La guia de prompts d'imatge amb IA

La majoria de gent arriba amb hàbits de prompt apresos a SDXL: una cadena de substantius separats per comes, un preàmbul de tokens de qualitat, uns quants pesos entre parèntesis i un prompt negatiu tan llarg com el positiu. Aquells hàbits eren correctes per a aquells models i aquí són contraproduents. Aquesta és la versió breu del que funciona de debò — i, com que Shannon escriu el prompt de generació per tu i te'l mostra abans que es renderitzi res, també és una guia per llegir i corregir el que Shannon proposa.

01Per què la prosa supera les etiquetes: el model llegeix com un model de llenguatge

Els models de difusió antics per als quals es va escriure la majoria de consells sobre prompts feien servir un codificador de text que es comportava, a la pràctica, com una bossa de conceptes: la gramàtica gairebé no importava, i l'estratègia guanyadora era amuntegar substantius rellevants i esbiaixar-los amb pesos. La sopa d'etiquetes era la forma correcta de prompt per a aquell codificador.

El Model d'Imatge de Shannon no funciona així. Llegeix un prompt tal com un model de llenguatge llegeix text, així que la sintaxi hi aporta significat. «Holding an umbrella against her shoulder» és una relació entre una persona, un objecte i una part del cos; «umbrella, shoulder» són dues coses que casualment hi són. Les preposicions col·loquen les coses. Els verbs creen postures. Les clàusules enganxen el detall al substantiu correcte en lloc de deixar-lo surar per tota la imatge.

Aquí tens la mateixa imatge demanada de totes dues maneres.

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.

Fixa't en el que la versió amb etiquetes no pot expressar. No diu mai que el paraigua es subjecti, així que pot acabar estirat a terra. No diu mai que el neó es reflecteixi a l'asfalt, només que totes dues coses existeixen, així que obtens rètols i un carrer moll sense cap relació òptica entre ells. No diu mai on mira la dona, així que la seva postura és una moneda a l'aire. «Cinematic lighting» és una etiqueta d'ambient, no una font de llum. I els últims cinc tokens són soroll, llegits com a paraules angleses sobre fotografia i no com a claus de control.

La versió en prosa no és més llarga perquè sigui florida. És més llarga perquè respon preguntes que la versió amb etiquetes deixava obertes. Aquest és tot el truc.

02Quina longitud ha de tenir un prompt d'imatge?

Apunta a entre 30 i 80 paraules. No passis gaire de 100. Aquesta és la palanca de qualitat més fàcil que tens a l'abast, i tots dos extrems del rang importen.

Per sota de les 30 paraules, la composició, la llum i l'enquadrament queden sense especificar, així que el model tria allò estadísticament més corrent. «Una dona en una cafeteria» és un prompt vàlid que produeix una imatge oblidable, perquè n'has delegat totes les decisions interessants.

Per damunt d'unes 100 paraules apareix una fallada diferent: les clàusules tardanes competeixen amb les primerenques per les mateixes regions de la imatge i, en lloc d'acumular detall, obtens dilució. La tercera descripció de la llum desfà la primera, i el subjecte que havies establert a les vuit primeres paraules rep menys atenció relativa amb cada frase que hi afegeixes. Els prompts llargs semblen exhaustius. No es renderitzen com a exhaustius.

La disciplina: escriu el prompt que vols i després retalla'l fins a les frases que canviarien la imatge si les traiessis.

03La disciplina de l'ordre: el més important primer

Com que el model llegeix seqüencialment, la posició és èmfasi: el que ve primer ancora la imatge i el que ve últim l'ajusta. Posa les coses en l'ordre en què el model les necessita:

1. Subjecte — de qui o de què és aquesta imatge, concretament.
2. Acció o postura — què fa, com se sosté.
3. Estil o ambient — fotografia, pintura a l'oli, il·lustració tècnica, i el registre en què està.
4. Escenari i il·luminació — on passa i quina llum hi cau.
5. Tècnica — enquadrament, objectiu, profunditat de camp, detalls de color.

La ferida autoinfligida més habitual és començar per la clàusula tècnica. Obrir amb «Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper» diu al model que l'aspecte és el subjecte i que l'home és un detall. Obtens un enquadrament preciós i buit amb una figura petita i indefinida a dins.

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.

Tots els elements de la primera versió sobreviuen a la segona; no s'ha eliminat res. Simplement, ara el model sap de què és la imatge abans que se li digui com fotografiar-la — i aquesta reordenació tota sola porta el subjecte d'incidental a central.

04Sigues concret amb el subjecte

«Una persona» no és un subjecte, és un marcador de posició — i el model omple els marcadors de posició amb la mitjana de tot el que ha vist, que és exactament d'on ve aquell aspecte llustrós, sense edat i sense caràcter. Ser concret costa cinc paraules i et compra un ésser humà específic:

Fixa't en el patró: edat o època, un tret estructural, una imperfecció distintiva. Aquest tercer element és el que fa que un resultat sembli fotografiat i no generat. Una dent escantonada, una vora gastada, un rètol repintat — les petites asimetries són el senyal antiplàstic més potent que tens a l'abast, i gairebé no et costen res del pressupost de paraules.

05Fotorealisme: escriu la petició com una fotografia

El fotorealisme és el registre per defecte tret que demanis art, il·lustració o anime. Però la paraula «photorealistic» fa poca feina. El que produeix una fotografia és descriure l'acte de fotografiar: una càmera real, un objectiu real i una pel·lícula o font de llum reals.

El motiu és senzill. Cada imatge amb el peu «Kodak Portra 400» es va fer amb un procés concret, amb una estructura de gra, una caiguda de les altes llums i una reproducció de la pell concretes, i anomenar l'emulsió ho recluta tot. «8k ultra detailed» només ha aparegut mai en brossa de bancs d'imatges, així que recluta brossa de bancs d'imatges. Unes quantes receptes fiables, cadascuna de les quals produeix una imatge clarament diferent del mateix subjecte:

Ajusta l'ancoratge a la recepta — la textura de la pell a nivell de porus no significa res en un gran angular de 24 mm on la cara fa vuitanta píxels d'alçada — i tot seguit afegeix-l'hi. El detall d'ancoratge és — la prova de textura que un objectiu ha registrat realment això. Porus de la pell visibles i pèl facial fi. La trama d'una camisa de lli. Motes de pols en un raig de llum. Una rascada en una bota de cuir. Cabells esbullats contra un fons lluminós. Amb dos o tres n'hi ha prou, i són la diferència entre la representació d'una persona i la fotografia d'una persona.

06Escenes per capes: primer terme, terme mitjà, fons

Quan una escena té profunditat, descriu els tres plans per separat i en ordre. Aquesta és la tècnica més eficaç per a imatges que han de semblar llocs i no decorats, i gairebé ningú no la fa servir. Sense això obtens planor: tot el que esmenta el prompt aterra aproximadament a la mateixa distància, competint per la mateixa franja central de l'enquadrament. Anomenar els plans dona al model un pressupost de profunditat per gastar.

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.

Dos refinaments. Posa alguna cosa al primer terme que estigui deliberadament desenfocada — les fotografies reals d'escenes profundes gairebé sempre en tenen una, i la seva absència és una pista habitual. I digues quin pla ocupa el subjecte: si la missatgera és el motiu de la imatge, li correspon el terme mitjà; altrament, la torre i el got de cafè li disputaran l'enquadrament.

07Colors exactes: codis hexadecimals, lligats a objectes

Per a feina de marca, continuïtat de vestuari o allà on «vermell» no sigui prou específic, escriu el codi hexadecimal com a color #RRGGBB i lliga'l a un objecte anomenat:

...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...

Tres regles pràctiques. Fes servir l'hexadecimal per als dos o tres colors que realment importen i paraules corrents per a la resta — un prompt amb sis codis hexadecimals gasta la major part del pressupost en mostres de pintura. Lliga el codi a un objecte amb vores, mai a «la il·luminació» o «l'ambient». I recorda que especifica el color de l'objecte, no el valor final del píxel: un abric #8B0000 a contrallum a l'hora daurada es renderitza més càlid que la mostra, exactament com passaria a la vida real.

08Triar la relació d'aspecte

Hi ha cinc relacions disponibles i la correcta acostuma a estar implícita en el subjecte, però una petició explícita teva sempre mana — demana un fons de pantalla i obtindràs tall independentment del que suggereixi el contingut.

Equivocar-se aquí fa més mal del que sembla. Una figura dreta de cos sencer en un enquadrament wide no et dona una figura petita en un marc gran — normalment te'n dona una de retallada, perquè el model omple l'amplada i el cap o els peus surten de l'enquadrament. Fes coincidir l'enquadrament amb l'eix dominant del subjecte i la majoria de queixes sobre composició desapareixen.

Dos comportaments que val la pena recordar: l'edició conserva automàticament la relació d'aspecte de la imatge d'origen, així que no pots reenquadrar editant, mentre que la combinació sí que et deixa triar un llenç nou — sovint la manera més neta de canviar la forma d'una cosa que ja tens.

09Antipatrons: què has de deixar de fer

Tokens de qualitat: «masterpiece, best quality, 8k, ultra detailed»

Aquestes eren claus descobertes per la comunitat per a una distribució d'entrenament antiga concreta, on certes frases de peu de foto correlacionaven amb certes fonts d'imatges. No es transfereixen. Aquí es llegeixen com a paraules angleses corrents, no aporten res i es mengen part d'un pressupost de paraules que ja se t'ha dit que és just. La substitució és dir quin detall vols: no «ultra detailed» sinó «visible weave in the coat fabric and fine stubble along the jaw» — la mateixa intenció, expressada com una cosa que el model pot renderitzar.

Sintaxi de pesos: (word:1.3), [word], {{word}}

No s'interpreta. Els parèntesis, claudàtors, dos punts i números aterren com a text literal i, si de cas, fan la clàusula que els envolta més difícil de llegir. Si vols més èmfasi en alguna cosa, fes servir les dues palanques que sí que funcionen: mou-la més endavant dins del prompt, i dedica-li més paraules. «A crimson silk scarf, its fringed ends lifting in the wind» supera «(red scarf:1.4)» en tots els aspectes que importen.

Indicacions contradictòries

Barrejar instruccions incompatibles no les fusiona; produeix una mitjana inestable que normalment no satisfà cap de les dues. Els infractors habituals:

• Mitjà — «photorealistic» més «watercolor»; «oil painting» més «shot on 85mm». Tria'n un i compromet-t'hi.
• Enquadrament — «wide establishing shot» més «extreme close-up on her eyes»; «full body» més «detailed facial pores».
• Il·luminació — «harsh midday sun» més «soft golden hour glow»; «low key, deep shadows» més «bright and airy».
• Època — «1970s film aesthetic» més «modern minimalist» més «cyberpunk».
• Acumulació d'estils — quatre artistes o quatre gèneres alhora. Dues referències relacionades poden funcionar; quatre s'anul·len i donen genèric.
• Dispersió — «rustic, weathered, ancient, timeworn wooden door» és una sola idea escrita quatre vegades, i cada repetició dilueix la resta del prompt.

10No hi ha prompt negatiu al text a imatge

Aquest és l'antipatró que enxampa amb més força els usuaris experimentats, perquè a les piles antigues el prompt negatiu era la meitat de l'ofici.

Per a la generació la regla és absoluta i lleugerament contraintuïtiva: escriure «no text, no watermark, no extra fingers» dins del prompt fa aquestes coses més probables, no menys. El model llegeix «no text» com una frase que conté el concepte text; la negació és un senyal feble i el substantiu, un de fort. A la pràctica has demanat text. Expressa sempre la forma positiva:

Per a l'edició i la combinació el prompt negatiu existeix i l'hauries de fer servir — però per a artefactes, no per a contingut. Bon material: marca d'aigua, text superposat, extremitats duplicades, mans deformades, halos de sobreenfocament, blocs de JPEG, línies de costura al llarg d'una vora composta. Mal material: qualsevol cosa sobre de què és la imatge, que va dins de la instrucció.

11Llegir el prompt que Shannon escriu per tu

Aquí hi ha el que fa que aquesta guia sigui immediatament utilitzable i no teòrica. No has d'escriure tu mateix el prompt de generació. Ho demanes en llenguatge planer, en qualsevol idioma; Shannon reconeix que s'està demanant una imatge, compon el prompt de generació en anglès i te'l mostra en una targeta de confirmació abans que es renderitzi res. No es genera ni es factura res fins que confirmes.

Així que l'habilitat més rendible no és escriure prompts des de zero — és llegir el de la targeta. Repassa aquesta llista:

1. El subjecte és concret? Si la targeta diu «a person» o «a woman», has trobat la millora més gran disponible. Dona-li una edat, una complexió, un tret.
2. El subjecte va primer? Si el prompt s'obre amb un estil o una càmera, demana que comenci pel subjecte.
3. Està dins del rang? Per sota de 30 paraules, demana més concreció sobre la llum i l'escenari. Per damunt de 100, demana que es retalli.
4. Hi ha una font de llum? No una paraula d'ambient — una llum de debò: finestra, fanal, flaix, cel ennuvolat, softbox.
5. Hi ha conflictes? Busca-hi dos mitjans, dos enquadraments o dues condicions d'il·luminació dins del mateix prompt.
6. S'hi han colat negacions? Si la targeta conté «without», «no» o «avoid», és un prompt de text a imatge demanant justament allò que anomena.
7. La relació és adequada per al subjecte? Una figura de cos sencer en wide és el desajust clàssic.

Les correccions són conversacionals: «fes que tingui poc més de trenta anys i una cicatriu que li travessa una cella, fotografia-ho amb Portra a 85 mm, i fes servir portrait» és una instrucció perfectament vàlida. Obtens una targeta nova i confirmes aquella. No hi ha cap penalització per iterar, perquè encara no s'ha renderitzat res.

I Shannon no genera sense que li ho demanis. Una salutació, una pregunta o una foto que adjuntes per comentar-la no activen cap renderitzat. Demanar a Shannon que miri una imatge — que la descrigui, la llegeixi, l'analitzi — és feina de visió ordinària, no generació, i no costa res extra.

12Com canvia l'ofici en l'edició i la combinació

Les regles anteriors estan escrites per a la generació. Dos modes adjacents canvien la forma del prompt.

Editar una imatge

Un prompt d'edició és una instrucció, no una descripció: indica què canvia i què es manté. Anomenar les parts que no canvien és la palanca de qualitat més gran del producte — «Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is» aguanta allà on la mateixa petició sense aquesta clàusula li redibuixa la cara en silenci. Sigues concret amb l'àncora: mantén la cara, la postura, els cabells i la roba idèntics. S'utilitza exactament una imatge d'origen, i la sortida en conserva la relació d'aspecte.

Combinar dues o més imatges

Sempre que els elements provinguin de més d'una imatge — transferència de vestuari, un objecte dins d'una escena, dues persones en un mateix enquadrament, producte sobre persona, un estil d'una imatge amb el subjecte d'una altra — el prompt ha d'anomenar el paper de cada imatge, en ordre: «The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.» La primera imatge és el subjecte o l'escena principal; les posteriors aporten les parts que s'hi incorporen. No redueixis una petició de múltiples imatges a una sola font més una descripció textual — combinar les imatges reals és el que preserva com són realment aquelles coses.

13Prompts sense censura: digues el que vols dir

No hi ha cap filtre de contingut al camí de generació ni cap capa de refús al model que escriu el prompt. Aquesta és tota la raó de ser del producte: els generadors filtrats rebutgen habitualment feina legítima — nus artístics, il·lustració mèdica i forense, imatges per a recerca de seguretat, violència en la ficció, sàtira política, feina de marca i semblança feta pel titular dels drets. La meitat de l'ofici dels prompts a les plataformes filtrades és enginyeria d'eufemismes, i l'eufemisme és l'enemic d'una imatge precisa.

Així que hi ha una cosa més a comprovar a la targeta: que descrigui el subjecte real amb paraules planes i no amb el vocabulari matisat que la gent aprèn de les eines filtrades. Una il·lustració forense d'una ferida ha de dir quina ferida és. El llenguatge matisat produeix una imatge pitjor arreu, perquè el model renderitza el que diuen les paraules.

Capacitat i criteri són coses diferents. Shannon Lab LLC opera això sota una Política d'ús responsable publicada: la generació sense filtres és una eina professional, i el consentiment, els drets i la llei continuen aplicant-se al que fas.

14On encaixa l'API

Una precisió per als lectors que arriben des d'una cerca sobre l'API: la generació, l'edició i la combinació d'imatges viuen a l'aplicació de xat de Shannon, no a l'API /v1. L'API serveix text i visió — pot llegir, descriure i analitzar les imatges que li envies als tres dialectes (/v1/chat/completions, /v1/messages, /v1/responses, tots amb streaming) — però no les crea. Si estàs construint una canonada que ha d'entendre imatges, la documentació de l'API és el lloc per començar. Si el que vols és fer imatges, això és l'aplicació de xat, i tot el que hi ha en aquesta guia s'hi aplica. Les imatges es renderitzen al nostre propi clúster de GPU.

15Preguntes freqüents

Lectures relacionades: Generació d'imatges amb IA sense censura · Edició d'imatges amb IA sense censura · Política d'ús responsable · Documentació de l'API · Tota la recerca de Shannon. Les orientacions d'aquí provenen de les nostres pròpies proves amb el Model d'Imatge de Shannon; els consells escrits per a piles de difusió anteriors generalment no es transfereixen.