负面提示词并不是一种后期修复工具，而是在采样阶段就参与计算的反向条件。Stable Diffusion系列模型在每一步去噪时都会同时接收正向条件与负向条件，正向条件把图像内容推向提示词描述的方向，负向条件则把图像内容推离这些不希望出现的特征。当模型生成人物手部时，由于训练数据中手部占比小、姿态变化多、遮挡频繁，模型很难在没有额外约束的情况下稳定输出五根手指和正确关节。加入extra fingers、mutated hands等负向词后，无分类器引导会在候选图像中压低含有这些特征的采样路径，从而让最终画面更少出现六指或手指粘连。
不过要理解它的上限：负面提示词只是抑制特征表达，并不能真正让模型理解解剖学。它不会凭空给手掌补上正确骨骼，也不会主动纠正透视。它能做的是降低错误结构的出现概率，给正向描述腾出更干净的生成空间。因此在实际操作中，通常需要把正面手部描述和负面手部词搭配使用，例如正面写perfect hands, five fingers, detailed fingers，负面写extra fingers, missing fingers, fused fingers。两者方向相反但并不冲突，正负引导叠加后，模型对手部结构的约束会明显增强。
一、负面提示词为什么能抑制多余手指和肢体
扩散模型在训练完成后，文本编码器会把提示词映射成向量，然后通过交叉注意力机制影响UNet的每个去噪步骤。采样器从一个接近纯噪声的潜空间图像开始，逐步预测并减去噪声。正向提示词提供希望出现的特征，负向提示词则提供希望避免的特征。像extra limbs、duplicate arms这类词进入文本编码器后，会得到与肢体数量异常相关的特征向量。在无分类器引导计算中，模型会放大正向条件与无条件输出之间的差异，同时减去负向条件带来的方向偏移。这个机制使得生成结果在迭代早期就避开多条手臂、多余手指等高概率错误。
手部畸变之所以顽固，部分原因在于基础模型对局部结构缺乏强约束。人物全身图中手部像素占比很小，但手指数量、关节方向和比例又高度结构化，模型更容易输出一个看起来像手但细节错误的图案。负向提示词并不能改变训练数据分布，但可以在采样空间中划出一片低概率区域。换句话说，它把本来可能出现的错误手型从候选结果中排除，让采样路径更容易落到正确手型附近。这个效果在手部占比越大时越明显，所以半身像和特写中使用负向提示词往往比全身像更稳定。
还需要注意，负向提示词必须与正向提示词保持语义一致。比如正面写了一个穿着盔甲的战士，负面却同时抑制armor，就会产生互相拉扯的引导，导致画面细节混乱。在手部修复场景中，正面既然写了holding a sword，负面就不要写会削弱武器或手部交互的词。应当只针对结构异常本身，例如mutated hands、bad anatomy，而不是模糊地写bad quality。后者虽然也是常见负向词，但对局部畸变的针对性不够强。
二、手部与肢体负面提示词组合
针对多余手指，最常用的负向词包括extra fingers、too many fingers、fused fingers、missing fingers、deformed hands、mutated hands。针对多余肢体，可以加入extra limbs、extra arms、extra legs、duplicate limbs、multiple arms。如果生成图经常出现肢体穿过身体、上下半身分离，还可以补上bad anatomy、disfigured body。这些词不需要逐个写成长句，直接以逗号分隔放在负面提示词输入框即可。下面是一组可以直接复制的基础组合：
extra fingers, too many fingers, fused fingers, missing fingers, deformed hands, mutated hands, extra limbs, extra arms, extra legs, duplicate limbs, multiple arms, bad anatomy, disfigured body
这组词并不需要全部保留，通常保留6到10个已经足够。过多堆叠会让负面提示词之间产生权重稀释，还可能导致模型把正常的手部细节也一并压掉。例如disfigured body范围较宽，如果权重过高，角色肌肉线条可能变得平滑僵硬。建议先使用基础组合生成4到8张图，观察错误类型。如果六指仍然频繁出现，就提高extra fingers与mutated hands的权重；如果只是偶尔出现手指粘连，可以降低总词量，避免过度抑制。
权重控制可以使用WebUI中的括号语法，例如(extra fingers:1.3)表示把该词的引导强度提高到1.3倍。也可以写作((extra fingers))，每层括号约增加10%权重。对于手部问题特别严重的场景，建议把mutated hands和extra fingers放在负面提示词最前面，因为越靠前的词在部分实现中会获得更高的注意力。实际测试时，先把这两个词权重设为1.2到1.4，其余词保持默认，会比全部拉满更不容易出现色彩发灰或背景崩坏。
除了提示词本身，采样步数和CFG也会影响负面提示词的表现。CFG过高时，负面引导会变得过于激进，画面对比度上升、细节变硬，手部虽然可能不再多指，但会出现新的畸形，比如手指像金属片一样扁平。通常CFG控制在6到9之间，配合25到40步采样就能获得比较稳定的手部结构。部分采样器如DPM++ 2M Karras对手部和负面词的响应更平滑，Euler a则可能在步数低时产生更多随机畸变，需要根据底模做小范围测试。
三、五官畸变的负面提示词与局部重绘
面部畸变通常表现为左右眼大小不一致、眼球方向错乱、鼻梁偏移、嘴巴歪斜或出现多余的五官。针对这些问题，可以在负面提示词中加入deformed face、distorted face、asymmetric face、extra eyes、deformed eyes、crossed eyes、bad mouth、bad lips、poorly drawn face。下面是一组针对面部的负面提示词：
deformed face, distorted face, asymmetric face, extra eyes, deformed eyes, crossed eyes, bad mouth, bad lips, poorly drawn face
但仅靠全局负面提示词修复面部，效果常常不如局部重绘稳定。原因是面部区域在全图采样中只占很小一部分，模型分配到的注意力有限，负面词虽然能抑制畸变，却无法保证五官比例完全正确。更可靠的做法分两步：第一步用较低分辨率生成整体构图，检查姿态和大结构；第二步使用局部重绘或ADetailer类插件，只对面部区域重新采样。在局部重绘时，负面提示词只作用于被遮罩区域，对面部畸变的抑制会集中很多。此时可以把deformed face和asymmetric face权重提到1.3，同时把重绘幅度控制在0.45到0.6之间，避免整张脸变化过大。
对于眼睛问题特别顽固的情况，可以在正面提示词中加强symmetric eyes, clear eyes，负面使用crossed eyes, extra eyes, deformed eyes。注意不要使用语义过于宽泛的词，例如ugly、bad，它们对面部结构的指向性很弱，还可能让皮肤质感变差。更好的策略是把负向词控制在结构层面，而不是审美层面。审美层面的修正可以交给正面提示词中的风格描述来完成。
如果使用LoRA模型来固定角色脸型，负面提示词需要与LoRA的训练标记配合。某些角色LoRA在训练时已经包含面部结构先验，此时过度抑制deformed face可能会和LoRA的正面特征冲突，导致五官变形。建议先关闭负面词生成基线，再逐个加入观察变化。尤其是权重超过1.4的词，需要单独测试。否则很容易出现脸部虽然对称了，但眼睛形状完全不像角色原本设定的情况。
四、调参顺序、嵌入文件与常见误区
负面提示词的调参最好遵循从少到多、从宽到窄的顺序。第一步只加入质量类词，例如low quality, blurry, bad anatomy；第二步针对手部加入extra fingers, mutated hands；第三步再根据结果决定是否加入extra limbs或面部词。每次只改变一到两个变量，能更快定位是哪一组词在起作用。很多人习惯一次性粘贴几十个负面词，结果画面虽然不出现六指，但人物表情死板、服装细节变少，反而更难判断问题来源。
嵌入文件也是提高效率的重要工具。像EasyNegative、bad-hands-5这类文本嵌入包含了大量负面特征，可以替代一部分手动提示词。使用时需要把下载好的嵌入文件放入对应目录，然后在负面提示词中直接写嵌入名称。嵌入并不神秘，它本质上是一组经过训练的文本向量，能比手写关键词更紧凑地表达负面概念。但其效果仍受底模和采样器影响，不能当作万能开关。有的底模对嵌入响应明显，有的则几乎无变化，因此嵌入和手写词可以组合使用，不必二选一。
一个常见误区是认为负面提示词越多越好，或者认为只要手部错误消失就说明参数合理。其实负面提示词挤压的是采样空间，词量增加后模型的自由发挥空间变小，画面容易出现复制粘贴感。另一个误区是在全身图中只依赖extra fingers来修复手部。全身图中手部分辨率很低，单个负面词的引导信号可能淹没在背景噪声中。更好的做法是提升基础分辨率，或者使用高分修复和局部重绘。高分修复能把潜空间图像放大后重新采样，增加手部和面部的有效像素，让负面提示词有了更明确的局部结构可以作用。
如果经过多轮调整仍然无法获得满意的结果，可以尝试用XYZ脚本对比不同CFG、采样器和负面词组合。把X轴设为CFG的多个值，Y轴设为两组不同的负面提示词，生成图表后能直观看到哪些参数组合对手部结构最友好。这种系统测试比盲目抽卡更节省时间，也能帮助积累自己底模的调参经验。最终目标不是找到一条通用负面提示词，而是建立一套针对自己常用模型和工作流的稳定参数范围。
Negative PromptAI绘画多余手指修改时间：2026-09-18 05:04:23