LibLibAI图像畸变主因是负向提示词缺失、模糊或权重不当；需确认模型是否支持CLIP、按标准前缀构建token≤24的精准描述、分主题嵌入高危指令、用括号加权关键项并前置，最后通过A/B测试迭代优化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用LibLibAI生成图像时出现肢体畸变、画面模糊、结构错乱或不希望的元素干扰，则很可能是负向提示词缺失、表述模糊或权重配置不当所致。以下是针对LibLibAI平台（含2.0及3.0系列模型）的负向提示词配置实操方法：
一、明确负向提示词的核心作用
负向提示词用于主动排除图像中不应出现的视觉特征，其本质是向模型文本编码器发送“抑制信号”，引导扩散过程避开特定语义空间。它不是简单罗列“不要什么”，而是需匹配模型对缺陷形态的识别逻辑。
1、确认当前所用CHECKPOINT是否支持CLIP文本引导机制：基础通用型与多数LoRA插件均依赖CLIP，但部分复古风格或故障艺术类模型（如“秽墟”“失控代码”）标注“无需负向提示词”，此时强行添加反而导致异常。
2、检查模型页面的“参数说明”栏：若注明“推荐启用Negative Prompt”或列出典型崩坏项（如bad hands、lowres），则必须配置；若标注“negative prompt disabled”或“no negative required”，则留空即可。
3、避免将中文否定词直译为英文后堆砌：例如“不要手残”不可写作“don’t have deformed hands”，而应采用标准否定前缀+解剖级描述，如“no deformed hands, no extra fingers, no fused fingers”。
二、构建符合LibLibAI解析逻辑的负向提示词
LibLibAI文本编码器对负向提示词的敏感度高度依赖token结构与语义粒度。无效的负向词常因语法松散、层级混乱或超出token容量限制（建议≤24个英文token）而被降权或忽略。
1、统一使用标准否定前缀：仅采用no、not、without、non-、un-、anti-等CLIP可识别词根，禁用avoid、exclude、ignore、prohibit等非标准动词形式。
2、按优先级降序排列缺陷类型：人体结构错误（如asymmetrical eyes、floating limbs）＞空间逻辑冲突（如impossible architecture、inconsistent perspective）＞材质异常（如plastic skin、waxy texture）＞光影失真（如flat lighting、no shadow）＞文本/Logo畸变（如text on face、watermark）。
3、绑定具体视觉缺陷形态：每项必须对应可识别的图像错误，例如“no duplicated heads”而非“no mistakes”，“no missing limbs”而非“no incomplete body”。
三、分主题适配高危负向指令集
不同生成主题存在专属崩坏高发区，通用负向词库易引发过度抑制，导致画面僵硬或风格偏移。需根据正向提示词主体类型嵌入针对性排除指令。
1、人物类图像：no deformed hands, no fused fingers, no asymmetrical eyes, no floating limbs, no unnatural joint bending, no plastic skin texture, no duplicated heads, no extra limbs
2、建筑/城市类图像：no impossible architecture, no gravity-defying structures, no inconsistent perspective lines, no floating windows, no mismatched brick patterns, no warped facades
3、超现实/概念类图像：no random object insertion, no unexplained light sources, no contradictory physics labels, no unlabeled paradox elements, no floating text fragments
4、动物/生物类图像：no hybrid anatomy, no extra limbs, no inverted skeletal structure, no translucent organs visible through fur, no static gaze in moving subject, no malformed snout
四、调整负向提示词权重与位置策略
LibLibAI默认对负向提示词整体赋予固定衰减权重（通常为1.0–1.3），但可通过括号语法实现局部强化，强制模型在关键缺陷维度上提升抑制强度。
1、对高频崩坏项加权：在问题项前后添加括号并指定数值，格式为“(item:weight)”，例如“(no deformed hands:1.4), (no fused fingers:1.5)”
2、避免全局加权干扰：禁用“(negative prompt:1.8)”这类全句包裹写法，会导致所有项权重失衡，部分低优先级项被误强化。
3、将最高危项置于负向提示词开头：模型对前置token注意力更强，将“no deformed hands”“no extra fingers”等置于最前方可提升识别率。
五、验证与迭代负向提示词有效性
负向提示词效果无法通过单次生成判定，需结合图像缺陷反馈进行定向修正，而非盲目增加条目数量。
1、记录每次生成的缺陷类型：若连续出现“手指数量异常”，则在负向提示词中追加“no extra fingers, no missing fingers, no fused fingers”三项，而非仅保留其中一项。
2、每次仅增删一项进行A/B测试：例如将原负向词“no deformed hands”替换为“no deformed hands, no extra fingers”，对比两组生成图的手部结构完整率。
3、观察画质类负向词是否引发冲突：当同时启用“(worst quality:2), (low quality:2)”与高细节正向词（如extremely detailed CG）时，可能触发质量判断矛盾，此时应降低质量类负向权重至(worst quality:1.3), (low quality:1.2)。
