Die AI-beeldopdraggids
Shannon se Beeldmodel lees 'n opdrag soos 'n taalmodel. Daardie enkele feit verander alles oor hoe jy een behoort te skryf — en dit begin daarmee om die kommageskeide etikette te laat vaar.
Kortliks
Skryf vloeiende prosa in volsinne, nie sleutelwoordetikette nie. Mik vir 30–80 woorde. Rangskik dit soos die model dit lees: onderwerp → handeling → styl → omgewing en beligting → tegnies, die belangrikste eerste. Wees konkreet oor die onderwerp. As jy 'n foto wil hê, skryf dit as 'n foto — benoem 'n kamera, 'n lens, en 'n filmsoort of 'n lig. Heg presiese kleure aan benoemde voorwerpe as color #RRGGBB. Kies een van vyf aspekverhoudings. En laat die SDXL-era gewoontes vaar: geen "masterpiece, best quality, 8k" nie, geen (word:1.3)-gewigte nie, en geen negatiewe opdrag in teks-na-beeld nie — beskryf slegs wat jy wil hê. Redigering en kombinering neem wel 'n negatiewe opdrag.
Die meeste mense kom aan met opdraggewoontes wat op SDXL aangeleer is: 'n kommageskeide string selfstandige naamwoorde, 'n kwaliteitsteken-aanhef, 'n paar hakiesgewigte, en 'n negatiewe opdrag so lank soos die positiewe een. Daardie gewoontes was korrek vir daardie modelle en is hier teenproduktief. Dit is die kort weergawe van wat werklik werk — en omdat Shannon die genereringsopdrag vir jou skryf en dit wys voordat iets uitgebeeld word, is dit net so goed 'n gids tot die lees en regstel van wat Shannon voorstel.
01Waarom prosa etikette klop: die model lees soos 'n taalmodel
Die ouer diffusiemodelle waarvoor die meeste opdragadvies geskryf is, het 'n tekskodeerder gebruik wat in die praktyk soos 'n sak konsepte opgetree het: grammatika het skaars saak gemaak, en die wenstrategie was om relevante selfstandige naamwoorde op te stapel en hulle met gewigte te bevoordeel. Etiketsop was die korrekte opdragvorm vir daardie kodeerder.
Shannon se Beeldmodel werk nie so nie. Dit lees 'n opdrag soos 'n taalmodel teks lees, so sintaksis dra betekenis. "Holding an umbrella against her shoulder" is 'n verhouding tussen 'n persoon, 'n voorwerp en 'n liggaamsdeel; "umbrella, shoulder" is twee dinge wat toevallig teenwoordig is. Voorsetsels plaas dinge. Werkwoorde skep houdings. Klousules heg detail aan die regte selfstandige naamwoord in plaas daarvan om dit oor die hele beeld te laat sweef.
Hier is dieselfde prent op albei maniere gevra.
woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealisticA woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.Kyk na wat die etiketweergawe nie kan uitdruk nie. Dit sê nooit die sambreel word vasgehou nie, so dit kan op die grond beland. Dit sê nooit die neon word weerkaats in die asfalt nie, net dat albei bestaan, so jy kry tekens en 'n nat straat sonder enige optiese verhouding tussen hulle. Dit sê nooit waarheen die vrou kyk nie, so haar houding is 'n muntstukgooi. "Cinematic lighting" is 'n stemmingsetiket, nie 'n ligbron nie. En die laaste vyf tekens is geraas, gelees as Engelse woorde oor fotografie eerder as beheerhandvatsels.
Die prosaweergawe is nie langer omdat dit bloemryk is nie. Dit is langer omdat dit vrae beantwoord wat die etiketweergawe oop gelaat het. Dit is die hele truuk.
02Hoe lank behoort 'n beeldopdrag te wees?
Mik vir 30 tot 80 woorde. Moenie veel verby 100 gaan nie. Dit is die enkele maklikste kwaliteitshefboom wat vir jou beskikbaar is, en albei kante van die reeks maak saak.
Onder ongeveer 30 woorde is die komposisie, lig en omraming ongespesifiseer, so die model kies wat ook al statisties die gewoonste is. "A woman in a coffee shop" is 'n geldige opdrag wat 'n vergeetbare beeld oplewer, want jy het elke interessante besluit gedelegeer.
Bo ongeveer 100 woorde verskyn 'n ander faling: laat klousules ding met vroeë klousules mee om dieselfde streke van die beeld, en in plaas daarvan om detail op te hoop, kry jy verdunning. Die derde beligtingsbeskrywing maak die eerste ongedaan, en die onderwerp wat jy in die eerste agt woorde gevestig het, kry minder relatiewe aandag met elke sin wat jy byvoeg. Lang opdragte lees as deeglik. Hulle beeld nie deeglik uit nie.
Die dissipline: skryf die opdrag wat jy wil hê, en sny dit dan terug tot die sinne wat die prent sou verander as hulle verwyder word.
03Die volgordedissipline: die belangrikste ding eerste
Omdat die model opeenvolgend lees, is posisie klem: wat eerste kom, anker die beeld, wat laaste kom, verstel dit. Sit dinge in die volgorde wat die model hulle nodig het:
- Onderwerp — wie of wat hierdie prent van is, konkreet.
- Handeling of houding — wat hulle doen, hoe hulle gehou word.
- Styl of stemming — foto, olieverf, tegniese illustrasie, en die register waarin dit is.
- Omgewing en beligting — waar dit gebeur en watter lig daarop val.
- Tegnies — omraming, lens, veldiepte, kleurbesonderhede.
Die algemeenste selftoegediende wond is om met die tegniese klousule te begin. Om met "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" te open, sê vir die model dat die voorkoms die onderwerp is en die man 'n detail. Jy kry 'n pragtige, leë raam met 'n klein onduidelike figuur daarin.
Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.Elke element uit die eerste weergawe oorleef in die tweede; niks is laat val nie. Die model weet nou eenvoudig waarvan die prent is voordat dit vertel word hoe om dit te skiet — en daardie herrangskikking alleen skuif die onderwerp van bykomstig na sentraal.
04Wees konkreet oor die onderwerp
"A person" is nie 'n onderwerp nie, dit is 'n plekhouer — en die model vul plekhouers met die gemiddelde van alles wat dit gesien het, wat presies is waar die glansende, ouderdomlose, karakterlose voorkoms vandaan kom. Konkreetheid kos vyf woorde en koop 'n spesifieke mens:
| Vaag | Konkreet |
|---|---|
| a person | a man in his forties with a salt-and-pepper beard and deep smile lines |
| a woman | a woman in her late twenties with a dark undercut and a chipped front tooth |
| an old building | a four-story brick warehouse with painted-over signage and boarded upper windows |
| food | a bowl of ramen with a soft-boiled egg halved on top, steam rising |
Let op die patroon: ouderdom of era, een strukturele kenmerk, een onderskeidende onvolmaaktheid. Daardie derde item is wat 'n resultaat laat voel asof dit gefotografeer is eerder as gegenereer. 'n Geskaarde tand, 'n verslete soom, oorgeverfde bewegwysing — klein asimmetrieë is die sterkste anti-plastiek sein beskikbaar, en hulle kos byna niks in jou woordbegroting nie.
05Fotorealisme: skryf die versoek as 'n foto
Fotorealisme is die verstekregister tensy jy kuns, illustrasie of anime vra. Maar die woord "photorealistic" doen min werk. Wat 'n foto oplewer, is om die handeling van fotografie te beskryf: 'n werklike kamera, 'n werklike lens, en 'n werklike filmsoort of ligbron.
Die rede is eenvoudig. Elke beeld met die byskrif "Kodak Portra 400" is deur 'n spesifieke proses gemaak met 'n spesifieke korrelstruktuur, hoogligafrol en veltoonweergawe, en om die filmsoort te benoem, werf dit alles. "8k ultra detailed" het net ooit op voorraadwebwerf-gemors verskyn, so dit werf voorraadwebwerf-gemors. 'n Paar betroubare resepte, wat elkeen 'n duidelik ander beeld van dieselfde onderwerp oplewer:
| Resep | Wat dit jou gee |
|---|---|
| Kodak Portra 400, 85mm f/1.4, soft window light | Warm, vergewensgesinde veltone; romerige skeiding; redaksionele portret |
| Ilford HP5 pushed to 1600, 35mm, available light | Korrelrige swart en wit, kontrasryk, straatdokumentêre energie |
| Digital medium format, 80mm, single softbox at 45° | Skoon kommersiële ateljeevoorkoms, beheerde afval, produkgraad |
| 135mm f/2, backlit at golden hour, atmospheric haze | Saamgeperste agtergrond, randlig, romantiese telefotovoorkoms |
Pas die begronding by die resep aan — porievlak-veltekstuur beteken niks in 'n 24mm-wye opname waar die gesig tagtig beeldpunte hoog is nie — en voeg dit dan by. Begrondingsdetail is die tekstuurbewys dat 'n lens dit werklik opgeneem het. Sigbare velporieë en fyn gesigshare. Die weefsel van 'n linnehemp. Stofdeeltjies in 'n ligstraal. 'n Skraapmerk op 'n leerstewel. Los hare teen 'n helder agtergrond. Twee of drie is genoeg, en hulle is die verskil tussen 'n weergawe van 'n persoon en 'n foto van een.
06Gelaagde tonele: voorgrond, middelgrond, agtergrond
Wanneer 'n toneel diepte het, beskryf die drie vlakke afsonderlik en in volgorde. Dit is die doeltreffendste tegniek vir beelde wat soos plekke eerder as agterdoeke moet voel, en byna niemand doen dit nie. Sonder dit kry jy platheid: alles wat die opdrag noem, land op ongeveer dieselfde afstand en ding om dieselfde middelband van die raam mee. Om vlakke te benoem, gee die model 'n dieptebegroting om te bestee.
In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.Twee verfynings. Sit iets in die voorgrond wat doelbewus buite fokus is — werklike foto's van diep tonele het byna altyd een, en die afwesigheid daarvan is 'n algemene verklikker. En sê watter vlak die onderwerp beset: as die koerier die punt van die prent is, hoort sy in die middelgrond, anders sal die toring en die koffiebeker met haar om die raam baklei.
07Presiese kleure: heks-kodes, aan voorwerpe geheg
Vir handelsmerkwerk, kostuumkontinuïteit, of oral waar "rooi" nie spesifiek genoeg is nie, skryf die heks-kode as color #RRGGBB en heg dit aan 'n benoemde voorwerp:
...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F....#8B0000, #1E3A5F, dark red and navy color palette, moody...Drie duimreëls. Gebruik heks vir die twee of drie kleure wat werklik saak maak en gewone woorde vir die res — 'n opdrag met ses heks-kodes bestee die meeste van sy begroting aan verfstalletjies. Bind die kode aan 'n voorwerp met rande, nooit aan "die beligting" of "die stemming" nie. En onthou dit spesifiseer die voorwerp se kleur, nie die finale beeldpuntwaarde nie: 'n #8B0000-jas in goue-uur teenlig beeld warmer uit as die staaltjie, presies soos dit in die lewe sou.
08Om die aspekverhouding te kies
Vyf verhoudings is beskikbaar en die regte een word gewoonlik deur die onderwerp geïmpliseer, maar 'n uitdruklike versoek van jou wen altyd — vra vir 'n muurpapier en jy kry tall ongeag wat die inhoud voorstel.
| Verhouding | Beste vir | Waarom |
|---|---|---|
| square | Verstek. Enkele gesentreerde voorwerpe, ikone, simmetriese komposisies, sosiale plasings | Geen dominante as nie, so niks word deur die raam se eie sydigheid afgesny nie |
| portrait | Mense, vol of half lyf; hoë onderwerpe soos torings, bome, bottels | Gee 'n staande figuur ruimte van kop tot voet sonder om dit te verklein |
| landscape | Landskappe, binneruimtes, groepe mense, produk-in-konteks opnames | Horisontale ruimte sodat die omgewing werklik 'n omgewing kan wees |
| wide | Filmiese rame, filmstille, baniere, kopbeelde | Die wydste opsie; sterk negatiewe ruimte, anamorfiese gevoel |
| tall | Plakkate, boekomslae, foonagtergronde, vertikale sosiale formate | Hoër as portrait; laat doelbewuste ruimte vir teks of lug |
Om dit verkeerd te kry, is skadeliker as wat dit lyk. 'n Vollengte staande figuur in 'n wide-raam gee jou nie 'n klein figuur in 'n groot raam nie — dit gee jou gewoonlik 'n afgesnyde een, want die model vul die breedte en die kop of voete verlaat die raam. Pas die raam by die onderwerp se dominante as aan en die meeste komposisieklagtes verdwyn.
Twee gedrae wat die moeite werd is om te onthou: redigering behou outomaties die bronbeeld se aspekverhouding, so jy kan nie deur te redigeer herraam nie, terwyl kombinering jou 'n nuwe doek laat kies — dikwels die skoonste manier om die vorm van iets wat jy reeds het, te verander.
09Anti-patrone: wat om op te hou doen
Kwaliteitstekens: "masterpiece, best quality, 8k, ultra detailed"
Dit was gemeenskaps-ontdekte handvatsels vir 'n spesifieke ouer afrigtingsverspreiding, waar sekere byskriffrases met sekere beeldbronne gekorreleer het. Hulle dra nie oor nie. Hier word hulle as gewone Engelse woorde gelees, dra niks by nie, en eet deel van 'n woordbegroting waarvan jy reeds vertel is dat dit beknop is. Die vervanging is om te sê watter detail jy wil hê: nie "ultra detailed" nie maar "visible weave in the coat fabric and fine stubble along the jaw" — dieselfde bedoeling, uitgedruk as iets wat die model kan uitbeeld.
Gewigsintaksis: (word:1.3), [word], {{word}}
Word nie ontleed nie. Die hakies, blokhakies, dubbelpunte en getalle land as letterlike teks en maak, as iets, die omliggende klousule moeiliker om te lees. As jy meer klem op iets wil hê, gebruik die twee hefbome wat wel werk: skuif dit vroeër in die opdrag, en gee dit meer woorde. "A crimson silk scarf, its fringed ends lifting in the wind" weeg swaarder as "(red scarf:1.4)" volgens elke maatstaf wat saak maak.
Botsende aanwysings
Om onversoenbare instruksies te meng, meng hulle nie; dit lewer 'n onstabiele gemiddelde op wat gewoonlik nie een van die twee bevredig nie. Die gereelde oortreders:
- Medium — "photorealistic" plus "watercolor"; "oil painting" plus "shot on 85mm". Kies een en verbind jou daaraan.
- Omraming — "wide establishing shot" plus "extreme close-up on her eyes"; "full body" plus "detailed facial pores".
- Beligting — "harsh midday sun" plus "soft golden hour glow"; "low key, deep shadows" plus "bright and airy".
- Era — "1970s film aesthetic" plus "modern minimalist" plus "cyberpunk".
- Stylstapeling — vier kunstenaars of vier genres tegelyk. Twee verwante verwysings kan werk; vier kanselleer uit tot generies.
- Uitgesprei — "rustic, weathered, ancient, timeworn wooden door" is een idee wat vier keer geskryf is, en elke herhaling verdun die res van die opdrag.
10Daar is geen negatiewe opdrag in teks-na-beeld nie
Dit is die anti-patroon wat ervare gebruikers die hardste vang, want op ouer stapels was die negatiewe opdrag die helfte van die vakmanskap.
| Bewerking | Negatiewe opdrag | Wat om te doen |
|---|---|---|
| Teks-na-beeld (genereer) | Nie ondersteun nie | Beskryf slegs wat jy wil hê. Skryf nooit "geen X" nie. |
| Redigering van een beeld | Ondersteun | Sit ongewenste artefakte daar, hou die instruksie positief. |
| Kombinering van twee of meer | Ondersteun | Dieselfde — artefakte in die negatiewe, rolle in die positiewe. |
Vir generering is die reël absoluut en effens teenintuïtief: om "no text, no watermark, no extra fingers" in die opdrag te skryf, maak daardie dinge meer waarskynlik, nie minder nie. Die model lees "no text" as 'n sin wat die konsep teks bevat; ontkenning is 'n swak sein en die selfstandige naamwoord is 'n sterk een. Jy het effektief vir teks gevra. Stel altyd eerder die positiewe vorm:
| In plaas van | Skryf |
|---|---|
| no background clutter | a clean seamless gray backdrop |
| not blurry | tack sharp on the eyes, f/8 |
| no other people | alone in an empty street at dawn |
| no modern objects | a 1930s kitchen with enamelware and a cast-iron stove |
| no cartoon style | shot on Kodak Portra 400, 85mm, natural skin texture |
Vir redigering en kombinering bestaan die negatiewe opdrag wel en jy behoort dit te gebruik — maar vir artefakte, nie inhoud nie. Goeie materiaal: watermerk, teksoorleg, gedupliseerde ledemate, verwronge hande, oorverskerpingshalo's, JPEG-blokkering, naatlyne langs 'n saamgestelde rand. Slegte materiaal: enigiets oor waarvan die prent is, wat in die instruksie hoort.
11Om die opdrag te lees wat Shannon vir jou skryf
Hier is wat hierdie gids onmiddellik bruikbaar eerder as teoreties maak. Jy hoef nie self die genereringsopdrag te skryf nie. Jy vra in gewone taal, in enige taal; Shannon herken dat 'n beeld gevra word, stel die Engelse genereringsopdrag saam, en wys dit aan jou op 'n bevestigingskaart voordat iets uitgebeeld word. Niks word gegenereer en niks word gefaktureer voordat jy bevestig nie.
So die vaardigheid wat die meeste loon, is nie om opdragte van voor af te skryf nie — dit is om die een op die kaart te lees. Werk hierdie lys af:
- Is die onderwerp konkreet? As die kaart "a person" of "a woman" sê, het jy die enkele grootste beskikbare verbetering gevind. Gee dit 'n ouderdom, 'n bou, 'n kenmerk.
- Is die onderwerp eerste? As die opdrag met 'n styl of 'n kamera open, vra dat dit eerder met die onderwerp lei.
- Is dit binne bereik? Onder 30 woorde, vra vir meer spesifisiteit oor lig en omgewing. Bo 100, vra dat dit gesny word.
- Is daar 'n ligbron? Nie 'n stemmingswoord nie — 'n werklike lig: venster, straatlamp, flits, bewolkte lug, sagtekas.
- Enige botsings? Kyk uit vir twee mediums, twee omramings, of twee beligtingstoestande in dieselfde opdrag.
- Enige ingesmokkelde negatiewes? As die kaart "without", "no", of "avoid" bevat, is dit 'n teks-na-beeld opdrag wat vra vir die ding wat dit benoem.
- Is die verhouding reg vir die onderwerp? Vollengte figuur in
wideis die klassieke wanpassing.
Regstellings is gesprekmatig: "maak haar vroeg in haar dertigs met 'n litteken deur een wenkbrou, skiet dit op Portra teen 85mm, en gebruik portrait" is 'n heeltemal goeie instruksie. Jy kry 'n nuwe kaart en bevestig eerder daardie een. Daar is geen boete vir iterasie nie, want niks is nog uitgebeeld nie.
En Shannon genereer nie ongenooid nie. 'n Groet, 'n vraag, of 'n foto wat jy vir bespreking aanheg, sneller nie 'n uitbeelding nie. Om Shannon te vra om na 'n beeld te kyk — dit te beskryf, te lees, te ontleed — is gewone visiewerk, nie generering nie, en kos niks ekstra nie.
12Hoe die vakmanskap verskuif vir redigering en kombinering
Die reëls hierbo is vir generering geskryf. Twee aangrensende modusse verander die vorm van die opdrag.
Redigering van een beeld
'n Redigeeropdrag is 'n instruksie, nie 'n beskrywing nie: sê wat verander en wat bly. Om die onveranderde dele te benoem, is die enkele grootste kwaliteitshefboom in die produk — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" hou saam waar dieselfde versoek sonder daardie klousule haar gesig stilweg herteken. Wees spesifiek oor die anker: hou die gesig, houding, hare en klere identies. Presies een bronbeeld word gebruik, en die uitvoer behou sy aspekverhouding.
Kombinering van twee of meer beelde
Wanneer elemente uit meer as een prent kom — uitrusting-oordrag, 'n voorwerp in 'n toneel, twee mense in een raam, produk-op-persoon, 'n styl uit een beeld met 'n onderwerp uit 'n ander — moet die opdrag die rol van elke beeld benoem, in volgorde: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." Die eerste beeld is die hoofonderwerp of toneel; latere beelde verskaf die dele wat ingebring word. Moenie 'n multi-beeldversoek inmekaarstort tot een bron plus 'n teksbeskrywing nie — om die werklike beelde te kombineer, is wat bewaar hoe daardie dinge werklik lyk.
13Ongesensureerde opdragte: sê wat jy bedoel
Daar is geen inhoudsfilter op die genereringspad nie en geen weieringslaag op die model wat die opdrag skryf nie. Dit is die produk se hele punt: gefiltreerde generators weier roetineweg wettige werk — kunsnaakstudies, mediese en forensiese illustrasie, sekuriteitsnavorsingsbeelde, geweld in fiksie, politieke satire, handelsmerk- en gelykeniswerk deur die reghebbende. Die helfte van die opdragvakmanskap op gefiltreerde platforms is eufemisme-ingenieurswese, en eufemisme is die vyand van 'n akkurate beeld.
So daar is nog een ding om op die kaart na te gaan: dat dit die werklike onderwerp in gewone woorde beskryf eerder as die versagte woordeskat wat mense by gefiltreerde gereedskap aanleer. 'n Forensiese illustrasie van 'n wond behoort te sê wat die wond is. Versagte taal lewer oral 'n swakker beeld op, want die model beeld uit wat die woorde sê.
Vermoë en oordeel is aparte dinge. Shannon Lab LLC bedryf dit onder 'n gepubliseerde Beleid vir Verantwoordelike Gebruik: ongefiltreerde generering is 'n professionele gereedskap, en toestemming, regte en die reg geld steeds almal vir wat jy maak.
Die een-bladsy kontrolelys
- Prosa in volsinne, nie kommageskeide etikette nie.
- 30–80 woorde. Sny enigiets wat nie die prent sou verander nie.
- Onderwerp → handeling → styl → omgewing en beligting → tegnies.
- Konkrete onderwerp: ouderdom, een strukturele kenmerk, een onvolmaaktheid.
- Foto's: benoem 'n kamera, lens, en filmsoort of ligbron.
- Diep tonele: voorgrond, middelgrond, agtergrond, afsonderlik benoem.
- Presiese kleure as
color #RRGGBBaan 'n benoemde voorwerp gebind. - Kies die verhouding uit die onderwerp se dominante as.
- Twee of drie begrondingsteksture, by die omraming aangepas.
- Geen kwaliteitstekens, geen gewigsintaksis, geen botsende aanwysings nie.
- Geen negatiewes in teks-na-beeld nie. Negatiewes is vir redigering en kombinering, en slegs vir artefakte.
14Waar die API inpas
Een punt van akkuraatheid vir lesers wat van 'n API-soektog af aankom: beeldgenerering, -redigering en -kombinering leef in die Shannon-kletsprogram, nie op die /v1 API nie. Die API bedien teks en visie — dit kan beelde wat jy stuur lees, beskryf en ontleed oor al drie dialekte (/v1/chat/completions, /v1/messages, /v1/responses, almal stromend) — maar dit skep hulle nie. As jy 'n pyplyn bou wat beelde moet verstaan, is die API-dokumentasie die plek om te begin. As jy beelde wil maak, is dit die kletsprogram, en alles in hierdie gids geld daar. Beelde word op ons eie GPU-tros uitgebeeld.
15Gereelde vrae
Hoe lank behoort 'n AI-beeldopdrag te wees?
Mik vir 30 tot 80 woorde en gaan nooit veel verby 100 nie. Onder 30 woorde laat jy die komposisie, beligting en omraming aan die toeval oor. Verby 100 woorde begin die latere klousules met die vroeëres meeding en detail begin uitwas eerder as ophoop.
Moet ek sleutelwoordetikette of volsinne skryf?
Volsinne. Shannon se Beeldmodel lees 'n opdrag soos 'n taalmodel teks lees, so grammatika dra inligting. "A woman in her 30s at a rain-soaked Tokyo crosswalk at night" lewer 'n samehangende toneel op; "woman, 30s, Tokyo, rain, night" lewer 'n hoop los eienskappe op sonder verhoudings tussen hulle.
Kan ek 'n negatiewe opdrag vir teks-na-beeld gebruik?
Nee. Teks-na-beeld op Shannon neem geen negatiewe opdrag nie, so beskryf slegs wat jy wil hê en skryf nooit "geen X" in die opdrag self nie — om 'n ding te benoem, roep dit gewoonlik op. Beeldredigering en beeldkombinering ondersteun wel 'n negatiewe opdrag, en dit is die regte plek vir ongewenste artefakte soos watermerke, teksoorlegte of gedupliseerde ledemate.
Verbeter tekens soos "masterpiece, best quality, 8k" die beeld?
Nee. Dit was handvatsels vir 'n ouer generasie modelle en hulle dra hier geen inligting nie — hulle word bloot as woorde gelees, en hulle bestee deel van jou 30–80 woord begroting om niks te sê nie. Gewigsintaksis soos (word:1.3) word ook nie ontleed nie; dit land as letterlike teks. Beskryf eerder die werklike detail wat jy wil hê.
Hoe kry ek 'n presiese kleur?
Skryf die heks-kode as color #RRGGBB en heg dit aan 'n spesifieke benoemde voorwerp, byvoorbeeld "a wool jacket, color #8B0000". 'n Heks-kode wat los van 'n voorwerp sweef, het niks om aan te bind nie. Gebruik dit vir die twee of drie kleure wat werklik saak maak en beskryf die res in woorde.
Kan ek beelde deur die Shannon-API genereer?
Nee. Beeldgenerering, -redigering en -kombinering gebeur in die Shannon-kletsprogram. Die /v1 API bedien teks en visie — dit kan beelde wat jy stuur lees en ontleed, maar dit skep hulle nie. Alles in hierdie gids geld vir die kletsprogram.
Probeer dit op 'n werklike opdrag
Vra in enige taal. Lees die kaart. Verstel dit. Bevestig dan.
Maak Shannon Klets Oop Meer NavorsingNiks word uitgebeeld, en niks word gefaktureer nie, totdat jy die opdrag bevestig
Verwante leesstof: Ongesensureerde AI-beeldgenerering · Ongesensureerde AI-beeldredigering · Beleid vir Verantwoordelike Gebruik · API-dokumentasie · Alle Shannon-navorsing. Riglyne hier is uit ons eie toetsing van Shannon se Beeldmodel getrek; advies wat vir vroeëre diffusiestapels geskryf is, dra oor die algemeen nie oor nie.