Ръководството за AI промпти за изображения

Повечето хора идват с навици за промпти, научени при SDXL: низ от съществителни, разделени със запетаи, увод от думи за качество, няколко тегла в скоби и негативен промпт, дълъг колкото положителния. Тези навици бяха правилни за онези модели и тук са контрапродуктивни. Това е кратката версия на онова, което наистина работи — и тъй като Shannon написва промпта за генериране вместо вас и го показва, преди каквото и да е да се рендира, това е в еднаква степен ръководство за четене и коригиране на онова, което Shannon предлага.

01Защо прозата бие таговете: моделът чете като езиков модел

По-старите дифузионни модели, за които е писана повечето литература за промпти, използваха текстов енкодер, който на практика се държеше като торба с понятия: граматиката почти нямаше значение, а печелившата стратегия беше да натрупате подходящи съществителни и да ги претеглите. Супата от тагове беше правилната форма на промпт за онзи енкодер.

Моделът за изображения на Shannon не работи така. Той чете промпта така, както езиковият модел чете текст, затова синтаксисът носи смисъл. „Държи чадър, опрян на рамото ѝ“ е връзка между човек, предмет и част от тялото; „чадър, рамо“ са две неща, които просто присъстват. Предлозите разполагат нещата. Глаголите създават пози. Изреченията прикрепят детайла към правилното съществително, вместо да го оставят да се носи из цялото изображение.

Ето една и съща картина, поискана и по двата начина.

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A 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.

Вижте какво версията с тагове не може да изрази. Тя никога не казва, че чадърът е държан, така че той може да се окаже проснат на земята. Никога не казва, че неонът се отразява в асфалта, а само че и двете съществуват, така че получавате надписи и мокра улица без никаква оптична връзка помежду им. Никога не казва накъде гледа жената, така че позата ѝ е хвърляне на монета. „Кинематографично осветление“ е етикет за настроение, а не източник на светлина. А последните пет думи са шум, прочетен като английски думи за фотография, а не като лостове за управление.

Версията с проза не е по-дълга, защото е разкрасена. По-дълга е, защото отговаря на въпроси, които версията с тагове оставя отворени. В това се състои целият трик.

02Колко дълъг трябва да бъде промптът за изображение?

Целете се в 30 до 80 думи. Не надхвърляйте много 100. Това е най-лесният лост за качество, с който разполагате, и двата края на диапазона имат значение.

Под около 30 думи композицията, светлината и кадрирането остават незададени, така че моделът избира каквото е статистически най-обикновено. „Жена в кафене“ е валиден промпт, който произвежда незапомнящо се изображение, защото сте делегирали всяко интересно решение.

Над приблизително 100 думи се появява друг провал: късните изречения се конкурират с ранните за същите области от изображението и вместо натрупване на детайл получавате разреждане. Третото описание на осветлението отменя първото, а обектът, който сте установили в първите осем думи, получава все по-малко относително внимание с всяко добавено изречение. Дългите промпти се четат като изчерпателни. Те не се рендират като изчерпателни.

Дисциплината: напишете промпта, който искате, а после го съкратете до изреченията, които биха променили картината, ако ги махнете.

03Дисциплината на подредбата: най-важното отпред

Тъй като моделът чете последователно, позицията е ударение: онова, което идва първо, закотвя изображението, а онова, което идва последно, го донастройва. Подредете нещата така, както моделът се нуждае от тях:

1. Обект — кой или какво е на тази картина, конкретно.
2. Действие или поза — какво прави, как е разположен.
3. Стил или настроение — фотография, картина с маслени бои, техническа илюстрация и регистърът, в който е.
4. Обстановка и осветление — къде се случва това и каква светлина пада върху него.
5. Техника — кадриране, обектив, дълбочина на рязкост, цветови подробности.

Най-честата самопричинена рана е започването с техническата част. Откриването с „Кинематографичен общ план, анаморфен светлинен отблясък, синьо-оранжев грейдинг, на мъж, четящ вестник“ казва на модела, че видът е обектът, а мъжът е подробност. Получавате великолепен, празен кадър с малка неясна фигура в него.

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.

Всеки елемент от първата версия оцелява във втората; нищо не е изпуснато. Просто сега моделът знае на какво е картината, преди да му кажат как да я снима — и само това пренареждане премества обекта от случаен към централен.

04Бъдете конкретни за обекта

„Човек“ не е обект, а запълнител — а моделът запълва празните места със средното от всичко, което е виждал, откъдето идва и лъскавият, безвъзрастен, безличен вид. Конкретността струва пет думи и купува конкретно човешко същество:

Обърнете внимание на модела: възраст или епоха, една структурна особеност, едно отличаващо несъвършенство. Третото е онова, което кара резултата да изглежда заснет, а не генериран. Нащърбен зъб, изтъркан подгъв, заличена с боя табела — малките асиметрии са най-силният наличен сигнал срещу пластмасовия вид и не струват почти нищо от бюджета ви от думи.

05Фотореализъм: напишете заявката като фотография

Фотореализмът е регистърът по подразбиране, освен ако не поискате изкуство, илюстрация или аниме. Но думата „фотореалистичен“ върши малко работа. Онова, което произвежда фотография, е описанието на самия акт на фотографиране: истинска камера, истински обектив и истинска филмова лента или източник на светлина.

Причината е проста. Всяко изображение с надпис „Kodak Portra 400“ е направено чрез конкретен процес с конкретна структура на зърното, конкретно спадане на светлите тонове и конкретно предаване на кожата, а назоваването на лентата привлича всичко това. „8k ultra detailed“ се е появявало само в спама на сайтовете за стокови снимки, така че привлича точно него. Няколко надеждни рецепти, всяка от които произвежда отчетливо различно изображение на един и същ обект:

Съгласувайте заземяването с рецептата — текстура на кожата до порите не значи нищо при 24mm широк кадър, в който лицето е високо осемдесет пиксела — и чак тогава го добавете. Заземяващият детайл е доказателството за текстура, че обектив наистина е записал това. Видими пори и фини косъмчета по лицето. Тъканта на ленена риза. Прашинки в сноп светлина. Ожулване по кожен ботуш. Щръкнали косми срещу светъл фон. Два или три са достатъчни и те са разликата между рендиране на човек и фотография на човек.

06Многопланови сцени: преден план, среден план, заден план

Когато сцената има дълбочина, опишете трите плана поотделно и по ред. Това е най-ефективната техника за изображения, които трябва да изглеждат като места, а не като декори, и почти никой не я използва. Без нея получавате плоскост: всичко, което промптът споменава, попада приблизително на едно и също разстояние и се бори за една и съща средна лента от кадъра. Назоваването на плановете дава на модела бюджет от дълбочина, който да изразходва.

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.

Две уточнения. Поставете на преден план нещо, което е умишлено разфокусирано — истинските фотографии на дълбоки сцени почти винаги имат такова и липсата му е чест издайнически знак. И кажете кой план заема обектът: ако куриерката е смисълът на картината, тя принадлежи на средния план, иначе кулата и чашата за кафе ще се борят с нея за кадъра.

07Точни цветове: hex кодове, прикрепени към обекти

За работа с марки, за приемственост на костюмите или навсякъде, където „червено“ не е достатъчно конкретно, напишете hex кода като color #RRGGBB и го прикрепете към назован обект:

...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...

Три практични правила. Използвайте hex за двата или трите цвята, които наистина имат значение, и обикновени думи за останалите — промпт с шест hex кода харчи по-голямата част от бюджета си за мостри боя. Обвързвайте кода с обект, който има очертания, никога с „осветлението“ или „настроението“. И помнете, че той задава цвета на обекта, а не крайната стойност на пикселите: палто в #8B0000 при контражур в златния час се рендира по-топло от мострата, точно както би било и в живота.

08Избор на съотношението на страните

Налични са пет съотношения и правилното обикновено се подразбира от обекта, но изричната ви заявка винаги печели — поискайте тапет и получавате tall, независимо какво подсказва съдържанието.

Грешката тук е по-вредна, отколкото изглежда. Фигура в цял ръст в кадър wide не ви дава малка фигура в голям кадър — обикновено ви дава отрязана, защото моделът запълва ширината и главата или краката излизат от кадъра. Съгласувайте кадъра с доминиращата ос на обекта и повечето оплаквания за композицията изчезват.

Две поведения, които си струва да запомните: редактирането автоматично запазва съотношението на страните на изходното изображение, така че не можете да прекадрирате чрез редактиране, докато комбинирането ви позволява да изберете ново платно — често най-чистият начин да промените формата на нещо, което вече имате.

09Грешни модели: какво да спрете да правите

Думи за качество: „masterpiece, best quality, 8k, ultra detailed“

Това бяха открити от общността лостове за конкретно по-старо разпределение на обучението, при което определени фрази в надписите корелираха с определени източници на изображения. Те не се пренасят. Тук се четат като обикновени английски думи, не допринасят с нищо и изяждат част от бюджет от думи, за който вече ви казахме, че е тесен. Замяната е да кажете кой детайл искате: не „ultra detailed“, а „видима тъкан на плата на палтото и фина набола брада по челюстта“ — същото намерение, изразено като нещо, което моделът може да рендира.

Синтаксис за тегло: (word:1.3), [word], {{word}}

Не се разчита. Скобите, двоеточията и числата попадат като буквален текст и ако изобщо правят нещо, то е да затруднят четенето на околното изречение. Ако искате повече ударение върху нещо, използвайте двата лоста, които наистина работят: преместете го по-напред в промпта и отделете му повече думи. „Аленочервен копринен шал, чиито ресни се повдигат от вятъра“ надделява над „(red scarf:1.4)“ по всеки показател, който има значение.

Противоречиви указания

Смесването на несъвместими инструкции не ги слива; произвежда нестабилна средна стойност, която обикновено не удовлетворява нито едната. Честите нарушители:

• Средство — „фотореалистично“ плюс „акварел“; „маслена картина“ плюс „заснето с 85mm“. Изберете едно и се придържайте към него.
• Кадриране — „широк установяващ план“ плюс „екстремно близък план на очите ѝ“; „в цял ръст“ плюс „детайлни пори на лицето“.
• Осветление — „сурово обедно слънце“ плюс „меко сияние в златния час“; „ниски тонове, дълбоки сенки“ плюс „светло и въздушно“.
• Епоха — „филмова естетика от 70-те“ плюс „модерен минимализъм“ плюс „киберпънк“.
• Натрупване на стилове — четирима автори или четири жанра наведнъж. Две сродни препратки могат да проработят; четири се неутрализират до нещо общо.
• Разпиляност — „рустикална, изветряла, древна, състарена от времето дървена врата“ е една идея, написана четири пъти, и всяко повторение разрежда останалата част от промпта.

10При текст към изображение няма негативен промпт

Това е грешката, която удря най-силно опитните потребители, защото при по-старите системи негативният промпт беше половината от занаята.

За генерирането правилото е абсолютно и леко противоинтуитивно: изписването на „без текст, без воден знак, без излишни пръсти“ в промпта прави тези неща по-вероятни, а не по-малко. Моделът чете „без текст“ като изречение, съдържащо понятието текст; отрицанието е слаб сигнал, а съществителното е силен. На практика сте поискали текст. Вместо това винаги заявявайте положителната форма:

При редактирането и комбинирането негативният промпт съществува и трябва да го използвате — но за артефакти, не за съдържание. Добър материал: воден знак, наложен текст, удвоени крайници, изкривени ръце, ореоли от преизостряне, JPEG блокове, шевове по ръба на композиция. Лош материал: каквото и да е за това на какво е картината — то принадлежи на инструкцията.

11Как да четете промпта, който Shannon написва вместо вас

Ето какво прави това ръководство веднага използваемо, а не теоретично. Не е нужно сами да пишете промпта за генериране. Питате на обикновен език, на който и да е език; Shannon разпознава, че се иска изображение, съставя промпта за генериране на английски и ви го показва на карта за потвърждение, преди каквото и да е да се рендира. Нищо не се генерира и нищо не се таксува, докато не потвърдите.

Затова умението, което се отплаща най-много, не е писането на промпти от нулата — а четенето на онзи на картата. Минете през този списък:

1. Конкретен ли е обектът? Ако картата казва „човек“ или „жена“, сте открили най-голямото налично подобрение. Дайте му възраст, телосложение, някаква черта.
2. Обектът първи ли е? Ако промптът започва със стил или камера, поискайте вместо това да води обектът.
3. В диапазона ли е? Под 30 думи поискайте повече конкретика за светлината и обстановката. Над 100 поискайте да бъде съкратен.
4. Има ли източник на светлина? Не дума за настроение — истинска светлина: прозорец, улична лампа, светкавица, облачно небе, софтбокс.
5. Има ли противоречия? Проверете за две средства, две кадрирания или две условия на осветление в един и същ промпт.
6. Има ли промъкнати отрицания? Ако картата съдържа „без“, „не“ или „избягвай“, това е промпт текст към изображение, който иска точно нещото, което назовава.
7. Подходящо ли е съотношението за обекта? Фигура в цял ръст в wide е класическото несъответствие.

Корекциите са разговорни: „направи я в началото на тридесетте с белег през едната вежда, снимай я на Portra с 85mm и използвай portrait“ е напълно добра инструкция. Получавате нова карта и потвърждавате нея. Няма наказание за повтаряне, защото още нищо не е рендирано.

И Shannon не генерира без покана. Поздрав, въпрос или снимка, която прикачвате за обсъждане, не задейства рендиране. Да помолите Shannon да погледне изображение — да го опише, да го прочете, да го анализира — е обикновена работа със зрение, а не генериране, и не струва нищо допълнително.

12Как се променя занаятът при редактиране и комбиниране

Правилата по-горе са писани за генериране. Два съседни режима променят формата на промпта.

Редактиране на едно изображение

Промптът за редактиране е инструкция, а не описание: заявете какво се променя и какво остава. Назоваването на непроменените части е най-големият лост за качество в продукта — „Смени фона с нощна дъждовна градска улица с неонови отражения, запази жената точно каквато е“ държи, докато същата заявка без това изречение тихо преначертава лицето ѝ. Бъдете конкретни за котвата: запази лицето, позата, косата и облеклото идентични. Използва се точно едно изходно изображение и резултатът запазва неговото съотношение на страните.

Комбиниране на две или повече изображения

Винаги когато елементите идват от повече от една картина — прехвърляне на облекло, обект в сцена, двама души в един кадър, продукт върху човек, стил от едно изображение с обект от друго — промптът трябва да назове ролята на всяко изображение по ред: „Жената от първото изображение, облечена с червения плетен пуловер от второто изображение, застанала в същия парк.“ Първото изображение е основният обект или сцена; следващите изображения доставят частите, които се внасят. Не свеждайте заявка с няколко изображения до един източник плюс текстово описание — комбинирането на реалните изображения е това, което запазва как тези неща изглеждат в действителност.

13Нецензурирани промпти: кажете това, което имате предвид

Няма филтър за съдържание по пътя на генерирането и няма слой за откази на модела, който написва промпта. В това е целият смисъл на продукта: филтрираните генератори рутинно отказват законна работа — художествена голота, медицинска и съдебна илюстрация, изображения за изследвания на сигурността, насилие в художествената литература, политическа сатира, работа с марки и образи от самия притежател на правата. Половината от занаята с промптите във филтрираните платформи е инженерство на евфемизми, а евфемизмът е врагът на точното изображение.

Затова има още едно нещо за проверка на картата: че тя описва действителния обект с обикновени думи, а не с предпазливия речник, който хората усвояват от филтрираните инструменти. Съдебна илюстрация на рана трябва да каже каква е раната. Предпазливият език произвежда по-лошо изображение навсякъде, защото моделът рендира това, което думите казват.

Възможността и преценката са различни неща. Shannon Lab LLC управлява това съгласно публикувана Политика за отговорна употреба: генерирането без филтри е професионален инструмент, а съгласието, правата и законът продължават да важат за това, което създавате.

14Къде се вписва API

Едно уточнение за точност за читателите, идващи от търсене за API: генерирането, редактирането и комбинирането на изображения живеят в чат приложението Shannon, а не в /v1 API. API обслужва текст и зрение — може да чете, описва и анализира изображения, които му изпращате, през всички три диалекта (/v1/chat/completions, /v1/messages, /v1/responses, всички с поточно предаване) — но не ги създава. Ако изграждате конвейер, който трябва да разбира изображения, документацията на API е мястото, откъдето да започнете. Ако искате да създавате изображения, това е чат приложението и всичко в това ръководство важи там. Изображенията се рендират на наш собствен GPU клъстер.

15Често задавани въпроси

Свързано четиво: Нецензурирано генериране на изображения с AI · Нецензурирано редактиране на изображения с AI · Политика за отговорна употреба · Документация на API · Всички изследвания на Shannon. Насоките тук произтичат от нашето собствено тестване на модела за изображения на Shannon; съветите, писани за по-ранни дифузионни системи, като цяло не се пренасят.