负面提示词怎么写：常用清单与原理

先定义清楚：negative prompt不是"反义词提示词"，是告诉模型"这些方向的概率权重往下压一点"。约等于给采样过程加了一条排除边界，不是删除，是降权。

理解这个区别很重要，因为它决定了负面提示词该怎么写、写多少有用。

什么时候需要写

主要看你用的是哪一类模型。传统扩散模型（Stable Diffusion这类，界面里有单独negative prompt输入框的）非常依赖负面提示词，因为它们对"不要什么"这件事本身没有天然的语言理解能力，全靠这个字段硬压概率。

指令理解型的模型（比如GPT绘图、Nano Banana这类走自然语言理解路线的）情况不一样。它们更接近"你把要求说清楚，它就照做"，负面提示词在这类模型里作用有限，有时候写太多负面描述反而会被模型当成"画面里出现了这些元素"的提示，适得其反。约等于——你越强调"不要红色"，它反而更容易往红色上靠。

所以判断标准很简单：界面上有没有独立的negative prompt输入框。有,就按老规矩写;没有,就把要求写进正常描述里，比如直接说"干净背景，无杂物"，别单独否定。

常用负面词清单

这份清单按场景分,不是照抄全部,按需要取用:

• 人像通用：多余手指、变形肢体、模糊五官、眼神呆滞、皮肤过度磨皮
• 画质相关：低分辨率、噪点、压缩伪影、过曝、欠曝
• 构图相关：裁切不当、主体偏移、多余边框、水印、文字
• 风格污染：卡通化（当你要写实风时）、油腻滤镜感、过度饱和

对比一下就能看出规律：负面提示词大多是在解决"模型倾向性错误"，而不是审美问题。手指崩坏、多余肢体是生成模型的老毛病,这类词放负面提示词里效果稳定;但"丑""不好看"这种主观词放进去基本没用,模型没法把"丑"翻译成具体的像素调整方向。

关于手部问题,单独写了一篇手指崩坏的实用解法,比负面提示词更对症。

什么时候不需要写

三种情况可以直接跳过负面提示词:

• 用的是走自然语言理解路线的新模型,把要求正面说清楚就够了
• 生成头像这类小尺寸、构图简单的图,出错概率本来就低,加负面提示词性价比不高
• 已经用参考图做图生图的情况,画面结构被参考图锁定了,负面提示词能纠正的空间本来就小

约等于一个工程判断:负面提示词的收益和生成任务的自由度成正比。自由度越高（纯文生图、无参考、复杂场景），负面提示词权重越大；自由度被参考图或详细描述锁死了，负面提示词的边际效果趋近于零。

一个实际对比

同样一句人像提示词，加不加负面提示词的差异，在复杂姿势场景下最明显。比如"多人合影"这种任务,不加负面提示词,肢体重叠出错概率高;加上"多余肢体、手指融合、面部重叠"这几条,出错率能压下去一截。但如果是单人正面半身像,加不加负面提示词几乎看不出差别——本来出错概率就低。

结论就一句话:负面提示词是用来对付模型已知的系统性弱点的,不是用来表达审美偏好的。搞清楚这条边界，写起来就不会瞎堆词了。想直接上手试,首页有[提示词工具入口](/)。