Vodič za AI promptove za slike

Većina ljudi dolazi s navikama naučenim na SDXL-u: niz imenica odvojenih zarezima, uvod od tokena za kvalitet, nekoliko težina u zagradama i negativni prompt dug koliko i pozitivni. Te navike bile su ispravne za te modele, a ovdje su kontraproduktivne. Ovo je kratka verzija onoga što zaista radi — a pošto Shannon prompt za generisanje piše umjesto vas i pokaže ga prije nego što se išta renderira, ovo je jednako i vodič za čitanje i ispravljanje onoga što Shannon predloži.

01Zašto proza pobjeđuje oznake: model čita kao jezički model

Stariji difuzijski modeli, za koje je pisana većina savjeta o promptovima, koristili su tekstualni koder koji se u praksi ponašao kao vreća pojmova: gramatika je jedva bila važna, a dobitna strategija bila je nagomilati relevantne imenice i izvagati ih težinama. Juha od oznaka bila je ispravan oblik prompta za taj koder.

Shannonov Model za slike ne radi tako. Prompt čita onako kako jezički model čita tekst, pa sintaksa nosi značenje. „Drži kišobran naslonjen na rame” je odnos između osobe, predmeta i dijela tijela; „kišobran, rame” su dvije stvari koje su slučajno tu. Prijedlozi smještaju stvari. Glagoli stvaraju poze. Rečenični dijelovi vežu detalj uz pravu imenicu umjesto da lebdi preko cijele slike.

Evo iste slike zatražene na oba načina.

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.

Pogledajte šta verzija s oznakama ne može izraziti. Nikada ne kaže da se kišobran drži, pa on može završiti na tlu. Nikada ne kaže da se neon ogleda u asfaltu, samo da oboje postoji, pa dobijete reklame i mokru ulicu bez ikakvog optičkog odnosa među njima. Nikada ne kaže gdje žena gleda, pa je njena poza bacanje novčića. „Cinematic lighting” je oznaka raspoloženja, a ne izvor svjetla. A posljednjih pet tokena su šum, pročitani kao engleske riječi o fotografiji, a ne kao upravljačke ručke.

Prozna verzija nije duža zato što je kitnjasta. Duža je zato što odgovara na pitanja koja je verzija s oznakama ostavila otvorenim. U tome je cijeli trik.

02Koliko dug treba biti prompt za sliku?

Ciljajte na 30 do 80 riječi. Nemojte ići mnogo preko 100. Ovo je najlakša poluga kvaliteta koja vam je na raspolaganju, a bitna su oba kraja raspona.

Ispod otprilike 30 riječi kompozicija, svjetlo i kadriranje ostaju neodređeni, pa model bira ono što je statistički najobičnije. „Žena u kafiću” je ispravan prompt koji daje sliku koja se ne pamti, jer ste svaku zanimljivu odluku prepustili drugome.

Iznad otprilike 100 riječi javlja se drugačije otkazivanje: kasniji rečenični dijelovi nadmeću se s ranijima za ista područja slike, pa umjesto gomilanja detalja dobijete razvodnjavanje. Treći opis osvjetljenja poništava prvi, a subjekt koji ste uspostavili u prvih osam riječi dobija sve manje relativne pažnje sa svakom dodanom rečenicom. Dugi promptovi djeluju temeljito. Ne renderiraju se temeljito.

Disciplina: napišite prompt kakav želite, pa ga skratite na rečenice koje bi promijenile sliku kad bi se uklonile.

03Disciplina redoslijeda: najvažnija stvar prva

Pošto model čita sekvencijalno, položaj je naglasak: ono što dolazi prvo usidruje sliku, ono što dolazi zadnje je podešava. Poredajte stvari onako kako ih model treba:

1. Subjekt — ko je ili šta je na ovoj slici, konkretno.
2. Radnja ili poza — šta rade, kako su postavljeni.
3. Stil ili raspoloženje — fotografija, ulje na platnu, tehnička ilustracija, i u kojem su registru.
4. Ambijent i osvjetljenje — gdje se ovo dešava i kakvo svjetlo pada na to.
5. Tehnika — kadriranje, objektiv, dubinska oštrina, detalji boje.

Najčešća samonanesena rana jeste početi tehničkim dijelom. Otvaranje sa „Filmski široki kadar, anamorfni odsjaj objektiva, plavo-narandžasta gradacija, čovjeka koji čita novine” govori modelu da je izgled subjekt, a čovjek detalj. Dobijete predivan, prazan kadar sa sitnom nejasnom figurom u njemu.

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.

Svaki element iz prve verzije preživio je u drugoj; ništa nije izbačeno. Model sada jednostavno zna šta je na slici prije nego što mu se kaže kako da je snimi — a samo to preslaganje pomjera subjekt iz usputnog u središnji.

04Budite konkretni oko subjekta

„Osoba” nije subjekt, nego rezervisano mjesto — a model rezervisana mjesta popunjava prosjekom svega što je vidio, a odatle upravo dolazi onaj uglačan, bezvremen izgled bez karaktera. Konkretnost košta pet riječi, a kupuje vam određeno ljudsko biće:

Primijetite obrazac: doba ili epoha, jedno strukturno obilježje, jedna prepoznatljiva nesavršenost. Ta treća stavka je ono zbog čega rezultat djeluje fotografisano, a ne generisano. Okrhnut zub, izlizan porub, prefarban natpis — male asimetrije su najjači raspoloživi signal protiv plastičnosti, a u budžetu riječi koštaju gotovo ništa.

05Fotorealizam: napišite zahtjev kao fotografiju

Fotorealizam je zadani registar ako ne tražite umjetnost, ilustraciju ili anime. Ali riječ „fotorealistično” malo šta postiže. Ono što proizvodi fotografiju jeste opisivanje samog čina fotografisanja: stvarna kamera, stvarni objektiv, i stvarni film ili izvor svjetla.

Razlog je jednostavan. Svaka slika s natpisom „Kodak Portra 400” nastala je određenim postupkom s određenom strukturom zrna, prelivanjem svijetlih tonova i prikazom kože, a imenovanje filma sve to poziva u pomoć. „8k ultra detailed” pojavljivalo se samo na spamu sa stock sajtova, pa priziva spam sa stock sajtova. Nekoliko pouzdanih recepata, od kojih svaki daje izrazito drugačiju sliku istog subjekta:

Uskladite utemeljenje s receptom — tekstura kože na nivou pora ništa ne znači u širokom kadru od 24mm gdje je lice visoko osamdeset piksela — pa ga onda dodajte. Detalj koji utemeljuje — to je dokaz teksture da je objektiv ovo zaista snimio. Vidljive pore i sitne dlačice na licu. Tkanje lanene košulje. Čestice prašine u snopu svjetla. Ogrebotina na kožnoj čizmi. Odbjegle vlasi na svijetloj pozadini. Dovoljne su dvije ili tri, a one su razlika između prikaza osobe i fotografije osobe.

06Slojevite scene: prvi plan, srednji plan, pozadina

Kada scena ima dubinu, opišite tri plana zasebno i redom. To je najdjelotvornija tehnika za slike koje trebaju djelovati kao mjesta, a ne kao kulise, i gotovo je niko ne koristi. Bez toga dobijate plošnost: sve što prompt spominje slijeće na približno istu udaljenost i nadmeće se za isti srednji pojas kadra. Imenovanje planova daje modelu budžet dubine koji može potrošiti.

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.

Dvije dorade. Stavite u prvi plan nešto što je namjerno izvan fokusa — stvarne fotografije dubokih scena gotovo uvijek to imaju, a izostanak je čest znak da nešto nije snimljeno. I recite koji plan zauzima subjekt: ako je kurirka poenta slike, ona pripada srednjem planu, inače će se toranj i šolja kafe boriti s njom za kadar.

07Tačne boje: heksadecimalni kodovi vezani uz predmete

Za rad s brendom, za dosljednost kostima, ili svugdje gdje „crveno” nije dovoljno precizno, napišite heksadecimalni kod kao color #RRGGBB i vežite ga uz imenovani predmet:

...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...

Tri praktična pravila. Koristite heks za dvije ili tri boje koje zaista nešto znače, a za ostalo obične riječi — prompt sa šest heksadecimalnih kodova najveći dio budžeta potroši na uzorke boje. Vežite kod uz predmet koji ima rubove, nikada uz „osvjetljenje” ili „raspoloženje”. I zapamtite da on određuje boju predmeta, a ne konačnu vrijednost piksela: kaput u #8B0000 pod kontrasvjetlom zlatnog sata renderira se toplije od uzorka, tačno kao što bi bilo i u životu.

08Izbor omjera stranica

Dostupno je pet omjera i pravi je obično impliciran subjektom, ali izričit zahtjev od vas uvijek pobjeđuje — tražite pozadinu za telefon i dobit ćete tall bez obzira na to šta sadržaj sugeriše.

Pogriješiti ovdje šteti više nego što izgleda. Figura u punoj visini u kadru wide neće vam dati malu figuru u velikom kadru — obično vam da odsječenu, jer model popuni širinu, a glava ili stopala izađu iz kadra. Uskladite kadar s dominantnom osom subjekta i većina primjedbi na kompoziciju nestaje.

Dva ponašanja koja vrijedi zapamtiti: uređivanje automatski zadržava omjer stranica izvorne slike, pa uređivanjem ne možete prekadrirati, dok vam spajanje dopušta da izaberete novo platno — što je često najčistiji način da promijenite oblik nečega što već imate.

09Antiobrasci: šta prestati raditi

Tokeni kvaliteta: „masterpiece, best quality, 8k, ultra detailed”

To su bile ručke koje je zajednica otkrila za određenu stariju raspodjelu treninga, gdje su određene fraze iz opisa korelirale s određenim izvorima slika. Ne prenose se. Ovdje se čitaju kao obične engleske riječi, ne doprinose ničemu i jedu dio budžeta riječi za koji vam je već rečeno da je tijesan. Zamjena je da kažete koji detalj želite: ne „ultra detailed”, nego „vidljivo tkanje tkanine kaputa i sitne čekinje uz vilicu” — ista namjera, izrečena kao nešto što model može renderirati.

Sintaksa težina: (word:1.3), [word], {{word}}

Ne parsira se. Zagrade, uglaste zagrade, dvotačke i brojevi završe kao doslovan tekst i, ako išta, otežavaju čitanje rečenice oko sebe. Ako želite više naglaska na nečemu, koristite dvije poluge koje zaista rade: pomjerite to ranije u promptu i dajte tome više riječi. „Grimizni svileni šal, čiji se resasti krajevi dižu na vjetru” nadmašuje „(red scarf:1.4)” po svakom mjerilu koje je bitno.

Protivrječne upute

Miješanje nespojivih uputstava ih ne spaja; proizvodi nestabilan prosjek koji obično ne zadovolji nijedno. Česti prijestupnici:

• Medij — „fotorealistično” plus „akvarel”; „ulje na platnu” plus „snimljeno na 85mm”. Izaberite jedno i držite se toga.
• Kadriranje — „široki uvodni kadar” plus „ekstremni krupni plan njenih očiju”; „cijelo tijelo” plus „detaljne pore na licu”.
• Osvjetljenje — „oštro podnevno sunce” plus „meki sjaj zlatnog sata”; „tamni tonovi, duboke sjene” plus „svijetlo i prozračno”.
• Epoha — „filmska estetika 1970-ih” plus „moderni minimalizam” plus „cyberpunk”.
• Slaganje stilova — četiri umjetnika ili četiri žanra odjednom. Dvije srodne reference mogu proći; četiri se ponište u generičko.
• Rasplinutost — „rustikalna, oronula, drevna, vremenom nagrizena drvena vrata” jedna je ideja napisana četiri puta, a svako ponavljanje razvodnjava ostatak prompta.

10Kod pretvaranja teksta u sliku nema negativnog prompta

Ovo je antiobrazac koji najteže pogađa iskusne korisnike, jer je na starijim sistemima negativni prompt bio pola zanata.

Za generisanje je pravilo apsolutno i pomalo neintuitivno: pisanje „bez teksta, bez vodenog žiga, bez viška prstiju” u prompt čini te stvari vjerovatnijim, a ne manje vjerovatnim. Model čita „bez teksta” kao rečenicu koja sadrži pojam tekst; negacija je slab signal, a imenica jak. Zapravo ste zatražili tekst. Umjesto toga uvijek izrecite pozitivan oblik:

Kod uređivanja i spajanja negativni prompt postoji i trebate ga koristiti — ali za artefakte, ne za sadržaj. Dobar materijal: vodeni žig, tekstualno preklapanje, udvostručeni udovi, iskrivljene šake, oreoli od pretjeranog izoštravanja, JPEG blokovi, linije šava duž ruba kompozita. Loš materijal: bilo šta o tome šta je na slici, jer to pripada uputstvu.

11Čitanje prompta koji Shannon napiše umjesto vas

Evo šta ovaj vodič čini odmah upotrebljivim, a ne teorijskim. Prompt za generisanje ne morate pisati sami. Tražite običnim jezikom, na bilo kojem jeziku; Shannon prepozna da se traži slika, sastavi engleski prompt za generisanje i pokaže vam ga na kartici potvrde prije nego što se išta renderira. Ništa se ne generiše i ništa se ne naplaćuje dok ne potvrdite.

Zato se najviše isplati vještina koja nije pisanje promptova od nule — nego čitanje onoga na kartici. Prođite kroz ovu listu:

1. Je li subjekt konkretan? Ako kartica kaže „osoba” ili „žena”, našli ste najveće raspoloživo poboljšanje. Dajte mu godine, građu, obilježje.
2. Je li subjekt prvi? Ako prompt počinje stilom ili kamerom, tražite da umjesto toga počne subjektom.
3. Je li u rasponu? Ispod 30 riječi, tražite više preciznosti o svjetlu i ambijentu. Preko 100, tražite skraćivanje.
4. Postoji li izvor svjetla? Ne riječ o raspoloženju — nego stvarno svjetlo: prozor, ulična svjetiljka, blic, oblačno nebo, softbox.
5. Ima li sukoba? Potražite dva medija, dva kadriranja ili dva uslova osvjetljenja u istom promptu.
6. Ima li prokrijumčarenih negacija? Ako kartica sadrži „bez”, „ne” ili „izbjegavaj”, to je prompt za pretvaranje teksta u sliku koji traži upravo ono što imenuje.
7. Odgovara li omjer subjektu? Figura u punoj visini u wide klasičan je nesklad.

Ispravke su razgovorne: „neka bude u ranim tridesetim, s ožiljkom kroz obrvu, snimi to na Portri sa 85mm i koristi portrait” savršeno je dobro uputstvo. Dobijete novu karticu i potvrdite nju. Nema kazne za ponavljanje, jer se još ništa nije renderiralo.

I Shannon ne generiše nepozvan. Pozdrav, pitanje ili fotografija koju priložite radi rasprave ne pokreću render. Tražiti od Shannona da pogleda sliku — da je opiše, pročita, analizira — običan je posao vida, a ne generisanje, i ne košta ništa dodatno.

12Kako se zanat mijenja kod uređivanja i spajanja

Gornja pravila pisana su za generisanje. Dva srodna režima mijenjaju oblik prompta.

Uređivanje jedne slike

Prompt za uređivanje je uputstvo, a ne opis: recite šta se mijenja, a šta ostaje. Imenovanje nepromijenjenih dijelova najveća je poluga kvaliteta u proizvodu — „Promijeni pozadinu u kišnu noćnu gradsku ulicu s neonskim odsjajima, ženu ostavi tačno kakva jeste” drži se na okupu tamo gdje isti zahtjev bez tog dijela potiho preslika njeno lice. Budite precizni oko sidra: zadrži lice, pozu, kosu i odjeću identičnima. Koristi se tačno jedna izvorna slika, a izlaz zadržava njen omjer stranica.

Spajanje dvije ili više slika

Uvijek kada elementi dolaze iz više od jedne slike — prenošenje odjeće, predmet u scenu, dvoje ljudi u istom kadru, proizvod na osobi, stil iz jedne slike sa subjektom iz druge — prompt mora imenovati ulogu svake slike, redom: „Žena sa prve slike obučena u crveni pleteni džemper sa druge slike, kako stoji u istom parku.” Prva slika je glavni subjekt ili scena; kasnije slike daju dijelove koji se unose. Nemojte zahtjev s više slika svoditi na jedan izvor plus tekstualni opis — spajanje stvarnih slika je ono što čuva kako te stvari zaista izgledaju.

13Necenzurirano promptovanje: recite ono što mislite

Nema filtera sadržaja na putanji generisanja ni sloja odbijanja na modelu koji piše prompt. To je i cijela poenta proizvoda: filtrirani generatori redovno odbijaju legitiman posao — umjetničke aktove, medicinsku i forenzičku ilustraciju, slike za sigurnosna istraživanja, nasilje u fikciji, političku satiru, rad na brendu i liku od strane nosioca prava. Pola zanata promptovanja na filtriranim platformama je inženjering eufemizama, a eufemizam je neprijatelj tačne slike.

Zato na kartici treba provjeriti još jednu stvar: da stvarni subjekt opisuje običnim riječima, a ne ograđenim rječnikom koji ljudi nauče uz filtrirane alate. Forenzička ilustracija rane treba reći kakva je ta rana. Ograđen jezik svugdje daje lošiju sliku, jer model renderira ono što riječi kažu.

Sposobnost i prosudba su odvojene stvari. Shannon Lab LLC ovo vodi po objavljenoj Politici odgovornog korištenja: nefiltrirano generisanje je profesionalni alat, a pristanak, prava i zakon i dalje važe za ono što napravite.

14Gdje se uklapa API

Jedna napomena radi tačnosti za čitaoce koji dolaze iz pretrage o API-ju: generisanje, uređivanje i spajanje slika žive u Shannon chat aplikaciji, a ne na /v1 API-ju. API poslužuje tekst i vid — može čitati, opisivati i analizirati slike koje mu pošaljete kroz sva tri dijalekta (/v1/chat/completions, /v1/messages, /v1/responses, svi sa streamingom) — ali ih ne stvara. Ako gradite tok koji treba razumjeti slike, API dokumentacija je mjesto za početak. Ako želite praviti slike, to je chat aplikacija, i sve iz ovog vodiča tamo važi. Slike se renderiraju na našem vlastitom GPU klasteru.

15Često postavljana pitanja

Povezano štivo: Necenzurirano generisanje AI slika · Necenzurirano AI uređivanje slika · Politika odgovornog korištenja · API dokumentacija · Sva Shannon istraživanja. Smjernice ovdje potiču iz našeg vlastitog testiranja Shannonovog Modela za slike; savjeti pisani za ranije difuzijske sisteme uglavnom se ne prenose.