通义万相反向提示词应精简禁用通用模板，优先用具体正向描述替代“不要”类表述，并按结构→质感→风格分层添加精准负面词，配合正向权重强化或否定式正向表达来抑制干扰。

☞☞☞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☜☜☜

通义万相生成图像时反向提示词写得越多，画面反而出现更多噪点、畸形结构或不自然纹理，根本原因是负面词堆砌触发模型对“禁止项”的过度补偿式联想。

先停掉所有通用负面词

删掉“low quality, worst quality, bad anatomy, deformed hands”这类万能负面模板——它们在通义万相里会激活底层对抗训练残留，让模型刻意往“扭曲方向”强化学习。

这一步操作起来很简单，直接清空反向提示词框，只留一个空格或留空。

用具体问题反推精准反向词

不是写“不要模糊”，而是写“focus on face details, sharp skin texture”；不是写“不要畸变”，而是写“symmetrical facial features, natural joint angles”。模型更听懂“要什么”，而不是“不要什么”。

通义万相的反向提示词机制本质是引导采样偏差，而非硬性过滤。你越强调“不要XXX”，它越在潜空间里反复采样靠近XXX的边界区域。

分层控制：结构→质感→风格

第一步：先锁定基础结构。例如生成人像，反向词只写“disconnected limbs, floating fingers, extra limbs”——只针对当前图中已出现的具体错误类型，不预设其他问题。

第二步：等结构稳定后，再加质感约束。如发现皮肤发灰，加入“flat shading, dull skin tone”；若衣服边缘毛刺，加“jagged fabric edge, pixelated textile pattern”。

第三步：最后微调风格干扰。比如生成国风图却冒出西装领带，就只加“western business suit, tie, lapel pin”——【必须是图中真实出现过的干扰元素，不能凭空猜测】。

每加一条反向词，都需重新生成3～5张验证效果。一旦某条词导致新错误（如加了“bad hands”后手指变透明），立刻删除该词。

用正向词稀释负面权重

方法一：在正向提示词末尾加权重强化句，例如“masterpiece, 8k, detailed eyes::1.3, clean line work::1.2”——数值高于1.0的部分会压制反向词的干扰强度。

方法二：把原本想写进反向的词，改成带否定前缀的正向表达。例如不写“no text”，改写为“blank background without any glyphs or characters”——模型对“without”类短语响应更弱，但对完整描述性短语响应更强。

注意：两种方法不能同时用，否则正向权重与反向词形成对抗震荡，出图稳定性反而下降。