你在负向提示词里仔细列了”blurry, low quality, text, watermark, extra fingers, deformed hands, jpeg artifacts”。出图回来 T 恤上有字，角落里隐约有水印，手是六根指头。看起来负向提示词被丢掉了。有时候确实丢了——API 客户端就没传过去。但更常见的是：模型在解析它，只是你要否定的概念在底模权重里太牢固，或在你的正向提示词里被反向召唤了，负向推不动。把负向提示词当成众多工具之一，不要当万能橡皮擦。
常见原因
按真实管线里的出现频率排序。
1. 负向提示词压根没到模型
在 API 调用里这是最常见的——根据服务商，字段名是 negative_prompt、neg_prompt、unconditional_prompt，写错一个字符就传成空串。UI 在某些 workflow 下也会悄悄丢掉这个字段（比如某些 Comfy 节点的 img2img）。
如何识别：把发出的请求体打印出来。如果 negative_prompt 缺失或为空字符串，模型从未看到它。
2. CFG 太低，负向咬不住
CFG 控制模型多大程度上往正向推、多大程度上远离负向。CFG 4-5 时负向作用弱；7-9 才咬；12 以上会矫枉过正成丑陋伪影。
如何识别：保持负向不变，把 CFG 调到 8 重跑。如果不想要的元素消失了，低 CFG 就是元凶。
3. 正向提示词正在召唤你想否定的东西
如果正向里写了”杂志封面”，模型一定会出字——负向里写”text”是在和整个正向开战。负向提示词无法克服正向内部的矛盾。
如何识别：把正向提示词通读一遍，问自己”一个一根筋的模型会不会理解为要加上这个东西？“若是，先修正向。
4. 模型对该概念过度训练
某些 checkpoint（尤其是写实微调）训练集里塞满了带水印的图库照片。负向能微调但克服不了硬编码的偏见。
如何识别：完全空正向 + 满负向出图。如果水印还在，是底模的锅。
5. 负向太长被截断
CLIP 的 token 上限是 77（约 60 词）。过长的负向被切断在某个 token 中间。77 之后的 token 被静默丢弃——可能恰好包含你最在意的那个概念。
如何识别：用 CLIP tokenizer 数 token 数。如果 > 77 就尾巴被吃了。
6. token 权重语法和平台不匹配
(blurry:1.4) 在 AUTOMATIC1111 能跑，原生 Diffusers 不能。[blurry:1.4] 在不同 UI 里又有不同语义。语法错误意味着解析器看到的是乱码，权重没生效。
如何识别：先用裸词测试，不带括号和权重。裸词能用而带权重不行，就是语法问题。
7. SDXL refiner 把底模刚刚去掉的东西又加回来
SDXL 是 base + refiner 两阶段管线。如果负向只传给 base 没传 refiner，refiner 可能在干净底图上再加细节（包括类似水印的噪声）。
如何识别：只跑 base（关掉 refiner）对比。base 干净、refined 脏 = refiner 的问题。
开始前准备
- 保留一张”坏图”，记下确切的正向 + 负向字符串和所有参数。
- 确认你用的 API 或 UI 是否支持负向提示词（一些基础服务商不支持）。
- 决定哪个不想要的元素最重要——一次一个比同时干掉所有要快。
需要收集的信息
- 完整正向和负向提示词字符串（从请求日志里复制，不要靠记忆）。
- CFG、采样器、模型名、模型版本。
- 两段提示词的 token 数（用 CLIP tokenizer）。
- 你跑的是 base only、refiner only 还是双阶段。
- 你的客户端用的具体字段名（
negative_prompt还是neg_prompt还是其它）。
一步步修复
按 ROI 排序。
步骤 1：确认负向真的被发出去
打印发出的请求体：
import json
print(json.dumps(payload, indent=2))或用 curl：
curl -v -X POST $API_URL \
-H "Authorization: Bearer $KEY" \
-d '{"prompt": "...", "negative_prompt": "blurry, text, watermark", "cfg_scale": 7.5}'如果 negative_prompt 键缺失，改字段名。一半”负向无效”工单到这里就解决了。
步骤 2：提高 CFG 重测
试 CFG 8.0，再试 9.5。注意过度矫正（色彩寡淡、边缘过焦），但如果 CFG 8 让不想要的元素消失了，低 CFG 就是原因。
{"cfg_scale": 8.5}步骤 3：修正向，别再召唤不想要的东西
如果你写了”工作室人像，杂志封面级，时尚大片”再负向”no text”，等于自己跟自己打架。重写：
正向：studio portrait, soft rim light, neutral grey backdrop, plain background
负向：text, watermark, signature, letters, logo一个干净的正向比一个着急的负向更有用。
步骤 4：把负向裁到 60 token 以下
顺序有讲究——把最重要的拒绝放最前。77 之后的 token 被丢弃。
负向：text, watermark, extra fingers, deformed hands, blurry, low quality像”ugly”、“bad”、“weird”这种低价值通用词砍掉，它们少有帮助还挤掉具体 token。
步骤 5：用平台正确的权重语法
AUTOMATIC1111 / ComfyUI / InvokeAI：
(watermark:1.5), (text:1.4), (extra fingers:1.3), blurry, deformed原生 Diffusers 想要权重要靠 compel 或 prompt-weighting 中间件。没有这些中间件，括号就是噪声。
步骤 6：换 checkpoint，如果概念已被过度训练
如果一个图库照微调过的 checkpoint 总是出水印，换一个数据更干净的（一个 “photo-real-clean” 变体，或没图库微调的 SDXL 底模）。相关：AI 图像水印残留。
步骤 7：负向同时传给 base 和 refiner（SDXL）
SDXL 管线里，确认 refiner 阶段也收到了负向：
image = pipe(
prompt=pos,
negative_prompt=neg,
).images[0]
image = refiner(
prompt=pos,
negative_prompt=neg,
image=image,
).images[0]很多教程忘了在 refiner 调用里写 negative_prompt——默认空就会把坏内容加回来。
验证
- 用修正后的提示词出 4 张一组的图。不想要的元素应该在 4 张里都不见或很罕见。
- 把负向清空再出图，确认不想要的元素回来了。证明负向是有用的。
- 跑一组极端配置（CFG 12、最大权重）确认模型能彻底压制该元素——你不会用这个配置出片，但能证明杠杆有效。
长期预防
- 为每个 checkpoint 维护一套测试过的负向词库。在 SDXL base 上有用的，到 Flux 上不一定有用。
- 把正向 + 负向 + CFG + 采样器 + checkpoint 一起记日志。负向失效时，可以从已知好配置二分定位。
- 先修正向。负向是修正器不是改写器。
- 负向控制在 60 token 内；最关键的拒绝放进前 20 个 token。
- 自定义管线里在 CI 里校验请求体——断言
negative_prompt存在且非空。 - 换 checkpoint 版本后重新测试你的负向词库。
常见坑
- 把负向当愿望清单，塞 200 词。尾巴会被丢弃。
- 在负向里写”no text”——模型把”no”和”text”当独立概念，“text”才是被注册的那个。直接写你拒绝的概念。
- 在不解析 AUTOMATIC1111 权重语法的原生 Diffusers 脚本里用了那套语法。
- 忘了托管服务商可能去掉或重映射字段。查文档。
- CFG 拉到 15+ 暴力压制——出图会过焦寡淡。不如修正向或换 checkpoint。
- 以为负向能修一切。结构性问题用 参考图 或 ControlNet，负向修不了。
FAQ
Q：是不是该默认就用一长串负向？
不。从论坛抄来的默认负向常常自相矛盾或浪费 token。用一个简短、针对你 checkpoint 实际问题的负向。
Q：我的正向很短很干净，模型还是会加字。怎么办？
试不同的 checkpoint。一些写实微调把水印 / 字深度烙在模型里，没有负向能完全去掉。
Q：能给负向写个正则或模板吗？
把负向当 checklist：按 checkpoint、按风格。没有通用正则。保存 3-4 个命名 preset（“portrait-clean”、“product-clean”、“anime-clean”）复用。
Q：Flux 对负向的尊重程度一样吗？
Flux 和负向的关系是另一回事——很多 Flux 变体完全无视它。改用正向和 CFG 调节，或换文档明确支持负向的模型。