Stable Diffusion负面提示词用法：三步排除不良元素

如果使用Stable Diffusion生成图片时，频繁出现肢体扭曲、五官模糊等问题，主要原因通常是负面提示词的设置不够合理。建议大家通过基础组合、分层添加、权重调节、结合LoRA或Embedding以及适配模型特性这五种主流方法来优化Negative Prompt的使用。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

在使用 Stable Diffusion 时，假如你生成的图像中多次出现肢体畸形、五官不清、多出手臂或纹理质量低下等不理想的元素，那很可能是因为你在负面提示词（Negative Prompt）的设置上有所疏漏或不够到位。接下来，我们来详细探讨几种针对排除不良元素的具体写作方法和应用技巧。

一、基础负面提示词组合写法

这个方法是通过直接列出常见的缺陷类型，利用模型对预训练语义的理解来抑制对应特征的生成。在采样过程中，Stable Diffusion 会主动降低包含这些关键词的潜在表现概率。

1. 在 WebUI 界面的 Negative prompt 输入框中，粘贴以下标准组合：

2. 请确保该文本完全位于 Negative prompt 栏内，切勿和正面提示词混入同一个输入框。

3. 点击生成按钮前，确认采样步数不低于 20，CFG Scale 取值在 7 到 12 之间，以确保负面词权重能够有效发挥作用。

二、按缺陷类别分层添加负面词

这个方法将不良元素划分为结构、质量、风格三大类别，分别注入对应负面词，避免单一长串导致语义稀疏或权重失衡。

1. 结构类缺陷：输入 mutated hands, extra fingers, missing fingers, fused fingers, too many fingers, malformed limbs, disconnected limbs, long neck, bad anatomy

2. 质量类缺陷：输入 blurry, lowres, jpeg artifacts, deformed iris, deformed pupils, text, watermark, signature, username

3. 风格干扰类：输入 3d render, cgi, cartoon, sketch, painting, drawing, anime, doll, plastic, fake

三、使用权重调节强化特定抑制项

这个方法借助括号语法调整个别负面词的抑制强度，让模型更严格地规避高风险缺陷，尤其适用于手部、面部等易出错区域。

1. 在 Negative prompt 中写入：(deformed hands:1.3), (fused fingers:1.4), (bad anatomy:1.2)

2. 括号内数值超过 1.0 表示增强抑制，建议增幅控制在 1.2 到 1.5 范围内，避免过度压制导致画面僵硬。

3. 切忌对整段负面词统一加权，例如 ((mutated hands, extra fingers):1.4) 属于无效语法，会被系统忽略。

四、结合 LoRA 或 Embedding 进行动态负面控制

这个方法调用外部微调模型或嵌入向量，在生成流程中实时识别并削弱特定不良模式，比纯文本提示更为稳定可靠。

1. 下载已训练好的 negative embedding 文件（如 bad-hands-5.pt），放入 WebUI 的 embeddings 文件夹。

2. 在 Negative prompt 中直接输入触发名：bad-hands-5，无需加引号或括号。

3. 若同时启用多个 embedding，各名称间用英文逗号分隔，例如：bad-hands-5, easynegative

五、动态适配模型版本的负面词微调策略

不同的基础模型（如 SDXL、RealisticVision、DreamShaper）对负面词的响应敏感度差异显著，需要依据模型特性调整关键词密度与顺序。

1. 对 SDXL 模型：前置放置 low quality, worst quality, normal quality，因为其对质量类词汇响应优先级更高。

2. 对写实系模型（如 RealisticVision）：必须加入 cartoon, 3d, render, cgi，否则易生成半卡通化失真效果。

3. 对二次元模型（如 AnythingV5）：应弱化 anatomy 类词汇，重点添加 disfigured, mutated, malformed 等抽象变形词。