉；新问题冒出来，再补对应的新词。若发现画面细节被削弱、风格变寡淡，就按下一节的思路做减法。

在基础表之上，按题材追加少量针对性词条即可。人像写真类通常追加：bad proportions, long neck, malformed limbs, cloned face；动漫插画类一般追加：extra digit, fewer digits, frame, comic style（想要单张完整立绘时）；写实摄影类通常追加：cartoon, anime, illustration, 3d render，用来压住非照片质感；皮肤瑕疵类词条仅在确实需要干净皮肤效果时使用，不必常驻词表。

场景词要克制，每个题材追加三五条即可，全部叠加等于没有重点。另外负向词也可能误伤：把 cartoon 写进负向，做卡通、插画题材时反而难出图；同理，常用画质词偶尔也会压住你想要的氛围感，遇到画面发灰发闷时，可以逐个移除词条排查，找出拖后腿的那一个。

负向词不是越多越好，常见副作用有三类。一是互相冲突：例如把「低画质」和「高细节」这类方向相反的描述同时负面化，模型会不知道往哪个方向收紧画面；二是稀释权重：词条一多，每个词分到的排斥力被摊薄，真正关键的几个词反而压不住问题；三是画面劣化：堆到几十个词时，常出现整体变灰、饱和度下降、细节变少、构图变保守等情况，偶尔甚至得到与预期相反的结果。

一般建议把负向词控制在十到二十条以内，优先保留与当前问题直接相关的词；CFG 引导系数越高，负向词的影响越强，此时更要精简。换模型或换题材时记得重新过一遍词表，别的模型用得好的一套词未必照搬有效。改完词表后建议连出几张对比，确认是改善而不是副作用。

最后划清几条边界。负向词能降低元素出现的概率，但很难精确删除已经画进画面的东西：想让角色摘掉眼镜、把红衣换成蓝衣，靠负向词基本做不到，这类修改应交给局部重绘，把要改的区域涂选出来单独重画，或直接重写提示词。它也不能抬高模型本身的上限：基础模型画不好的手，堆再多 bad hands 也只是缓解，无法根治。

更稳的思路是把负向词当成最后一步微调：先写清楚正向提示词（主体、构图、风格、画质词），确认模型默认输出差在哪里，再针对性地补三五个负向词。养成正向优先、负向精补的习惯后，出图稳定率通常会有明显提升，词表也能越养越短。