若stable diffusion生成图像出现畸形肢体、模糊五官等问题，主因是负面提示词未合理设置；需采用基础组合、分层添加、权重调节、lora/embedding协同及模型适配五类方法优化negative prompt。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您在使用 Stable Diffusion 生成图像时发现画面中频繁出现畸形肢体、模糊五官、多余肢体或低质量纹理等不良元素，则很可能是负面提示词（Negative Prompt）未合理设置或缺失。以下是针对排除不良元素的多种具体写法与应用方式：
一、基础负面提示词组合写法
该方法通过直接列举常见缺陷类型，利用模型对预训练语义的理解抑制对应特征生成。Stable Diffusion 在采样过程中会降低包含这些关键词的潜在表示概率。
1、在 WebUI 界面的 Negative prompt 输入框中，粘贴以下标准组合：
2、确保该文本完全位于 Negative prompt 栏内，且不与正面提示词混入同一输入框。
3、点击生成按钮前，确认采样步数不低于 20，CFG Scale 值介于 7–12 之间，以保障负面词权重有效生效。
二、按缺陷类别分层添加负面词
该方法将不良元素划分为结构、质量、风格三类，分别注入对应负面词，避免单一长串导致语义稀释或权重失衡。
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
该方法借助括号语法调整个别负面词的抑制强度，使模型更严格规避高风险缺陷，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 1.2–1.5 范围内，避免过度压制导致画面僵硬。
3、不可对整段负面词统一加权，如 ((mutated hands, extra fingers):1.4) 属无效语法，将被忽略。
四、结合 LoRA 或 Embedding 进行动态负面控制
该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
不同基础模型（如 SDXL、RealisticVision、DreamShaper）对负面词响应敏感度差异显著，需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。
