ai反向提示词怎么写？负面词不是越多越好

ai反向提示词怎么写，很多人第一步是去搜一份「万能负面词表」，整段复制塞进负面框。我以前也这么干，总觉得排得越多越保险。2026年3月做完一场对照实验，这个习惯被我彻底扔了。

实验本身不复杂。正面提示词固定成一条：窗边打盹的橘猫、木纹桌面、午后暖光、扁平插画风格。负面词分三档——5 个、15 个、30 个，采样器、步数、CFG、种子区间全部锁死，每组跑 20 张，一共 60 张图摊在一起挑。可用标准只有一条：猫的形态、构图、画风都到位，能直接进稿。一正一反怎么分工，正向提示词和反向提示词的搭配写法里拆过，本篇只盯负面词这一半。

ai反向提示词配多少个？三组结果摆在一起

负面词配 5 个可用 13 张，15 个升到 14 张，30 个反而掉到 11 张，画风还整体跑偏了一档。三组的具体配置先交代清楚。A 组 5 个词，全是画质保底：lowres、bad anatomy、worst quality、low quality、blurry。B 组在 A 的基础上加了 10 个，覆盖手部崩坏、水印、文字、肢体重复这类真实出现过的毛病。C 组继续堆到 30 个，把网上词表里常见的丑化词、畸变词、风格隔离词一股脑塞了进去。

单看可用张数，B 组只比 A 组多救回 1 张，主要压住了手部崩坏。真正出事的是 C 组。那 30 个词里混着 cartoon、anime、3d render 这类风格隔离词，本意是挡住走形，结果模型把我正面要的扁平插画一起挡了——猫毛越出越厚，光越打越油，整组往写实方向漂。把三组图混在一起，C 组闭着眼都能认出来。挺离谱的。

负面词打架的现场，比数字更直观

打架的典型样子是：排掉缺陷的同时，把正面提示词要的东西一起排掉，画面空一块或者换气质。最典型的一次在2026年3月12日晚。我想让猫稳稳趴在桌面，往 C 组里加了 standing，结果 20 张里 9 张干脆只剩一颗猫头搁在桌上，身体整个没了。模型把「排除站立」理解成了「姿态收敛」，一杆子打翻一片。

类似的暗坑还有三个。fuzzy 本来排模糊，猫偏偏要毛茸茸，加了它，C 组的猫毛全变成顺滑的塑料感；text 排乱码没问题，可画面角落那块手写菜单黑板也一并消失，构图塌了一角；cropped 想防裁切，模型反而把镜头拉远，桌上凭空多出一堆杂物来填空。说实话，这三条都是我对着废图一格格翻出来的，不看图根本想不到。

话说回来，有一阵我连 ugly、morbid 都挂进清单，翻记录才发现这两个词在我的模型上压根没触发过，纯占位置。写负面词跟写正面词是一个道理：得对着自己的图说话，不能对着别人的词表说话。

三步把 30 个词删到 12 个

先按崩坏类型把清单分组，每组只留真见过的词，再用固定种子逐条验证，三十天没触发的直接删。第一步，摊开分类。画质类（lowres、jpeg artifacts）、结构类（bad hands、extra fingers）、内容类（text、watermark）、画风类（cartoon、3d render）分成四堆，每一堆只留最近两周在废图里真见过的词，其余移出去备用。

第二步，逐条验证。删一个词，固定种子跑六张，和删除前对着看。画面没变化，说明这个词在当前模型上根本没被触发过，白占位置。我试了下把 long body 删掉，六张图一张没差，当场除名。

第三步，定期归因。每两周把废图翻一遍，问自己一句：这张是哪个词没排住？缺了才加，其余不动。哪些词该排前面、哪些容易互相抵消，反向提示词的优先级排法里按场景拆得更细，可以照着排。走完这三步，我的日常清单稳定在 12 个上下，整段复制的词表再也没回去用过。

那 60 张图我还留在硬盘里，隔一阵翻出来看一眼，比任何提醒都管用。手痒想整段复制词表的时候，就想想 C 组那 9 张画风跑偏的橘猫。ai反向提示词要写的从来不是多，是准——每一条都有废图撑腰，画面才肯听你的。

常见问题

负面词写中文还是英文？

主流文生图模型的训练语料以英文为主，中文负面词经常被当成要现翻的噪声，权重不稳。清单统一用英文写，个别中文特有的概念再考虑双语并写，并写占位置，别超过一两条。

负面词可以像正向词那样加权重吗？

SD 系语法里能用括号加重，但我的建议是先用删词解决打架，加权放在最后。负面词权重一高，画风偏移来得比正向词猛，2026年3月实验里 C 组的跑偏就有这个成分。

Midjourney 没有负面词框，怎么排除元素？

MJ 用 --no 参数，写法不同，取舍逻辑一样：一次两三个词，只排真正出现过的东西，堆多了照样会把想要的内容挤掉。

新一代模型还需要配负面词吗？

部分新架构对负面词的响应明显变弱，有的模型文档干脆建议不挂长清单。基础那 5 个画质词值得保留，画风类负面词在任何模型上都建议慎用。

延伸阅读

用 MJ 排除元素的话，--no 参数的取舍逻辑单独整理过一轮，和本篇的减法思路能接上。