Negative Prompt trong AI là gì?

Câu trả lời ngắn gọn: Một lời nhắc phủ định cho AI biết những gì cần tránh, giúp giảm thiểu sự mơ hồ, lộn xộn, lặp lại hoặc kết quả không phù hợp. Điều này rất quan trọng vì kết quả đầu ra trở nên được kiểm soát và nhất quán hơn, đặc biệt khi các điểm lỗi phổ biến nhất dễ dàng được phát hiện. Phương pháp này hoạt động hiệu quả nhất khi bạn kết hợp một lời nhắc chính rõ ràng với một danh sách loại trừ ngắn gọn và có mục tiêu.

Những điểm chính cần ghi nhớ:

Kiểm soát : Trước tiên hãy xác định mục tiêu, sau đó chỉ chặn những kết quả không mong muốn có khả năng xảy ra cao nhất.

Tính cụ thể : Thay thế các lệnh cấm mơ hồ bằng các ngoại lệ rõ ràng như làm mờ, các cụm từ sáo rỗng hoặc các đối tượng thừa.

Cân bằng : Giữ cho các lời nhắc nhở tiêu cực ngắn gọn để kết quả vẫn rõ ràng mà không trở nên nhàm chán.

Kiểm thử : Điều chỉnh các ngoại lệ sau mỗi lần chạy nếu mô hình liên tục lặp lại cùng một lỗi.

Phù hợp : Chọn các yếu tố tiêu cực phù hợp với nhiệm vụ, cho dù đó là hình ảnh, văn bản, phản hồi hỗ trợ hay quy trình làm việc.

Những bài viết bạn có thể muốn đọc sau bài này:

🔗 Tìm kiếm dựa trên trí tuệ nhân tạo là gì và nó hoạt động như thế nào?
Giải thích về tìm kiếm thông minh, xếp hạng và kết quả cá nhân hóa bằng trí tuệ nhân tạo (AI).

🔗 Trí tuệ nhân tạo (AI) có sự sống không? Khoa học nói gì hiện nay?
Nội dung này khám phá các định nghĩa về sự sống, ý thức và những hạn chế của trí tuệ nhân tạo hiện nay.

🔗 Trong thực tế, trí tuệ nhân tạo (AI) tiêu thụ bao nhiêu năng lượng?
Phân tích chi tiết chi phí huấn luyện so với chi phí suy luận, trung tâm dữ liệu và hiệu quả.

🔗 Trí tuệ nhân tạo (AI) được phát minh khi nào? Một dòng thời gian lịch sử ngắn gọn
Nội dung bao gồm các cột mốc quan trọng từ thời kỳ đầu của điện toán đến máy học hiện đại.

Lời nhắc phủ định trong AI là gì? 🧠

Trong trí tuệ nhân tạo, mệnh ) là một tập hợp các chỉ dẫn cho mô hình biết những gì không nên tạo ra.

Thay vì chỉ nói:

• “Vẽ chân dung người phụ nữ theo phong cách hiện thực dưới ánh sáng dịu nhẹ”

Bạn cũng có thể thêm:

• “Không bị mờ”

• “Không có ngón tay thừa”

• “Không theo phong cách hoạt hình”

• “Không có đôi mắt méo mó”

• “Không có văn bản ở nền”

Phần thứ hai đó là câu hỏi phủ định.

Nhiệm vụ chính của một lời nhắc phủ định là giảm bớt các mẫu không mong muốn trong đầu ra. Nó hoạt động như một bộ lọc, hoặc có lẽ giống hơn như một người bảo vệ ở cửa câu lạc bộ quyết định những yếu tố hình ảnh nào không được phép vào tối nay 🚪

Trong thực tế sử dụng, các lời nhắc phủ định thường xuất hiện nhất trong:

• Trình tạo hình ảnh AI

• Hệ thống tạo văn bản

• Công cụ chuyển đổi kiểu tóc

• Quy trình tạo video

• Tạo âm thanh trong một số trường hợp

• Quy trình kỹ thuật nhanh chóng phục vụ cho mục đích kinh doanh

Tuy nhiên, đó không phải là phép thuật. Một lời nhắc nhở tiêu cực không đảm bảo sự hoàn hảo. Nó chỉ đẩy mô hình ra khỏi những kết quả nhất định. Đôi khi nhẹ nhàng. Đôi khi giống như một chiếc xe đẩy hàng bị hỏng bánh.

Vì sao phản hồi tiêu cực trong AI lại quan trọng đến vậy 📌

Đây là điều mà mọi người nhanh chóng nhận ra: Trí tuệ nhân tạo giỏi đoán, nhưng đoán không đồng nghĩa với việc hiểu.

Khi bạn viết một yêu cầu thông thường, mô hình sẽ cố gắng đáp ứng yêu cầu dựa trên các mẫu mà nó đã học được. Điều đó có thể dẫn đến kết quả tốt, nhưng cũng có thể tạo ra những thứ rác rưởi mà bạn không hề yêu cầu. Một bức chân dung mộng mơ mềm mại bỗng trở thành làn da nhựa được làm mịn quá mức. Một bức ảnh sản phẩm sắc nét bỗng nhiên có văn bản ngẫu nhiên trôi nổi ở góc. Một dàn ý bài đăng blog biến thành nội dung chung chung. Bạn biết quy luật đó rồi đấy.

Đó là lý do tại sao lời nhắc phủ định trong AI lại quan trọng. Nó giúp cải thiện khả năng kiểm soát .

Nó giúp ích trong các trường hợp sau:

• Độ chính xác - Bạn thu hẹp không gian đầu ra

• Tính nhất quán - Ít rủi ro bất ngờ hơn

• Kiểm soát chất lượng - Giảm thiểu công việc dọn dẹp sau này.

• Quản lý phong cách - Tránh những kiểu trang phục hoặc tông màu bạn không thích.

• Giảm thiểu lỗi - Loại bỏ các lỗi và sai sót thường gặp.

• Tiết kiệm thời gian - Kết quả tốt hơn với ít lần thử hơn

Qua quá trình thử nghiệm của riêng tôi, khoảng cách giữa một lời nhắc nhở tốt và một lời nhắc nhở được trau chuốt hơn với các từ phủ định thường lớn hơn mọi người tưởng. Việc thêm một vài hướng dẫn "không được bao gồm" có thể mang lại hiệu quả mạnh mẽ hơn so với việc thêm mười từ mô tả bổ sung. Không phải lúc nào cũng vậy, nhưng đủ thường xuyên để tạo nên sự khác biệt.

Điều gì tạo nên một câu hỏi phủ định tốt trong AI? ✅✨

Một lời nhắc nhở phủ định hiệu quả không chỉ đơn thuần là một loạt các từ bị cấm ngẫu nhiên. Nó phải có mục tiêu, cụ thể và thiết thực .

Một lời nhắc nhở tiêu cực tốt thường có những đặc điểm sau:

• Liên quan đến kết quả đầu ra

  • Nếu bạn muốn một bức chân dung chân thực, thì những từ ngữ tiêu cực như “hoạt hình, anime, ít chi tiết” sẽ phù hợp.

• Tập trung vào những sai lầm có thể xảy ra

  • Đối với bàn tay, khuôn mặt, văn bản, giải phẫu, hiện tượng mờ nhòe và sự lộn xộn - đây là những điểm thường gặp vấn đề.

• Ngắn vừa đủ để tránh bị gió lùa vào

  • Những danh sách quá dài có thể trở nên khó quản lý và mâu thuẫn.

• Cụ thể nhưng không quá ám ảnh

  • "Không có ngón tay thừa" thì tốt hơn là "loại bỏ mọi dị tật sinh học khỏi cấu trúc chi của con người". Thôi nào.

• Kết hợp với một lời nhắc nhở tích cực mạnh mẽ

  • Các gợi ý phủ định hoạt động hiệu quả nhất khi AI cũng biết bạn thực sự muốn gì.

Một lời nhắc phủ định yếu thường có dạng như sau:

• Quá chung chung - "làm cho nó tốt hơn"

• Quá chung chung - "không có gì xấu xí"

• Quá mâu thuẫn - "thực tế nhưng không có bóng, không có kết cấu, không có chi tiết da"

• Quá dài - liệt kê từ khóa dài lê thê không có cấu trúc

Một cách hay để hiểu điều này là: lời nhắc tích cực xác định điểm đến, còn lời nhắc tiêu cực loại bỏ những con đường bạn không muốn AI đi 🚗

Có lẽ đây không phải là một phép ẩn dụ hoàn hảo. Giống như việc xóa bỏ những con đường đầm lầy khỏi bản đồ GPS hơn. Tuy nhiên, nó vẫn khá hợp lý.

Bảng so sánh - Các cách phổ biến để sử dụng câu hỏi phủ định trong AI 📊

Dưới đây là bảng so sánh thực tế cho thấy các kiểu nhắc nhở tiêu cực phổ biến nhất và cách chúng hoạt động hiệu quả nhất, dựa trên hướng dẫn nhắc nhở bằng hình ảnh , hướng dẫn thiết kế nhắc nhở LLM và hướng dẫn thiết kế nhắc nhở API .

Phong cách gợi ý tiêu cực	Tốt nhất cho	Ví dụ về cách diễn đạt	Lý do nó hiệu quả	Lỗi thường gặp
Loại bỏ hiện vật	Hình ảnh AI	“mờ, nhiễu, chất lượng thấp, vỡ hạt”	Loại bỏ nhanh chóng sự lộn xộn hình ảnh dễ thấy	Sử dụng quá nhiều thuật ngữ chất lượng trùng lặp
Chỉnh sửa giải phẫu	Chân dung, nhân vật	“Ngón tay thừa, bàn tay dị dạng, khuôn mặt méo mó”	Khắc phục các lỗi thường gặp khi vẽ hình người	Quên nhấn mạnh lời nhắc nhở về bức chân dung chính
Loại trừ kiểu dáng	Chỉ đạo nghệ thuật	“Phong cách hoạt hình, anime, truyện tranh, quá bão hòa màu sắc”	Giữ cho kết quả đầu ra gần hơn với tông màu hình ảnh đã chọn	Các kiểu chặn mà bạn vẫn cần, một cách vụng về
Dọn dẹp nền	Ảnh sản phẩm, ảnh mô phỏng	“Nền lộn xộn, văn bản, hình mờ”	Giúp cô lập đối tượng tốt hơn	Yêu cầu mô tả chi tiết cảnh vật trong khi lại cấm đoán sự chi tiết
Loại trừ đối tượng	Tạo cảnh	“Không xe cộ, không đám đông, không động vật”	Loại bỏ trực tiếp các phần tử không mong muốn	Hạn chế quá mức bối cảnh đến mức cảm thấy trống rỗng
Điều chỉnh tông màu cho văn bản	Viết bằng AI	“Không dùng tiếng lóng, không dùng ngôn từ khoa trương, không lặp lại”	Cải thiện giọng văn và khả năng đọc hiểu	Vì quá khắt khe nên văn phong nghe có vẻ cứng nhắc
Lọc an toàn hoặc lọc thương hiệu	Quy trình kinh doanh	“Không sử dụng ngôn từ xúc phạm, không bàn về chính trị”	Giảm thiểu các kết quả rủi ro trong sử dụng chuyên nghiệp	Giả sử nó giải quyết được mọi trường hợp ngoại lệ
Kiểm soát định dạng	Đầu ra có cấu trúc	“Không bảng biểu, không quá nhiều dấu đầu dòng, không biểu tượng cảm xúc”	Hữu ích khi bạn cần một định dạng chính xác	Xung đột với định dạng được yêu cầu... điều này xảy ra khá thường xuyên

Hãy nhìn vào quy luật. Những lời nhắc nhở tiêu cực hiệu quả nhất không cố gắng kiểm soát mọi thứ. Chúng giải quyết những điểm dễ gây thất bại nhất.

Cách thức hoạt động của các thông báo tiêu cực đằng sau hậu trường ⚙️

Nói một cách đơn giản, tín hiệu tiêu cực tác động đến mô hình bằng cách ngăn cản một số liên kết nhất định trong quá trình tạo ra mô hình .

Trong các công cụ xử lý hình ảnh, hệ thống xem xét cả tín hiệu chính và tín hiệu phủ định, rồi cố gắng tiến gần hơn đến tín hiệu này trong khi tránh xa tín hiệu kia. Đó là phiên bản đơn giản hóa, nhưng nó hữu ích. Hãy tưởng tượng như việc điều khiển bằng một tay trong khi nhẹ nhàng đẩy lùi một bản đồ lỗi bằng tay kia. Trong các công cụ được xây dựng trên Diffuser, ngay cả giao diện API cơ bản cũng bao gồm các trường như negative_prompt_embeds để kiểm soát kiểu này.

Trong các công cụ ngôn ngữ, các chỉ dẫn phủ định giúp định hình:

• âm thanh

• kết cấu

• chủ đề cấm

• giới hạn kiểu dáng

• kiểm soát lặp lại

• hành vi định dạng

Về cơ bản, trí tuệ nhân tạo đang cân bằng các sở thích.

Điều đó có nghĩa là các lời nhắc phủ định không phải là một công tắc ma thuật riêng biệt. Chúng là một phần của cùng một hệ sinh thái hướng dẫn . Điều này cũng giải thích tại sao chúng có thể thất bại khi:

• Lời nhắc tích cực quá yếu

• Câu hỏi phủ định quá dài

• các hướng dẫn mâu thuẫn nhau

• Mô hình này không xử lý tốt các giá trị âm

• Yêu cầu quá phức tạp để xử lý trong một lần

Và đúng vậy, các công cụ khác nhau sẽ phản hồi khác nhau. Một số mô hình xử lý hình ảnh thích các yêu cầu phủ định rõ ràng. Những mô hình khác thì ít nhiều thờ ơ và làm những gì chúng đã được lập trình sẵn. Trí tuệ nhân tạo có thể vừa sắc bén vừa cứng đầu cùng một lúc 😬

Gợi ý phủ định trong AI để tạo ảnh 🎨🖼️

Đây là nơi thuật ngữ này được sử dụng thường xuyên nhất.

Khi người ta nói về Negative Prompt trong AI , họ thường ám chỉ đến việc tạo ảnh . Điều đó hợp lý vì các mô hình hình ảnh nổi tiếng là hay lặp lại một vài lỗi kinh điển:

• chi thừa

• bàn tay biến dạng

• đôi mắt kỳ lạ

• các đối tượng trùng lặp

• kết cấu bùn

• văn bản ngẫu nhiên

• chi tiết thấp

• phơi nhiễm quá mức

• bố cục lộn xộn

Vậy nếu câu hỏi của bạn là:

• “Một bức chân dung điện ảnh về một hiệp sĩ trong ánh sáng vàng rực rỡ”

Bạn có thể thêm một lời nhắc phủ định như sau:

• “Hình ảnh mờ, có thêm ngón tay, khuôn mặt méo mó, giải phẫu học kém, chi tiết thấp, có chữ, hình mờ, đã cắt xén”

Điều đó cho hệ thống biết cần tránh những gì khi hiển thị quân mã.

Các lời nhắc nhở tiêu cực về hình ảnh tốt thường nhắm vào:

• Các vấn đề về giải phẫu

  • Bàn tay xấu, ngón tay thừa, tứ chi dính liền

• Vấn đề chất lượng

  • Chất lượng thấp, mờ, nhiễu, vỡ hạt

• Các vấn đề về bố cục

  • ảnh bị cắt xén, chủ thể trùng lặp, hình ảnh lộn xộn lệch tâm

• Phong cách không phù hợp

  • phim hoạt hình, anime, làn da không thực tế, quá bão hòa màu

• Các hiện vật lạc lõng

  • hình mờ, văn bản, logo, khung

Nhưng đừng lạm dụng quá mức

Rất nhiều người dùng sao chép những danh sách gợi ý tiêu cực khổng lồ từ đâu đó. Đôi khi điều đó có ích. Đôi khi nó giống như việc phủ mười sáu tấm chăn lên một cái đèn và tự hỏi tại sao căn phòng lại tối om.

Các câu hỏi phủ định dài có thể:

• nhầm lẫn mô hình

• làm suy yếu khả năng sáng tạo

• làm phẳng kết cấu

• loại bỏ những chi tiết tốt

• tạo ra sản phẩm vô trùng

Vậy nên, hãy sử dụng chúng - nhưng hãy sử dụng một cách có chủ đích.

Gợi ý phủ định trong AI dành cho viết và chatbot ✍️💬

Việc sử dụng gợi ý phủ định không chỉ dành cho hình ảnh. Nó cũng rất hiệu quả trong các hệ thống soạn thảo văn bản, chatbot, trợ lý hỗ trợ và quy trình làm việc nội dung .

Đối với văn bản, một lời nhắc phủ định có thể cho mô hình biết cần tránh:

• sự lặp lại

• những lời sáo rỗng

• thuật ngữ

• ngôn ngữ bán hàng hung hăng

• biểu tượng cảm xúc

• quá tải đạn

• suy đoán

• những tuyên bố không có căn cứ

• những chủ đề hoặc giọng điệu nhất định

Ví dụ, thay vì chỉ nói:

• “Hãy viết mô tả sản phẩm cho một máy pha cà phê cao cấp”

Bạn có thể thêm:

• “Đừng tỏ ra thúc ép.”

• “Tránh những tuyên bố phóng đại”

• “Không dùng cụm từ thừa”

• “Không dùng thuật ngữ chuyên ngành doanh nghiệp”

• “Không nên dùng những từ ngữ sáo rỗng như ‘người thay đổi cuộc chơi’ hay ‘tiên tiến’”

Điều đó làm thay đổi hoàn toàn giọng điệu.

Các gợi ý tiêu cực khi viết rất hữu ích khi bạn muốn:

• giọng điệu thương hiệu rõ ràng hơn

• ít cụm từ chung chung hơn

• giọng điệu chuyên nghiệp hơn

• định dạng dễ đọc hơn

• ít lặp lại

• Kết quả đầu ra an toàn hơn cho các nhóm và khách hàng

Tôi nghĩ trường hợp sử dụng này bị đánh giá thấp. Mọi người thường nói về nghệ thuật AI đẹp mắt, điều đó cũng đúng thôi, vì nó hào nhoáng và dễ nhớ. Nhưng đối với những người làm việc chuyên nghiệp, việc kiểm soát giọng điệu trong văn bản mới là nơi những lời nhắc nhở tiêu cực âm thầm mang lại lợi ích thiết yếu 🍽️

Những lỗi thường gặp khi sử dụng câu hỏi phủ định trong AI 🚫

Việc đưa ra lời nhắc nhở tiêu cực trông có vẻ dễ hơn thực tế.

Dưới đây là những lỗi thường gặp nhất.

1. Quá mơ hồ

Ví dụ không tốt:

• “Không có gì xấu cả”

Trí tuệ nhân tạo không có mục tiêu cụ thể nào ở đó. "Xấu" hầu như không có ý nghĩa gì.

Tốt hơn:

• “Không nhòe, không méo hình, không có vật thể thừa”

2. Mâu thuẫn với đề bài chính

Nếu bạn yêu cầu:

• “Một khu chợ giả tưởng được mô tả vô cùng chi tiết”

Và câu hỏi phủ định của bạn có nội dung như sau:

• “Không lộn xộn, không đông đúc, không chi tiết nền”

Thôi được rồi... bạn đã tự làm hỏng yêu cầu của chính mình rồi.

3. Nhồi nhét quá nhiều từ khóa

Những danh sách sao chép khổng lồ đôi khi có thể hiệu quả, nhưng thường thì chúng trở nên cồng kềnh. Mô hình mất đi sự rõ ràng. Nó giống như việc cố gắng chỉ đạo một bộ phim bằng cách hét lên 80 nốt nhạc cùng một lúc 🎬

4. Sử dụng hình ảnh phủ định mà thiếu sự rõ ràng về hình ảnh tích cực

Một gợi ý tiêu cực không thể cứu vãn một ý tưởng yếu kém. Nó có thể tinh chỉnh một gợi ý tốt, đúng vậy. Nhưng nó không thể tự nhiên tạo ra một gợi ý mới.

5. Giả định rằng mọi mô hình đều diễn giải các thuật ngữ theo cùng một cách

Một hệ thống phản ứng mạnh mẽ với "chất lượng thấp". Hệ thống khác lại bỏ qua. Một hệ thống quan tâm đến "bàn tay biến dạng". Hệ thống khác hầu như không để ý. Kiểm thử rất quan trọng.

6. Cố gắng kiểm soát từng pixel hay từng câu chữ

Kiểm soát quá mức có thể làm mất đi sức sống của sản phẩm. Sạch sẽ là tốt. Tàn tạ thì không. Có sự khác biệt.

Ví dụ thực tế về câu hỏi phủ định trong AI 🔍

Ví dụ sẽ giúp làm rõ điều này hơn, vì vậy đây là một vài ví dụ.

Ví dụ 1 - Chân dung thực tế

Yêu cầu chính:
Một bức chân dung cận cảnh chân thực của một người phụ nữ dưới ánh sáng dịu nhẹ từ cửa sổ, kết cấu da tự nhiên, độ sâu trường ảnh nông.

Cảnh báo tiêu cực:
mờ nhòe, thêm ngón tay, mắt méo mó, da nhân tạo, quá bão hòa màu, hoạt hình, văn bản, hình mờ

Lý do nó hiệu quả:
Nó bảo vệ tính chân thực và hạn chế các lỗi thị giác phổ biến nhất.

---

Ví dụ 2 - Ảnh sản phẩm

Yêu cầu chính:
Chụp ảnh sản phẩm tối giản một chiếc đồng hồ thông minh màu đen trên nền trắng, ánh sáng studio.

Thông báo tiêu cực:
lộn xộn, phản chiếu, vật thể thừa, văn bản, biến dạng logo, thiếu chi tiết, bóng mờ.

Lý do nó hiệu quả:
Nó giữ cho khung hình đơn giản và trông chuyên nghiệp.

---

Ví dụ 3 - Viết blog

Đề bài chính:
Viết một đoạn mở đầu blog hữu ích về năng suất làm việc tại nhà với giọng văn thân thiện và chuyên nghiệp.

Yêu cầu phủ định:
không sử dụng ngôn từ khoa trương, không dùng cụm từ sáo rỗng, không lặp lại, không dùng câu chữ máy móc, không hứa hẹn phóng đại.

Lý do nó hiệu quả:
Nó giúp tránh việc sử dụng những từ ngữ thừa thãi, nghe giống như do AI tạo ra và giữ cho nội dung tự nhiên hơn.

---

Ví dụ 4 - Phản hồi từ bộ phận hỗ trợ khách hàng

Yêu cầu chính:
Soạn thảo một thư trả lời lịch sự cho trường hợp hàng bị giao chậm trễ.

Lời nhắc nhở tiêu cực:
không đổ lỗi cho khách hàng, không dùng giọng điệu phòng thủ, không dùng thuật ngữ pháp lý, không lặp lại lời xin lỗi sáo rỗng hai lần.

Lý do hiệu quả:
Nó nâng cao tính chuyên nghiệp và thái độ ứng xử khéo léo.

Hãy xem những lời nhắc nhở tiêu cực này không phải ngẫu nhiên. Mỗi lời nhắc nhở đều gắn liền với nguy cơ thất bại thực tế.

Khi nào bạn không nên quá phụ thuộc vào những lời nhắc nhở tiêu cực 🪫

Những lời nhắc nhở tiêu cực rất có giá trị, nhưng chúng không phải lúc nào cũng là yếu tố chính.

Đôi khi, việc cải thiện lời nhắc chính lại là lựa chọn thông minh hơn.

Cần thận trọng khi:

• Yêu cầu của bạn đã quá khắt khe rồi

• Kết quả đầu ra của mô hình trông phẳng lặng và thiếu sức sống

• Danh sách từ chối của bạn dài hơn cả nội dung câu hỏi thực tế

• Công cụ này hầu như không phản hồi với trọng số âm

• Bạn chưa thử nghiệm các phiên bản lời nhắc đơn giản hơn trước

Nhiều kết quả kém chất lượng bị đổ lỗi cho AI thực chất chỉ là do hướng dẫn không rõ ràng và khó hiểu. Một lời nhắc cốt lõi tốt hơn thường giải quyết được nhiều vấn đề hơn là chỉ thêm một loạt các kết quả tiêu cực khác.

Vì vậy, một cách tiếp cận cân bằng sẽ mang lại kết quả tốt nhất:

• Bắt đầu với một lời nhắc chính rõ ràng

• Thêm một vài thuật ngữ phủ định có chủ đích

• Bài kiểm tra

• Cải tiến dựa trên những gì xảy ra sai sót

Quy trình đó hiệu quả hơn việc chỉ đơn thuần sao chép thông tin nhắc lệnh một cách ngẫu nhiên trong hầu hết các trường hợp.

Hướng dẫn cách viết câu hỏi phủ định hay hơn trong AI từng bước một 🛠️

Dưới đây là một quy trình đơn giản bạn có thể áp dụng.

Bước 1 - Xác định kết quả mong muốn

Hãy tự hỏi bản thân:

• Tôi đang cố gắng tạo ra cái gì?

• Tôi muốn phong cách, giọng điệu hoặc định dạng nào?

Bước 2 - Dự đoán các sự cố có thể xảy ra

Hãy nghĩ xem điều gì thường xảy ra sai sót.

• Cấu tạo giải phẫu kỳ lạ?

• Hình ảnh bị nhiễu?

• Văn bản lặp lại?

• Giọng điệu không phù hợp với thương hiệu?

Bước 3 - Viết các trường hợp loại trừ cụ thể

Biến những thất bại tiềm tàng đó thành những điều tiêu cực trực tiếp.

• “không bị mờ”

• “Không dùng tiếng lóng”

• “không cần người phụ giúp”

• “không có văn bản nền”

Bước 4 - Giữ cho danh sách gọn nhẹ

Hãy bắt đầu từ những bước nhỏ. Bạn luôn có thể bổ sung thêm sau này.

Bước 5 - Kiểm tra và điều chỉnh

Nếu AI liên tục mắc một lỗi, hãy tập trung khắc phục lỗi đó rõ hơn. Nếu kết quả trở nên quá cứng nhắc, hãy loại bỏ một vài ràng buộc.

Một mẫu nhỏ tiện dụng

Đối với hình ảnh:

• Đề bài chính: chủ đề + phong cách + ánh sáng + bố cục

• Thông báo lỗi: vấn đề về giải phẫu + sự không phù hợp về phong cách + loại bỏ hiện vật

Để viết:

• Đề bài chính: mục tiêu + đối tượng + giọng điệu + cấu trúc

• Lời nhắc tiêu cực: giọng điệu bị cấm + định dạng bị cấm + các cụm từ sáo rỗng bị cấm + các khu vực rủi ro

Không cầu kỳ. Chỉ đơn giản là thiết thực.

Lời kết về câu hỏi phủ định trong AI 🌟

Negative Prompt trong AI là gì ?

Đó là phần hướng dẫn mà bạn cho mô hình biết những gì cần tránh. Đó là định nghĩa rõ ràng. Nhưng trên thực tế, nó còn hơn thế nữa. Nó là một công cụ kiểm soát. Một bộ lọc chất lượng. Một cách để loại bỏ những điều vô nghĩa trước khi chúng xuất hiện. Không hoàn hảo, không tuyệt đối, nhưng thực sự mạnh mẽ.

Cách sử dụng thông minh nhất không phải là tạo ra một kho từ khóa khổng lồ rồi dán chúng khắp mọi nơi. Mà là nhận ra những lỗi thường xuyên xảy ra, sau đó khắc phục chính xác những vấn đề đó bằng những hướng dẫn cụ thể và bình tĩnh.

Đó chính là điểm tối ưu.

Tóm lại

• Trong trí tuệ nhân tạo, tín hiệu phủ định (Negative Prompt) cho mô hình biết những gì không nên tạo ra.

• Nó đặc biệt hữu ích cho việc tạo hình ảnh , viết văn bản và kiểm soát quy trình làm việc.

• Những lời nhắc nhở tiêu cực hiệu quả cần phải cụ thể, phù hợp và ngắn gọn.

• Những lời nhắc nhở tiêu cực kém hiệu quả thường mơ hồ, dài dòng hoặc mâu thuẫn

• Kết quả tốt nhất đạt được khi kết hợp một lời nhắc chính mạnh mẽ với một lời nhắc phủ định có mục tiêu

• Việc thử nghiệm rất quan trọng - các mô hình khác nhau sẽ cho kết quả khác nhau

Một khi bạn đã thành thạo việc sử dụng các câu hỏi phủ định, việc quay lại cách cũ có thể giống như nấu ăn mà không có muối. Không phải là không thể, chỉ hơi khó chịu một chút, và kết quả sẽ kém hiệu quả hơn mong muốn 

Câu hỏi thường gặp

Trong trí tuệ nhân tạo, lời nhắc tiêu cực là gì và nó khác với lời nhắc thông thường như thế nào?

Một lời nhắc thông thường cho mô hình biết cần tạo ra cái gì, trong khi một lời nhắc phủ định cho nó biết cần tránh cái gì. Trên thực tế, điều đó có nghĩa là bạn không chỉ mô tả mục tiêu mà còn ngăn chặn các mô hình lỗi phổ biến. Bài viết trình bày nó như một lớp kiểm soát giúp giảm thiểu các kiểu dáng, hiện vật hoặc hành vi không mong muốn, thay vì thay thế lời nhắc chính.

Tại sao việc sử dụng Negative Prompt trong AI lại cải thiện chất lượng đầu ra nhiều đến vậy?

Trong AI, Negative Prompt giúp thu hẹp không gian kết quả đầu ra, từ đó làm cho kết quả chính xác và nhất quán hơn. Thay vì để mô hình đoán quá rộng, bạn hướng dẫn nó tránh các vấn đề như mờ nhòe, lộn xộn, lặp lại hoặc các vấn đề về tông màu thường xuất hiện theo mặc định. Điều này thường dẫn đến ít công đoạn chỉnh sửa hơn, ít lần thử lại hơn và kết quả đầu ra mạnh mẽ hơn trong ít lần xử lý hơn.

Khi nào thì nên sử dụng các câu lệnh phủ định trong việc tạo ảnh bằng AI?

Hãy sử dụng chúng khi mô hình có xu hướng lặp lại các lỗi như thừa ngón tay, khuôn mặt méo mó, kết cấu mờ nhạt, văn bản ngẫu nhiên hoặc phông nền lộn xộn. Chúng đặc biệt hữu ích cho ảnh chân dung, ảnh sản phẩm và các cảnh được dàn dựng, nơi các khuyết điểm về chất lượng dễ dàng được phát hiện. Cách tiếp cận hiệu quả nhất là nhắm mục tiêu vào chính xác các vấn đề hình ảnh có khả năng xuất hiện nhất.

Liệu các gợi ý phủ định có thể giúp cho văn bản do AI viết nghe bớt máy móc hoặc lặp đi lặp lại hơn không?

Đúng vậy, bài viết đã chỉ rõ rằng các gợi ý phủ định rất có giá trị đối với cả văn bản và hình ảnh. Trong quy trình viết, chúng có thể giúp giảm thiểu các câu nói sáo rỗng, nội dung thừa, thuật ngữ chuyên ngành, sự lặp lại và ngôn ngữ cường điệu. Điều đó khiến chúng trở nên hữu ích cho giọng điệu thương hiệu, phản hồi hỗ trợ, phần mở đầu bài đăng blog và các nội dung khác mà giọng điệu và khả năng đọc hiểu là yếu tố quan trọng.

Làm thế nào để viết một câu hỏi phủ định hay trong AI mà không làm cho nó trở nên quá phức tạp?

Hãy bắt đầu với kết quả bạn muốn đạt được, sau đó xác định một vài điều có khả năng xảy ra sai sót nhất. Biến những rủi ro đó thành các điều khoản loại trừ ngắn gọn, cụ thể như “không làm mờ”, “không dùng tiếng lóng” hoặc “không thêm đối tượng” thay vì những chỉ dẫn mơ hồ như “hãy làm cho nó tốt hơn”. Một lời nhắc phủ định tốt trong AI phải luôn phù hợp, nhắm đúng mục tiêu và đủ ngắn gọn để vẫn rõ ràng.

Những lỗi thường gặp nhất mà mọi người mắc phải khi tiếp nhận thông tin tiêu cực là gì?

Những sai lầm lớn nhất là nói chung chung, mâu thuẫn với đề bài chính, nhồi nhét quá nhiều từ khóa và kỳ vọng phủ định sẽ cứu vãn một ý tưởng yếu kém. Một vấn đề phổ biến khác là cố gắng kiểm soát mọi chi tiết, điều này có thể khiến kết quả trở nên nhạt nhẽo hoặc khô khan. Bài viết cũng cảnh báo rằng các mô hình khác nhau có thể diễn giải cùng một thuật ngữ theo những cách rất khác nhau.

Tại sao cùng một lời nhắc phủ định lại hoạt động tốt trong công cụ AI này nhưng lại kém hiệu quả trong công cụ khác?

Bởi vì các phản hồi tiêu cực là một phần của hệ thống hướng dẫn tổng thể của mô hình, chứ không phải là một công tắc thần kỳ phổ quát. Một số công cụ phản hồi mạnh mẽ với các thuật ngữ như “chất lượng thấp” hoặc “tay nghề kém”, trong khi những công cụ khác hầu như không phản ứng. Quan điểm của bài viết rất thực tế: hãy thử nghiệm trên mô hình bạn đang sử dụng thay vì cho rằng cùng một cách diễn đạt sẽ áp dụng trơn tru ở mọi nơi.

Tôi có nên sao chép danh sách các câu hỏi tiêu cực dài từ người khác không?

Thông thường đó không phải là điểm khởi đầu tốt nhất. Những danh sách dài được sao chép có thể gây nhầm lẫn cho mô hình, làm suy yếu khả năng sáng tạo, làm phẳng các chi tiết hoặc tạo ra những mâu thuẫn mà bạn không nhận thấy. Một phương pháp đáng tin cậy hơn là bắt đầu với một danh sách ngắn gắn liền với các điểm lỗi cụ thể của bạn, sau đó điều chỉnh dựa trên những gì mô hình liên tục mắc lỗi.

Khi nào thì nên cải thiện nội dung chính thay vì thêm các yếu tố phủ định?

Nếu yêu cầu của bạn đã quá khắt khe, kết quả đầu ra thiếu sức sống, hoặc danh sách các điều kiện loại trừ dài hơn cả yêu cầu chính, thì có lẽ yêu cầu chính cần được chỉnh sửa trước. Yêu cầu loại trừ giúp tinh chỉnh một hướng đi tốt, nhưng chúng không thay thế hoàn toàn hướng đi đó. Bài viết khuyến nghị nên làm rõ chủ đề, phong cách, giọng điệu và định dạng trước khi thêm vào nhiều điều kiện loại trừ hơn.

Quy trình đơn giản để kiểm thử Negative Prompt trong AI trong các dự án thực tế là gì?

Hãy bắt đầu với một câu hỏi chính rõ ràng xác định chủ đề, phong cách, giọng điệu hoặc cấu trúc. Chỉ thêm một vài từ khóa phủ định có mục tiêu dựa trên những lỗi thường gặp, sau đó kiểm tra và xem xét những gì vẫn còn sai. Từ đó, hãy tinh chỉnh các từ khóa loại trừ cụ thể thay vì thêm quá nhiều từ khóa. Vòng lặp từng bước này được trình bày như là cách thực tế nhất để cải thiện kết quả một cách nhất quán.

Tài liệu tham khảo

1. Google Cloud - Thông báo phủ định trong AI - docs.cloud.google.com

2. Các nhà phát triển OpenAI - Hệ thống tạo văn bản - developers.openai.com

3. Microsoft Learn - Hướng dẫn kỹ thuật nhanh chóng cho chương trình LLM - learn.microsoft.com

4. Hugging Face - negative_prompt_embeds - huggingface.co

Tìm kiếm những công nghệ AI mới nhất tại Cửa hàng Trợ lý AI chính thức

Về chúng tôi