Prompts négatifs : ce qu'ils sont, quels modèles les utilisent, et les listes qui fonctionnent vraiment

Qu'est-ce qu'un prompt négatif ?

Un prompt négatif est un second champ de texte que certains modèles d'image lisent en parallèle du prompt principal. Là où le prompt principal attire l'image vers certains concepts, le prompt négatif l'en éloigne. Techniquement, le modèle calcule comment l'image évoluerait si elle se rapprochait du texte négatif, puis oriente le résultat dans la direction opposée à chaque étape de débruitage.

C'est pourquoi les prompts négatifs fonctionnent surtout bien pour les éléments vers lesquels un modèle dérive de lui-même : doigts en trop, arrière-plans flous, filigranes, look glossy générique. Ils sont peu efficaces contre ce que le modèle n'aurait de toute façon jamais dessiné. Écrire « no elephants » (pas d'éléphants) dans le prompt négatif d'un paysage ne sert à rien ; écrire « oversaturated, HDR, plastic skin » (trop saturé, HDR, peau plastique) dans le prompt négatif d'un portrait change réellement le résultat.

Quels modèles prennent en charge les prompts négatifs

Stable Diffusion 1.5, SDXL et la plupart des checkpoints communautaires sur Automatic1111, ComfyUI, Forge et Fooocus disposent d'un champ de prompt négatif dédié. C'est de là que viennent les prompts négatifs, et c'est là qu'ils comptent le plus.

Midjourney n'a pas de champ négatif. Il utilise le paramètre --no : --no text, watermark, blur. Midjourney ne comprend pas la négation en prose, donc écrire « no text » à l'intérieur du prompt est interprété comme une demande de texte.

Flux, ChatGPT Images (GPT Image), Gemini et Nano Banana n'utilisent pas de prompts négatifs. L'encodeur de texte T5 de Flux lit l'ensemble du prompt comme une description, donc les négations qu'il contient sont ignorées ou inversées. ChatGPT et Gemini suivent plutôt des contraintes en langage naturel : « garde l'arrière-plan uni, sans texte visible » fonctionne parce que ce sont des modèles qui suivent des instructions, et non parce qu'ils disposent d'un canal négatif.

• Stable Diffusion, SDXL, checkpoints communautaires : champ de prompt négatif dédié, impact élevé.
• Midjourney : paramètre --no, séparé par des virgules, impact modéré.
• Flux : pas de prompt négatif ; décrivez plutôt ce que vous voulez.
• ChatGPT Images, Gemini, Nano Banana : pas de prompt négatif ; utilisez de courtes contraintes positives.

Comment rédiger un prompt négatif utile

Restez bref et ciblez précisément le défaut que vous observez. Un prompt négatif de 60 termes copié depuis un forum est surtout du bruit : chaque terme accapare une petite part du budget de guidage, et les termes qui ne s'appliquent pas à votre image tirent le résultat dans des directions aléatoires.

Commencez à vide. Générez une première fois. Observez ce qui ne va pas, ajoutez deux ou trois termes exactement pour cela, puis régénérez. La plupart des images n'ont besoin que de moins de dix termes négatifs. Placez les plus importants en premier, car CLIP lit le texte par blocs de 77 tokens et privilégie le début de chacun.

Utilisez les poids avec parcimonie. (deformed hands:1.3) dans SDXL augmente la pression sur un terme sans gonfler toute la liste. Mettre tout à 1.4 revient à ne rien pondérer.

Listes de prompts négatifs par usage

Ces listes constituent des points de départ pour Stable Diffusion et SDXL. Prenez le bloc qui correspond à votre problème, pas tous à la fois. Pour Midjourney, reportez les mêmes mots dans --no.

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

Mains et anatomie : extra fingers, missing fingers, fused fingers, six fingers, bad hands, malformed limbs, extra arms, disconnected limbs, mutated anatomy.

Texte, logos et artefacts : text, watermark, signature, logo, caption, letters, jpeg artifacts, compression noise, frame, border, split screen, collage.

Anime et illustration : bad anatomy, extra digits, lowres, worst quality, low quality, jpeg artifacts, signature, watermark, username, blurry, cropped, realistic skin texture (lorsqu'un rendu cel-shading plat est recherché).

Rendus produit et intérieur : warped perspective, floating objects, duplicated objects, uneven reflections, clutter, text, watermark, fisheye, over-exposed highlights.

Dérive stylistique vers le rendu par défaut : digital painting, 3D render, smooth, glossy, cinematic lighting, dramatic, bokeh (lorsque la référence est plate, documentaire ou artisanale).

• Portrait photoréaliste : plastic skin, oversaturated, HDR, deformed hands, extra fingers, waxy, airbrushed
• Mains : extra fingers, fused fingers, missing fingers, bad hands, malformed limbs
• Texte et artefacts : text, watermark, signature, logo, jpeg artifacts, border, collage
• Anime : bad anatomy, extra digits, lowres, worst quality, signature, blurry, cropped
• Rendu produit : warped perspective, floating objects, duplicated objects, clutter, fisheye

Les prompts négatifs SDXL diffèrent de ceux de SD 1.5

Les checkpoints SD 1.5 ont été entraînés sur des légendes truffées de tags du type « lowres, bad anatomy, worst quality », si bien que ces tags de qualité y ont un réel effet. SDXL a été entraîné différemment : le bloc classique de tags de qualité fait bien moins d'effet, et un prompt négatif court et concret donne de meilleurs résultats. Dans SDXL, décrivez le défaut précis et le style précis à éviter plutôt que d'empiler des mots de qualité.

De nombreux fine-tunes SDXL, y compris les dérivés de Pony et Illustrious, proposent leur propre bloc négatif recommandé dans la fiche du modèle. Utilisez-le comme base et ajoutez par-dessus vos deux ou trois termes spécifiques.

Quand la solution n'est pas un prompt négatif

Si le modèle continue à produire une version léchée et générique de votre référence, la correction se trouve généralement dans le prompt positif : nommez le médium et les imperfections que vous voulez conserver, et placez-les en tête. Image to Prompt le fait automatiquement lorsque vous choisissez Stable Diffusion comme modèle cible : il rédige des tags séparés par des virgules avec le style en premier, et génère une ligne de prompt négatif correspondante construite à partir de la dérive esthétique par défaut que ce style doit précisément éviter.

Pour ChatGPT Images et Gemini, remplacez chaque négation par une contrainte positive. « Pas de texte » devient « laisse l'enseigne vierge ». « Pas flou » devient « mise au point nette sur toute l'image ». Les modèles suivent bien plus fidèlement cette seconde formulation.