如何在 Dezgo 中调节负向提示词、引导比例与采样步数以优化生图质量

在进行 AI 图像生成时，仅靠一段精妙的正面描述词往往难以直接得到完美的最终作品。在使用 Dezgo 这款支持 Stable Diffusion、SDXL 与 Flux 模型的在线生成平台和 REST API 时，创作者常常会遇到肢体变形、色彩过度饱和、细节噪点过多或画面严重偏离描述词等问题。

为了精准控制出图质量，Dezgo 在界面底部的 More options（更多选项）以及 API 参数中开放了三个核心生成控制项：负向提示词（Negative Prompt）、引导比例（Guidance Scale / CFG） 与 采样步数（Sampling Steps）。理清这三项参数的底层作用机制与协同规律，能够帮助创作者建立起系统化的调参思路，在保证画面精度的同时兼顾生成速度与点数消耗。

Dezgo 核心参数的入口与位置

无论使用 Dezgo 网页端的免费模式、按量预付费的 Power Mode，还是直接调用 REST API（POST https://api.dezgo.com/text2image），核心参数的分布逻辑均保持一致：

1. 网页端界面：在生图界面（如 Text-to-Image SD1 或 Text-to-Image XL）中，展开正面提示词输入框下方的 More options 折叠面板。在此处可以找到负向提示词文本框，以及控制 Guidance 和 Steps 的数值滑块与输入框。
2. API 调用负载：通过代码调用 Dezgo 接口时，对应传入 negative_prompt（字符串，限制 0～1000 字符）、guidance（浮点数，范围 -20 至 20）和 steps（整数，范围 10 至 150）。

明确各参数的职责后，即可通过针对性微调消除画面瑕疵。

1. 负向提示词（Negative Prompt）：剔除画面缺陷与多余风格

正面提示词告诉扩散模型要在潜在空间中构建哪些主体、材质与光影，而负向提示词则指示模型在去噪过程中避开哪些视觉特征、结构缺陷或风格污染。

基础排查模板

对于 Dezgo 上的标准 Stable Diffusion 1.5 系列模型（如 Absolute Reality、Realistic Vision），系统提供了一套经典的基础负向提示词：

ugly, tiling, poorly drawn hands, poorly drawn feet, poorly drawn face, out of frame, extra limbs, disfigured, deformed, body out of frame, blurry, bad anatomy, blurred, watermark, grainy, signature, cut off, draft

这组通用提示词可以有效过滤早期扩散模型常见的肢体畸变、画面残缺与水印噪点。而在针对特定商业场景出图时，创作者还应当根据目标风格进行定制。例如生成纪实摄影时补充 cartoon, 3d render, anime，而在设计扁平矢量插画时剔除 photorealistic, oversaturated。

Dezgo 的提示词权重语法

当画面中某种不需要的元素反复出现（如顽固的多余手指或水印文字）时，可以在 Dezgo 的提示词中应用权重语法进行定向强化或压制：

• 增加压制权重（+）：在词尾追加一个或多个加号增强过滤强度，例如 watermark+ 或 (extra fingers)++。
• 降低压制权重（-）：若某负向词限制过严导致画面失去必要纹理，可在词尾追加减号减弱影响，如 grain-。
• 短语组合：使用括号将多词短语包裹后再加权重符号，例如 (poorly drawn hands)+。
• 精确数值倍率：支持使用 0 到 2 之间的数值（默认为 1.0），格式为冒号或尾随数字，例如 (bad anatomy:1.2) 或 (bad anatomy)1.2。

调参忌讳

避免无节制地复制长达数百词的“魔法负向词库”。过长且泛化的负向提示词会分散扩散模型的注意力权重，容易导致画面色彩发灰、对比度塌陷或背景细节被过度磨皮。负向提示词应当围绕当前画面出现的具体缺陷有的放矢地添加。

2. 引导比例（Guidance Scale / CFG）：平衡描述严谨度与画面自然感

引导比例（即无分类器引导尺度 CFG Scale）决定了扩散模型在去噪时有多严格地遵从文本描述，还是允许保留更多的自由生成空间。

Dezgo 允许将 guidance 设定在 -20 至 20 之间，默认基准值为 7。

各区间表现与实用建议

不同架构模型的注意事项

• 常规 SD 1.5 与 SDXL 模型：推荐保持在 6 到 9 之间。
• SDXL Lightning 系列加速模型（如 dreamshaperxl_lightning_1024px、juggernautxl_9_lightning_1024px）：这类采用渐进蒸馏技术的模型对 CFG 非常敏感，通常需要将 guidance 降低至 1.5 到 2.5 左右，否则画面会迅速出现极高反差的坏斑。
• Flux 系列模型（如 flux_1_schnell）：基于整流流匹配架构，天然具备极高的文字理解能力，不需要像早期模型那样强行拉高引导比例。

3. 采样步数（Sampling Steps）：权衡画质深度与时间成本

扩散模型生成图像的本质是通过多次迭代运算逐步去除初始高斯噪声。采样步数即代表了去噪算法在整个生成流程中执行的计算轮次。

Dezgo 支持设置的步数范围为 10 到 150 步。步数越多，模型对微观结构的解析越充分，但这一过程具有极显著的边际效应递减规律。

步数区间的实用取舍

• 10 – 15 步（极速草图）：主要用于快速摸索构图、测试色彩基调和筛选种子。主体大致成型，但睫毛、布料纹理、远景树叶等微观细节较为模糊。
• 20 – 30 步（生产级标准）：Euler、DPM++ 等现代高效采样器的黄金收敛区间。在此阶段，解剖结构与材质细节已基本收敛成型，画质与计算开销达到最佳平衡。
• 35 – 50 步（超精细渲染）：适用于具有密集微观结构的画面，例如精密的哥特式建筑雕花、发丝细节、复杂机械零件或微距摄影。
• 60 步以上（边际效应衰减）：在绝大多数常规采样器下，超过 50 步后的肉眼画质改善微乎其微，但处理时间和计算资源消耗呈线性翻倍增长。

免费模式与 Power Mode 的成本差异

Dezgo 的运行机制直接关联步数设置：

• 免费模式（Free Mode）：为了维持公共计算集群响应，系统对步数和单图分辨率设有上限。
• Power Mode 与 REST API：采用按量扣费的充值余额体系。单次请求的费用直接取决于步数、图像尺寸和所选模型。如果一张 25 步即可收敛的图片盲目设定为 100 步，点数消耗将激增 3 到 4 倍，却无法带来可见的画质回报。

创作者推荐操作流：四步迭代法

在实际生图中，不建议同时改动三项参数，推荐采用渐进排查工作流：

1. 第一步：构图探索（低成本铺底）
   • 保持 Guidance 为 7.0，Steps 设为 20，保留默认基础负向提示词。
   • 批量生成数张候选图，挑出构图最满意的图片并固定其 Seed（随机种子）。
2. 第二步：定位缺陷并配置负向词
   • 锁定 Seed 保持画面主体不变，放大检查细节。如果手部异常，在负向词中加入 (poorly drawn hands)1.2；若有水印残留，追加 watermark+。
3. 第三步：微调引导比例（校正提示词严格度）
   • 若模型漏掉了正面描述中的关键装饰或特定服装颜色，将 Guidance 逐步调高至 8.0～9.0。
   • 若画面显得僵硬或色块过浓，将 Guidance 降低至 6.0～6.5 恢复柔和质感。
4. 第四步：拉高步数交付成品
   • 在构图与细节修正均无误后，将 Steps 提高到 30～35 进行高质量终图渲染。
   • 如需大幅面打印或展示，可进一步使用 Dezgo 的图像无损放大（Upscale）工具完成交付。

通过将负向提示词作为“雕刻刀”、引导比例作为“方向盘”、采样步数作为“精修时间”，创作者能够在 Dezgo 中稳定输出符合预期的专业作品。

参考资料

• Dezgo - Free Online AI Image/Video Generator, Apps & Tools
• AI Image Generator API - Flux/Stable Diffusion - Dezgo
• Prompt weighting - AI Image Generator API - Flux/Stable Diffusion - Dezgo
• Models - AI Image Generator API - Flux/Stable Diffusion - Dezgo
• Overview - AI Image Generator API - Flux/Stable Diffusion - Dezgo