如何在 Dezgo 中調節負向提示詞、引導比例與採樣步數以優化生圖品質

在進行 AI 圖像生成時，僅憑一段精巧的正向提示詞往往難以直接產出完美的商業級作品。在使用 Dezgo 這款基於 Stable Diffusion、SDXL 與 Flux 模型的線上生成平台與 REST API 時，創作者經常面臨肢體畸變、色彩過度飽和、細節雜訊過多或畫面偏離提示詞等問題。

為了精確掌控輸出成果，Dezgo 在網頁介面的 More options（更多選項）面板以及 API 呼叫參數中，提供了三大關鍵生成控制項：負向提示詞（Negative Prompt）、引導比例（Guidance Scale / CFG） 與 採樣步數（Sampling Steps）。掌握這三項參數的運作原理與彼此協同的規律，能幫助創作者建立條理分明的調參流程，兼顧畫面精準度、生成效率與點數花費。

Dezgo 核心參數的位置與配置方式

無論使用 Dezgo 網頁端的免費版本、預付費隨選隨用的 Power Mode，或是串接 REST API（POST https://api.dezgo.com/text2image），核心參數的設定邏輯均維持一致：

1. 網頁端介面：在生圖工具（例如 Text-to-Image SD1 或 Text-to-Image XL）下方，展開正面提示詞欄位底部的 More options 折疊面板。面板內包含負向提示詞專屬輸入框，以及調節 Guidance 與 Steps 的滑桿與數值欄位。
2. API 呼叫載荷：透過程式呼叫 Dezgo 介面時，直接在請求中傳入 negative_prompt（字串，長度限制 0 至 1000 字元）、guidance（浮點數，範圍 -20 至 20）與 steps（整數，範圍 10 至 150）。

理解各個參數的職責後，便可針對性地排除畫面瑕疵。

1. 負向提示詞（Negative Prompt）：排除缺陷與非預期風格

正向提示詞定義了擴散模型在潛在空間中應當建構的主體、材質與光源氛圍；而負向提示詞則指示模型在去噪迭代過程中主動避開特定視覺缺陷、雜訊或風格偏差。

基礎通用範本

針對 Dezgo 上的標準 Stable Diffusion 1.5 檢查點（例如 Absolute Reality、Realistic Vision），系統內建了一套完整的基础負向提示詞：

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

這套詞庫能有效防範早期擴散模型常出現的多肢、殘缺與浮水印問題。但面對專門的商業專案，創作者應根據目標風格進行客製微調。例如生成寫實商業攝影時，應補充 cartoon, 3d render, anime；而在繪製扁平向量插圖時，則應排除 photorealistic, oversaturated。

Dezgo 的提示詞權重語法

若畫面中某種不要的元素反覆殘留（如難以消除的浮水印或手部形變），可善用 Dezgo 的權重語法進行抑制：

• 增強壓制權重（+）：在詞彙尾端加上一個或多個加號以提升過濾強度，例如 watermark+ 或 (extra fingers)++。
• 減弱壓制權重（-）：若某個負向詞限制過嚴導致畫面缺乏必要材質，可在尾端追加減號降低影響，例如 grain-。
• 字詞分組：使用圓括號將多個單詞包覆後再附加快重標記，例如 (poorly drawn hands)+。
• 精確數值倍率：支援 0 至 2 之間的數值（預設值為 1.0），可用冒號或尾隨格式，例如 (bad anatomy:1.2) 或 (bad anatomy)1.2。

實務調參原則

切勿盲目複製堆疊長達數百詞的“通用負向魔法詞庫”。過多泛化的負向標籤會稀釋擴散模型的注意力，導致畫面色彩發灰、層次變平或背景過度平滑。負向提示詞應針對當前生成結果出現的特定缺陷逐步追加。

2. 引導比例（Guidance Scale / CFG）：平衡指令遵循度與自然質感

引導比例（即無分類器引導尺度 CFG Scale）決定了擴散模型在去噪過程中，究竟要多嚴格地貼合文字描述，還是保留更多的隨機自主生成彈性。

在 Dezgo 中，guidance 的可調範圍為 -20 至 20，系統預設值為 7。

數值分區與視覺特徵

不同模型架構的注意事項

• 標準 SD 1.5 與 SDXL 模型：建議維持在 6 到 9 之間。
• SDXL Lightning 加速模型（例如 dreamshaperxl_lightning_1024px、juggernautxl_9_lightning_1024px）：這類經蒸餾優化的極速模型對 CFG 極其敏感，通常需將 guidance 調低至 1.5 到 2.5 左右，否則畫面會迅速出現極高反差的壞死色塊。
• Flux 系列模型（例如 flux_1_schnell）：採用整流流匹配技術，對自然語言的理解能力極強，無需刻意拉高引導尺度即可準確理解構圖。

3. 採樣步數（Sampling Steps）：衡量細節深度與算力成本

擴散模型的生成機制是透過多次反覆運算，逐步將初始高斯雜訊消除並還原為清晰結構。採樣步數即代表去噪演算法在此過程中所執行的計算回合總數。

Dezgo 支援將步數設定在 10 至 150 步之間。步數越充足，模型對微觀材質的刻畫越豐富，但此數值具備相當顯著的邊際效益遞減效應。

步數配置與邊際效益分析

• 10 – 15 步（極速草稿）：主要用於快速評估構圖、探索色調與篩選種子。主體結構已可辨識，但睫毛、布紋、遠景植被等微觀細節仍較為模糊。
• 20 – 30 步（標準生產區間）：Euler、DPM++ 等現代高效率採樣演算法的最佳收斂點。此時物體解剖形態與材質紋理已充分定型，達到畫質與算力成本的最佳平衡。
• 35 – 50 步（超精細雕琢）：適合具有高密度紋理的畫面，例如繁複的哥德式建築雕花、髮絲層次、複雜機械構造或微距特寫。
• 60 步以上（邊際回報極低）：對於主流採樣器而言，超過 50 步後的肉眼視覺差異微乎其微，但運算時間與花費會成倍增加。

免費模式與 Power Mode 的計費差異

在 Dezgo 的架構中，步數與成本直接掛鉤：

• 免費模式（Free Mode）：為了兼顧公用伺服器佇列負載，系統會對最大採樣步數與單圖解析度設置上限。
• Power Mode 與 REST API：採用預付費扣款機制，單次請求費用與採樣步數、輸出解析度以及所選模型直接關聯。若將一張 25 步即達到最佳狀態的圖片設定為 100 步，點數扣除將增加 3 至 4 倍，卻無法換來肉眼可見的品質提升。

創作者推薦實戰流程：四步遞進迭代法

在實際創作中，避免同時更動三項參數，建議採取循序漸進的排查策略：

1. 第一步：構圖探索（快速摸底）
   • 將 Guidance 設為 7.0，Steps 設為 20，保留預設基礎負向詞。
   • 快速生成數張測試圖，選出構圖最滿意的一張並記下其 Seed（隨機種子）。
2. 第二步：鎖定種子並針對性修正缺陷
   • 固定該 seed，放大檢查細部問題。若手部結構失真，在負向詞中補充 (poorly drawn hands)1.2；若有文字殘留，追加 watermark+, text+。
3. 第三步：校正引導比例
   • 若模型遺漏了正面描述中的特定飾品或服裝配色，將 Guidance 逐步微調至 8.0～9.0。
   • 若畫面顯得過度銳化或色調僵硬，將 Guidance 降至 6.0～6.5 找回自然質感。
4. 第四步：提高步數輸出終稿
   • 當構圖與形體均修正完畢後，將 Steps 提高至 30～35 進行高畫質交付渲染。
   • 如需大幅面展示或印刷，可進一步利用 Dezgo 的無損放大（Upscale）工具完成最終交付。

透過將負向提示詞作為“修飾工具”、引導尺度作為“遵循舵手”、採樣步數作為“打磨時間”，創作者便能在 Dezgo 中穩定產出符合專業規格的高水準作品。

參考資料

• 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