Negative Prompts: Was sie bewirken, wann sie helfen und warum Flux sie nicht braucht

Thema: Prompting

Von Lookout

Veröffentlicht am 2025-11-05

Der Negative Prompt erklärt anhand der Funktionsweise von classifier-free guidance: eine kurze Liste, die bei SD 1.5 und SDXL hilft, die negativen Embeddings, die tatsächlich verwendet werden, warum lange kopierte Negative schaden und was man stattdessen bei Flux, Qwen und anderen guidance-distilled Modellen macht, die gar keine Negative haben.

Überblick

Bei

SD 1.5

und

SDXL

läuft bei jedem Schritt das Modell zweimal: einmal mit deinem Prompt und einmal mit dem negativen Prompt (standardmäßig leer). Der

Sampler

bewegt dann das Bild in Richtung des ersten und weg vom zweiten, skaliert durch CFG. Der negative Prompt ist also kein Filter, der danach angewendet wird; es ist ein zweiter Prompt, von dem das Bild wegbewegt wird. Das erklärt sowohl seine Stärke (ein paar Worte entfernen einen wiederkehrenden Fehler) als auch seine Grenzen (er kann nicht entfernen, was der positive Prompt immer wieder fordert).

Flux dev

FLUX.2

Z-Image Turbo

, SDXL Lightning und andere distilled Modelle laufen pro Schritt nur einmal mit eingebauter Guidance. Sie haben keinen zweiten Durchlauf, von dem sie wegdrücken könnten, deshalb wird das negative Feld ignoriert oder, in UIs, die einen CFG über 1 erzwingen, verdoppelt es die Generierungszeit bei wenig Effekt. Bei diesen Modellen behebst du Probleme im positiven Prompt, mit einem

LoRA

oder durch

Inpainting

Der kopierte 200-Wörter negative Prompt von 2023 ("deformed, mutated, ugly, disgusting, bad anatomy...") ist bei SDXL meist harmlos und meistens nutzlos. Kurze, spezifische Negative funktionieren besser: nenne das, was in deinen letzten vier Bildern tatsächlich aufgetaucht ist.

Referenz

Name	Typ	Bedeutung
Negative prompt	text (SD 1.5, SDXL)	Komma-getrennte Tags, von denen das Bild wegbewegt wird. 5 bis 15 Wörter. Spezifisch ist besser als allgemein.
CFG scale	number	Wie stark der Schub in beide Richtungen ist. Ein negativer Prompt wirkt bei CFG 1 nicht.
Negative embedding	file	Ein trainierter Token, der einen schlechten Look zusammenfasst: easynegative, bad-hands-5, negative_hand, FastNegativeV2 (SD 1.5); ac_neg1, unaestheticXL (SDXL). Wird per Dateiname im negativen Feld eingetragen.
[[double brackets]]	PirateDiffusion	Der negative Prompt innerhalb eines /render Befehls: /render prompt [[blurry, watermark]].
Negative weight	syntax	(word:1.4) im negativen Feld drückt stärker von diesem Wort weg.
Flux / distilled models	no negative	Guidance-distilled; das negative Feld hat bei CFG 1 keine Wirkung. Formuliere den positiven Prompt stattdessen um.

Negativ in Sekunden testen

Im BitVector Prism sitzt das negative Feld unter dem Prompt; teste denselben Seed mit und ohne und vergleiche nebeneinander. SDXL und Flux Modelle von dieser Seite sind vorinstalliert.

BitVector ausprobieren

Schritt für Schritt

Generiere zuerst vier Bilder mit leerem negativen Prompt. Suche den wiederkehrenden Fehler: zusätzliche Finger, Text, Wasserzeichen, unscharfer Hintergrund, zweite Person.
Nenne diesen Fehler im negativen Feld in zwei bis vier Worten: "extra fingers, watermark, text".
Für Anime-Modelle füge das standardmäßige kurze Set hinzu, das auf der Modellseite empfohlen wird (lowres, bad anatomy, bad hands, extra digits, signature); bei Fotomodellen meist nichts weiter.
Wenn Hände oder Gesichter bei SD 1.5 das Problem sind, füge ein negatives
Embedding
hinzu (bad-hands-5, easynegative) statt einer Wortliste.
Lass den CFG-Wert dort, wo das Modell ihn mag (5 bis 7 bei SDXL). CFG höher zu setzen, damit das Negative "stärker arbeitet", zerstört das Bild.
Bei
Flux
,
Qwen
,
Z-Image
und Lightning Modellen lass das Negative leer; behebe das Problem im positiven Prompt ("hands in pockets", "plain background") oder durch Inpainting.
Speichere das kurze Negative zusammen mit dem Prompt. Ein negatives, das für ein Modell passt, ist oft für das nächste falsch.

Beispiele

Kurze, spezifische Negative für ein SDXL-Foto

Positive: a woman reading on a tram at night, window reflections, 50mm photo

Negative: text, watermark, extra fingers, second person

Illustrious Standard-Set

Negative: lowres, bad anatomy, bad hands, extra digits, fewer digits, worst quality, low quality, signature, watermark, username

Negativ im PirateDiffusion-Befehl

/render <juggernaut-xl> a woman reading on a tram at night, window reflections, 50mm photo [[text, watermark, extra fingers]] /size:832x1216

Tipps

Negative sind gut darin, Stile und Objekte zu entfernen ("cartoon", "glasses", "car"), schwach bei der Korrektur von Anatomie. Anatomie wird durch ein besseres Modell, höhere Auflösung oder Inpainting verbessert.
Ein negatives Wort, das auch im positiven Prompt vorkommt, hebt sich auf. "No blur" im positiven Prompt wird als "blur" gelesen.
Lange negative Listen verschieben das ganze Bild zu einem langweiligen Durchschnittslook; wenn deine Bilder generisch aussehen, kürze das Negative.
Negative Embeddings sind familientypisch. Ein SD 1.5 Embedding im SDXL negativen Feld wirkt nicht.
Pony
braucht score_6, score_5, score_4 im Negativen, um zu seinen Score-Tags im Positiven zu passen. Illustrious verwendet keine Scores.
PirateDiffusion
und
BitVector
akzeptieren Negative bei SDXL Modellen und ignorieren sie stillschweigend bei Flux Modellen, so dass eine Gewohnheit für beide funktioniert.

Installiere das Embedding in models/embeddings und lade neu, oder entferne das Wort.

Negative in [[doppelten Klammern]

PirateDiffusion setzt den negativen Prompt in doppelte Klammern im selben /render Befehl, merkt ihn sich für deine Session und ignoriert ihn automatisch bei Flux Modellen. Unbegrenzte Render, Festpreis.

PirateDiffusion ausprobieren

Fragen

Gibt es einen universellen negativen Prompt?

Nein. "text, watermark" ist das Nächstliegende. Alles andere hängt vom Modell und Bild ab.

Warum haben Anime-Prompts immer ein langes Negativ?

Weil Illustrious, NoobAI und Pony mit Qualitäts-Tags trainiert wurden; das negative Set sagt ihnen, welchen Qualitätsbereich sie meiden sollen. Fotomodelle wurden so nicht trainiert.