Negative Prompts: Was sie sind, welche Modelle sie nutzen, und die Listen, die wirklich funktionieren

Was ist ein Negative Prompt?

Ein Negative Prompt ist ein zweites Textfeld, das manche Bildmodelle zusätzlich zum Hauptprompt einlesen. Während der Hauptprompt das Bild zu bestimmten Konzepten hinzieht, drängt der Negative Prompt es von anderen weg. Technisch berechnet das Modell, wie sich das Bild verändern würde, wenn es sich auf den negativen Text zubewegt, und steuert bei jedem Denoising-Schritt in die entgegengesetzte Richtung.

Deshalb funktionieren Negative Prompts am besten bei Dingen, zu denen ein Modell von selbst tendiert: zusätzliche Finger, unscharfe Hintergründe, Wasserzeichen, der generische glänzende Look. Sie wirken kaum bei Dingen, die das Modell ohnehin nie gezeichnet hätte. „Keine Elefanten“ in den Negative Prompt einer Landschaft zu schreiben, bringt nichts; „übersättigt, HDR, plastikartige Haut“ in den Negative Prompt eines Porträts zu schreiben, verändert das Ergebnis.

Welche Modelle unterstützen Negative Prompts

Stable Diffusion 1.5, SDXL und die meisten Community-Checkpoints auf Automatic1111, ComfyUI, Forge und Fooocus verfügen über ein dediziertes Negative-Prompt-Feld. Hier haben Negative Prompts ihren Ursprung, und hier sind sie am wichtigsten.

Midjourney hat kein Negativfeld. Es nutzt den Parameter --no: --no text, watermark, blur. Midjourney versteht keine sprachliche Verneinung, sodass „no text“ innerhalb des Prompts als Anfrage nach Text gelesen wird.

Flux, ChatGPT Images (GPT Image), Gemini und Nano Banana verwenden keine Negative Prompts. Der T5-Textencoder von Flux liest den gesamten Prompt als Beschreibung, sodass darin enthaltene Verneinungen ignoriert oder ins Gegenteil verkehrt werden. ChatGPT und Gemini folgen stattdessen natürlichsprachlichen Einschränkungen: „Hintergrund schlicht halten, kein sichtbarer Text“ funktioniert, weil es sich um instruktionsbefolgende Modelle handelt, nicht weil sie über einen negativen Kanal verfügen.

• Stable Diffusion, SDXL, Community-Checkpoints: dediziertes Negative-Prompt-Feld, hohe Wirkung.
• Midjourney: Parameter --no, kommagetrennt, mäßige Wirkung.
• Flux: kein Negative Prompt; beschreiben Sie stattdessen, was Sie wollen.
• ChatGPT Images, Gemini, Nano Banana: kein Negative Prompt; verwenden Sie kurze positive Einschränkungen.

Wie Sie einen Negative Prompt schreiben, der wirklich hilft

Halten Sie ihn kurz und spezifisch für den Fehler, den Sie beobachten. Ein aus einem Forum kopierter Negative Prompt mit 60 Begriffen ist größtenteils Rauschen: Jeder Begriff beansprucht einen kleinen Anteil des Guidance-Budgets, und Begriffe, die auf Ihr Bild nicht zutreffen, ziehen das Ergebnis in zufällige Richtungen.

Beginnen Sie leer. Generieren Sie einmal. Schauen Sie, was schiefgelaufen ist, fügen Sie zwei oder drei Begriffe genau dafür hinzu, und generieren Sie erneut. Die meisten Bilder benötigen weniger als zehn negative Begriffe. Setzen Sie die wichtigsten zuerst, denn CLIP liest den Text in 77-Token-Blöcken und gewichtet jeweils den Anfang stärker.

Setzen Sie Gewichtungen sparsam ein. (deformed hands:1.3) erhöht in SDXL den Druck auf einen Begriff, ohne die gesamte Liste aufzublähen. Alles auf 1.4 zu gewichten, entspricht dem Gewichten von nichts.

Negative-Prompt-Listen nach Anwendungsfall

Diese Listen sind Ausgangspunkte für Stable Diffusion und SDXL. Nehmen Sie den Block, der zu Ihrem Problem passt, nicht alle auf einmal. Für Midjourney übertragen Sie dieselben Wörter in --no.

Fotorealistische Porträts: deformed hands, extra fingers, fused fingers, extra limbs, asymmetrical eyes, plastic skin, waxy skin, oversharpened, HDR, oversaturated, airbrushed, doll-like, uncanny.

Hände und Anatomie: extra fingers, missing fingers, fused fingers, six fingers, bad hands, malformed limbs, extra arms, disconnected limbs, mutated anatomy.

Text, Logos und Artefakte: text, watermark, signature, logo, caption, letters, jpeg artifacts, compression noise, frame, border, split screen, collage.

Anime und Illustration: bad anatomy, extra digits, lowres, worst quality, low quality, jpeg artifacts, signature, watermark, username, blurry, cropped, realistic skin texture (wenn ein flacher Cel-Look gewünscht ist).

Produkt- und Interieur-Renderings: warped perspective, floating objects, duplicated objects, uneven reflections, clutter, text, watermark, fisheye, over-exposed highlights.

Stilabweichung zum Standard-Look: digital painting, 3D render, smooth, glossy, cinematic lighting, dramatic, bokeh (wenn die Referenz flach, dokumentarisch oder handgemacht ist).

• Fotorealistisches Porträt: plastic skin, oversaturated, HDR, deformed hands, extra fingers, waxy, airbrushed
• Hände: extra fingers, fused fingers, missing fingers, bad hands, malformed limbs
• Text und Artefakte: text, watermark, signature, logo, jpeg artifacts, border, collage
• Anime: bad anatomy, extra digits, lowres, worst quality, signature, blurry, cropped
• Produkt-Rendering: warped perspective, floating objects, duplicated objects, clutter, fisheye

SDXL-Negative-Prompts unterscheiden sich von SD 1.5

SD-1.5-Checkpoints wurden mit Bildunterschriften trainiert, die voller Tags wie „lowres, bad anatomy, worst quality“ waren, weshalb diese Qualitäts-Tags dort echte Wirkung zeigen. SDXL wurde anders trainiert: Der klassische Qualitäts-Tag-Block bewirkt deutlich weniger, und ein kurzer, konkreter Negative Prompt funktioniert besser. Beschreiben Sie bei SDXL den spezifischen Fehler und den spezifischen unerwünschten Stil, statt Qualitätswörter aufzustapeln.

Viele SDXL-Fine-Tunes, darunter Pony- und Illustrious-Derivate, liefern in ihrer Model Card einen eigenen empfohlenen Negative-Block. Verwenden Sie diesen als Basis und ergänzen Sie darauf Ihre zwei oder drei spezifischen Begriffe.

Wenn die Antwort kein Negative Prompt ist

Wenn das Modell immer wieder eine polierte, generische Version Ihrer Referenz erzeugt, liegt die Lösung meist im positiven Prompt: Nennen Sie das Medium und die Unvollkommenheiten, die erhalten bleiben sollen, und stellen Sie diese voran. Image to Prompt macht das automatisch, wenn Sie Stable Diffusion als Zielmodell wählen: Es schreibt kommagetrennte Tags mit dem Stil zuerst und erzeugt eine passende Negative-Prompt-Zeile, die aus der spezifischen Standard-Ästhetik-Abweichung abgeleitet ist, die dieser Stil vermeiden muss.

Ersetzen Sie bei ChatGPT Images und Gemini jede Verneinung durch eine positive Einschränkung. Aus „kein Text“ wird „das Schild leer lassen“. Aus „nicht unscharf“ wird „scharfer Fokus über das gesamte Bild“. Die Modelle folgen der zweiten Form deutlich zuverlässiger.