負面提示詞怎麼寫：常用清單與原理

先定義清楚：negative prompt不是"反義詞提示詞"，是告訴模型"這些方向的機率權重往下壓一點"。約等於給取樣過程加了一條排除邊界，不是刪除，是降權。

理解這個區別很重要，因為它決定了負面提示詞該怎麼寫、寫多少有用。

什麼時候需要寫

主要看你用的是哪一類模型。傳統擴散模型（Stable Diffusion這類，介面裡有單獨negative prompt輸入框的）非常依賴負面提示詞，因為它們對"不要什麼"這件事本身沒有天然的語言理解能力，全靠這個欄位硬壓機率。

指令理解型的模型（比如GPT繪圖、Nano Banana這類走自然語言理解路線的）情況不一樣。它們更接近"你把要求說清楚，它就照做"，負面提示詞在這類模型裡作用有限，有時候寫太多負面描述反而會被模型當成"畫面裡出現了這些元素"的提示，適得其反。約等於——你越強調"不要紅色"，它反而更容易往紅色上靠。

所以判斷標準很簡單：介面上有沒有獨立的negative prompt輸入框。有,就按老規矩寫;沒有,就把要求寫進正常描述裡，比如直接說"乾淨背景，無雜物"，別單獨否定。

常用負面詞清單

這份清單按場景分,不是照抄全部,按需要取用:

• 人像通用：多餘手指、變形肢體、模糊五官、眼神呆滯、皮膚過度磨皮
• 畫質相關：低解析度、噪點、壓縮偽影、過曝、欠曝
• 構圖相關：裁切不當、主體偏移、多餘邊框、水印、文字
• 風格汙染：卡通化（當你要寫實風時）、油膩濾鏡感、過度飽和

對比一下就能看出規律：負面提示詞大多是在解決"模型傾向性錯誤"，而不是審美問題。手指崩壞、多餘肢體是生成模型的老毛病,這類詞放負面提示詞裡效果穩定;但"醜""不好看"這種主觀詞放進去基本沒用,模型沒法把"醜"翻譯成具體的畫素調整方向。

關於手部問題,單獨寫了一篇手指崩壞的實用解法,比負面提示詞更對症。

什麼時候不需要寫

三種情況可以直接跳過負面提示詞:

• 用的是走自然語言理解路線的新模型,把要求正面說清楚就夠了
• 生成頭像這類小尺寸、構圖簡單的圖,出錯機率本來就低,加負面提示詞價效比不高
• 已經用參考圖做圖生圖的情況,畫面結構被參考圖鎖定了,負面提示詞能糾正的空間本來就小

約等於一個工程判斷:負面提示詞的收益和生成任務的自由度成正比。自由度越高（純文生圖、無參考、複雜場景），負面提示詞權重越大；自由度被參考圖或詳細描述鎖死了，負面提示詞的邊際效果趨近於零。

一個實際對比

同樣一句人像提示詞，加不加負面提示詞的差異，在複雜姿勢場景下最明顯。比如"多人合影"這種任務,不加負面提示詞,肢體重疊出錯機率高;加上"多餘肢體、手指融合、面部重疊"這幾條,出錯率能壓下去一截。但如果是單人正面半身像,加不加負面提示詞幾乎看不出差別——本來出錯機率就低。

結論就一句話:負面提示詞是用來對付模型已知的系統性弱點的,不是用來表達審美偏好的。搞清楚這條邊界，寫起來就不會瞎堆詞了。想直接上手試,首頁有提示詞工具入口。