توضیح درخواست‌های منفی: چه زمانی از آن‌ها استفاده کنیم و چگونه

درخواست منفی چیست

درخواست منفی فهرستی از چیزهایی است که نمی‌خواهید در تصویر تولید شده باشند و به ابزار به صورت جدا از توصیف چیزهایی که می‌خواهید داده می‌شود. به جای نوشتن "خیابانی در شب بدون مردم"، شما خیابان را توصیف می‌کنید و مردم را در فهرست منفی قرار می‌دهید. ایده ساده است، اما ابزارها آن را به شکل‌های بسیار متفاوتی مدیریت می‌کنند و برخی اصلاً فیلد منفی جداگانه ارائه نمی‌دهند. دانستن اینکه در کدام وضعیت هستید بسیاری از تلاش‌های ناموفق را نجات می‌دهد.

چرا نوشتن "نه" در داخل درخواست اغلب شکست می‌خورد

مدل‌های تصویری به کلماتی که در یک پرامپت حضور دارند پاسخ می‌دهند. ذکر چیزی، حتی برای حذف آن، می‌تواند آن را وارد تصویر کند. مستندات Midjourney دقیقا چنین مثالی را به عنوان یک پرامپت بد ارائه می‌دهد: نقاشی طبیعت بی‌جان که بدون میوه توصیف شده است، یا با درخواست مودبانه‌ای برای اضافه نکردن میوه. جایگزین پیشنهادی این است که عناصر ناخواسته را به پارامتر اختصاصی منتقل کنید. همان منطق در جای دیگر نیز صادق است: جمله‌ای پر از نفی‌ها، اشیای نفی‌شده را در توجه مدل نگه می‌دارد.

Midjourney: پارامتر --no

Midjourney یک پارامتر --no را مستند می کند که در انتهای فرمان اضافه شده و پس از آن چیز یا لیستی از چیزهایی که نمی خواهید، با کاما از هم جدا شده اند. مثال خودش "نقاشی گواش بی جان --no میوه، سیب، گلابی" است. مستندات همچنین توضیح می‌دهند که استفاده از --no مانند دادن وزن منهای 0.5 به بخشی از چند فرمان است، که یادآوری مفیدی است که به جای تضمین عدم وجود آن، چیزی را کاهش می‌دهد.

تله در Midjourney--no

همان مستندات هشدار می دهد که اعتدال Midjourney هر کلمه بعد از --no را مستقل می خواند. عبارتی مانند لباس مدرن به عنوان دو کلمه جداگانه خوانده می شود و کلمه لباس به خودی خود می تواند یک هشدار ایجاد کند. در چنین مواردی، مستندات توصیه می‌کنند به جای استفاده از --no، نوع لباسی را که می‌خواهید در دستور اصلی قرار دهید. به طور کلی، هر مورد حذف شده را در یک کلمه واحد و بدون ابهام نگه دارید تا جایی که می توانید.

Stable Diffusion: آرگومان negative_prompt

در کتابخانه Hugging Face diffusers، خط لوله متن به تصویر Stable Diffusion دارای یک آرگومان negative_prompt اختیاری است که در مستنداتش به‌عنوان اعلان یا اعلان‌هایی توضیح داده شده است که راهنمایی می‌کنند چه چیزی در تولید تصویر گنجانده نشود. مستندات جزئیاتی را اضافه می‌کند که ارزش دانستن دارد: وقتی از راهنمایی استفاده نمی‌شود، پیام منفی نادیده گرفته می‌شود، به این معنی که مقیاس راهنمایی زیر یک باشد.

مدل های تصویر ChatGPT و OpenAI

مستندات تولید تصویر OpenAI، در زمان نگارش، فیلد اعلان منفی جداگانه ای را برای مدل های GPT Image توصیف نمی کند. با ابزارهای مکالمه همچنان می‌توانید موارد استثنا را در یک جمله بنویسید، اما قابل اعتمادترین رویکردی است که در همه جا کار می‌کند: توصیف کنید که چه چیزی باید وجود داشته باشد. اگر نمی خواهید مردم در یک خیابان باشند، یک خیابان خالی را در سحرگاه که مغازه ها هنوز بسته هستند توصیف کنید. این به مدل تصویری مثبت برای ساختن می‌دهد تا فهرستی از چیزهایی که باید از آن اجتناب کرد.

ابتدا جایگزین را شرح دهید

قبل از رسیدن به منفی، بپرسید که به جای عنصر ناخواسته چه می خواهید. به هم ریختگی روی میز با یک دفترچه یادداشت و یک لامپ به یک میز شفاف تبدیل می شود. پس زمینه شلوغ به یک دیوار بتنی ساده تبدیل می شود. سایه های خشن به نور ابری ملایم تبدیل می شوند. تقریباً هر نگاتیو یک نسخه مثبت دارد و نسخه مثبت معمولاً بهتر عمل می کند، زیرا به جای ایجاد شکافی که مدل با چیز دیگری پر می کند، تصویر را محدود می کند.

وقتی یک اعلان منفی ابزار مناسبی است

نگاتیوها بیشتر برای چیزهایی مفید هستند که تمایل دارند بدون دعوت به نظر برسند و هیچ نقطه مقابل مثبت طبیعی ندارند: متن، حروف، واترمارک، لوگو، حاشیه یا قاب. آنها همچنین زمانی که یک ژنراتور به اضافه کردن یک عنصر تکرارشونده، مانند افراد در یک منظره یا شعله ور شدن لنز در غروب خورشید ادامه می دهد، کمک می کنند، پس از اینکه قبلاً صحنه را به وضوح توصیف کرده اید. در این موارد، حذف کوتاه ساده‌تر از بازنویسی کل صحنه است.

لیست را کوتاه نگه دارید

لیست‌های منفی طولانی یک عادت رایج است که از اعلان‌های مشترک کپی شده و اغلب با کلمات کلی در مورد کیفیت پر شده است. آنها به ندرت کمک می کنند و می توانند پیش بینی نتایج را سخت تر کنند، زیرا هر کلمه در لیست تصویر را به سمتی سوق می دهد. اصلاً بدون نکات منفی شروع کنید. فقط زمانی که یک عنصر ناخواسته خاص ظاهر می شود، یکی را اضافه کنید، بررسی کنید که آیا کار می کند یا خیر، و اگر این کار را نکرد دوباره حذف کنید. استدلال دو یا سه مورد دقیق آسانتر از بیست مورد مبهم است.

از اسم ها استفاده کنید نه کیفیت ها

نگاتیوها با چیزهای ملموس بهتر کار می کنند: متن، مردم، ماشین ها، درختان، واترمارک. تفسیر کیفیت های انتزاعی مانند زشت، بد یا کیفیت پایین برای یک مدل سخت است و چیزی در مورد چیزی که واقعاً می خواهید تغییر دهید نمی گویند. اگر تصویری اشتباه به نظر می‌رسد، اشکال فیزیکی آن را بررسی کنید، چه دست‌ها، انعکاس‌ها یا یک شیء اضافی، و مستقیماً به آن بپردازید، چه در توضیحات یا با حذف دقیق.

تست هر بار منفی است

با یک منفی مانند هر تغییر دیگری به یک درخواست برخورد کنید. تصویر را بدون آن ایجاد کنید، سپس یک استثنا اضافه کنید و دوباره تولید کنید، بقیه موارد را ثابت نگه دارید. اگر عنصر ناخواسته ناپدید شد و هیچ چیز دیگری شکست، آن را نگه دارید. اگر تصویر به شکلی تغییر کند که انتظارش را نداشتید، نگاتیو بیشتر از آنچه شما در نظر داشتید انجام می داد. این عادت همچنین به شما می آموزد که کدام استثناها ارزش حفظ کردن را دارند و کدام یک خرافه بودند.

منفی ها جایگزین چک کردن نمی شوند

هیچ استثنایی غیبت را تضمین نمی کند. Midjourney --no را به عنوان کاهش وزن و diffusers negative_prompt را به عنوان راهنما توصیف می کند. قبل از استفاده به هر تصویر نگاه کنید: متن همچنان می‌تواند روی علائم ظاهر شود، شکلی شبیه لوگو می‌تواند روی لباس ظاهر شود، و یک شکل می‌تواند در دوردست ظاهر شود. اگر ممکن است یک تصویر برای یک عکس واقعی گرفته شود، آن را به عنوان تولید شده برچسب بزنید.

جایی که LarpGPT مناسب است

LarpGPT کتابخانه ای از پیام های عکس برای سفر، معماری، ماشین ها و صحنه های سبک زندگی است که بیشتر به عنوان توضیحات مثبت از سوژه، ترکیب بندی، نور و لنز نوشته شده است، که نیاز به لیست های منفی طولانی را کاهش می دهد. شما یک درخواست را در مولد تصویری که قبلاً استفاده می‌کنید کپی می‌کنید و هرگونه استثنایی را که ابزار پشتیبانی می‌کند اضافه می‌کنید. LarpGPT تصاویری تولید نمی کند و نتایج بین تلاش ها متفاوت است.

در ادامه مطلب

• Midjourney documentation: No (archived copy, July 2026)
• Hugging Face diffusers: Stable Diffusion text-to-image pipeline
• Hugging Face diffusers: Prompting and weighted prompts
• OpenAI API documentation: Image generation