核心要点
作用：指定「不想出现」的内容（如模糊、多余手指、水印、低质量），引导模型避开这些特征。
原理：在无分类器引导（CFG）中，负向提示替代/影响无条件分支，采样朝远离这些特征的方向更新。
常见用法：填入通用质量负面词（lowres、blurry、bad anatomy 等）提升整体画质。
与正向提示配合，并受引导强度（CFG scale）影响，过强会过饱和或失真。
标准回答
什么是负向提示
负向提示（Negative Prompt）用于告诉文生图模型「不想要什么」，例如模糊、低分辨率、多余手指、水印、畸形等。它和正向提示一起作用，帮助模型避开不想要的特征，从而提升画质与可控性。
工作原理
主流扩散模型用无分类器引导（Classifier-Free Guidance, CFG）：每步同时算「有条件」（按正向提示）和「无条件」两条预测，再朝二者之差的方向放大引导。负向提示的作用是替代/影响那条无条件（或负条件）分支——把负面特征当作要「远离」的参照，使采样朝远离这些内容的方向更新，相当于在生成中主动抑制它们。
实践要点
- 常把一组通用负面词（如 lowres、blurry、bad anatomy）作为默认负向提示提升基础画质。
- 效果受引导强度（CFG scale）影响：太弱抑制不明显，太强易过饱和、失真。
- 负向提示也可针对性使用，比如明确排除某种风格或元素。
更多原理见 Stable Diffusion 从原理到实战。
常见误区
⚠️ 常见踩坑
负向提示不是「魔法过滤器」：堆砌大量负面词不一定更好，可能过度抑制导致画面僵硬或偏色。它也主要适用于扩散类文生图，和纯文本 LLM 的「禁止类指令」机制完全不同。
追问
追问 1：负向提示和无分类器引导（CFG）是什么关系？
CFG 通过对比有条件与无条件预测来放大对提示的遵循。负向提示本质是把「无条件/负条件」那一分支替换为你不想要的内容，于是引导方向变成「靠近正向、远离负向」，从而在生成过程中主动抑制负面特征。
追问 2：文本 LLM 里能用「负向提示」吗？
LLM 没有 CFG 那种无条件分支机制，所谓负向更像是在指令里写「不要做 X」。但实践中模型对否定指令遵循不稳，更有效的是正面说明「应该怎么做」、给出期望格式与示例，而非单纯罗列禁止项。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。