Průvodce prompty pro AI obrázky

Většina lidí přichází se zlozvyky naučenými na SDXL: řetězec podstatných jmen oddělených čárkami, úvod z „kvalitativních“ slov, pár vah v závorkách a negativní prompt stejně dlouhý jako ten kladný. Pro tamní modely byly tyhle zvyky správné, tady jsou kontraproduktivní. Tohle je krátká verze toho, co skutečně funguje — a protože Shannon píše generovací prompt za vás a ukazuje ho dřív, než se cokoli vykreslí, je to zároveň průvodce čtením a opravováním toho, co Shannon navrhne.

01Proč próza vítězí nad tagy: model čte jako jazykový model

Starší difuzní modely, pro které byla většina rad o promptech napsána, používaly textový enkodér, který se v praxi choval jako pytel pojmů: na gramatice skoro nezáleželo a vítěznou strategií bylo nakupit relevantní podstatná jména a zkreslit je vahami. Polévka z tagů byla pro takový enkodér správným tvarem promptu.

Obrázkový model Shannonu takhle nefunguje. Čte prompt tak, jak jazykový model čte text, takže syntaxe nese význam. „Holding an umbrella against her shoulder“ je vztah mezi člověkem, předmětem a částí těla; „umbrella, shoulder“ jsou dvě věci, které tam náhodou jsou. Předložky věci umísťují. Slovesa vytvářejí pózy. Vedlejší věty připojují detail ke správnému podstatnému jménu, místo aby se vznášel nad celým obrázkem.

Tady je tentýž obrázek vyžádaný oběma způsoby.

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.

Podívejte se, co verze s tagy nedokáže vyjádřit. Nikdy neřekne, že deštník někdo drží, takže může skončit ležet na zemi. Nikdy neřekne, že se neon odráží v asfaltu, jen že obojí existuje, takže dostanete cedule a mokrou ulici bez jakéhokoli optického vztahu mezi nimi. Nikdy neřekne, kam se žena dívá, takže její póza je hod mincí. „Cinematic lighting“ je nálepka nálady, ne zdroj světla. A posledních pět tokenů je šum, čtený jako anglická slova o fotografii, ne jako ovládací páky.

Verze v próze není delší proto, že by byla květnatá. Je delší proto, že odpovídá na otázky, které verze s tagy nechala otevřené. To je celý ten trik.

02Jak dlouhý má prompt pro obrázek být?

Miřte na 30 až 80 slov. Nejděte o moc přes 100. Tohle je nejsnáz dostupná páka na kvalitu a záleží na obou koncích rozpětí.

Zhruba pod 30 slovy jsou kompozice, světlo a rámování neurčené, takže model vybere to, co je statisticky nejobyčejnější. „Žena v kavárně“ je platný prompt, který vytvoří zapomenutelný obrázek, protože jste každé zajímavé rozhodnutí přenechali jemu.

Zhruba nad 100 slovy se objevuje jiné selhání: pozdější části soupeří s dřívějšími o tytéž oblasti obrázku a místo hromadění detailu dostanete rozmělnění. Třetí popis osvětlení ruší první a předmět, který jste stanovili v prvních osmi slovech, dostává s každou další větou méně relativní pozornosti. Dlouhé prompty působí důkladně. Nevykreslují se důkladně.

Ta disciplína zní: napište prompt, který chcete, a pak ho seškrtejte na věty, jejichž odstranění by obrázek změnilo.

03Disciplína řazení: nejdůležitější věc první

Protože model čte postupně, je pozice důrazem: co přijde první, obrázek ukotví, co přijde poslední, ho doladí. Seřaďte věci v pořadí, v jakém je model potřebuje:

1. Předmět — kdo nebo co je na obrázku, konkrétně.
2. Akce nebo póza — co dělá, jak se drží.
3. Styl nebo nálada — fotografie, olejomalba, technická ilustrace a v jakém rejstříku.
4. Prostředí a osvětlení — kde se to děje a jaké světlo na to dopadá.
5. Technické detaily — rámování, objektiv, hloubka ostrosti, barevná specifika.

Nejčastější sebepoškození je začít technickou částí. Když otevřete slovy „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper“, říkáte modelu, že předmětem je vzhled a muž je detail. Dostanete nádherný, prázdný záběr s malou nezřetelnou postavou.

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.

Každý prvek z první verze v té druhé přežil; nic nevypadlo. Model teď jen ví, co je na obrázku, dřív než mu řeknete, jak to nasnímat — a už samotné to přeuspořádání posune předmět z okrajového do středu.

04Buďte v předmětu konkrétní

„Člověk“ není předmět, je to zástupné místo — a model zástupná místa vyplňuje průměrem všeho, co viděl, což je přesně zdroj toho uhlazeného, bezvěkého a bezcharakterního vzhledu. Konkrétnost stojí pět slov a kupuje vám konkrétní lidskou bytost:

Všimněte si vzorce: věk nebo doba, jeden strukturní znak, jedna odlišující nedokonalost. Ta třetí položka je to, díky čemu výsledek působí vyfotografovaně, ne vygenerovaně. Odštípnutý zub, ošoupaný lem, přemalovaný nápis — drobné asymetrie jsou nejsilnějším dostupným signálem proti plastovému vzhledu a v rozpočtu slov nestojí skoro nic.

05Fotorealismus: napište požadavek jako fotografii

Fotorealismus je výchozím rejstříkem, dokud si neřeknete o výtvarnou práci, ilustraci nebo anime. Ale slovo „photorealistic“ toho moc neudělá. Fotografii vytváří popis samotného aktu fotografování: skutečný fotoaparát, skutečný objektiv a skutečný filmový materiál nebo zdroj světla.

Důvod je jednoduchý. Každý snímek popsaný jako „Kodak Portra 400“ vznikl konkrétním procesem s konkrétní strukturou zrna, doběhem světel a podáním pleti, a pojmenování materiálu to všechno přivolá. „8k ultra detailed“ se kdy objevovalo jen u spamu na fotobankách, takže přivolá spam z fotobanky. Několik spolehlivých receptů, z nichž každý vytvoří výrazně jiný obrázek téhož předmětu:

Přizpůsobte ukotvení receptu — textura pleti na úrovni pórů nic neznamená u širokoúhlého 24mm, kde má obličej osmdesát pixelů — a pak ho přidejte. Ukotvující detail je texturový důkaz, že tohle skutečně zaznamenal objektiv. Viditelné póry pleti a jemné chloupky. Vazba lněné košile. Zrnka prachu ve svazku světla. Odřenina na kožené botě. Odstávající vlasy proti světlému pozadí. Dva tři stačí a jsou rozdílem mezi vyrenderovaným člověkem a jeho fotografií.

06Vrstvené scény: popředí, střední plán, pozadí

Když má scéna hloubku, popište tři plány zvlášť a v pořadí. Je to nejúčinnější technika pro obrázky, které mají působit jako místa, a ne jako kulisy, a skoro nikdo ji nepoužívá. Bez ní dostanete plochost: všechno, co prompt zmiňuje, přistane zhruba ve stejné vzdálenosti a soupeří o týž střední pás záběru. Pojmenováním plánů dáte modelu rozpočet hloubky, který může utratit.

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.

Dvě upřesnění. Dejte do popředí něco, co je záměrně rozostřené — skutečné fotografie hlubokých scén takový prvek téměř vždy mají a jeho absence je běžnou prozrazující stopou. A řekněte, který plán zabírá předmět: pokud je kurýrka pointou obrázku, patří do středního plánu, jinak jí věž a kelímek od kávy budou brát záběr.

07Přesné barvy: hexadecimální kódy připojené k objektům

U práce se značkou, u kontinuity kostýmů nebo kdekoli, kde „červená“ není dost přesná, napište hexadecimální kód jako color #RRGGBB a připojte ho k pojmenovanému objektu:

...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...

Tři pravidla palce. Použijte hex na ty dvě tři barvy, na kterých skutečně záleží, a na zbytek běžná slova — prompt se šesti hexadecimálními kódy utratí většinu rozpočtu za vzorníky. Navažte kód na objekt s obrysem, nikdy na „osvětlení“ nebo „náladu“. A pamatujte, že určuje barvu objektu, ne výslednou hodnotu pixelu: kabát #8B0000 v protisvětle zlaté hodiny se vykreslí tepleji než vzorník, přesně jak by to bylo i ve skutečnosti.

08Volba poměru stran

K dispozici je pět poměrů a ten správný obvykle plyne z předmětu, ale váš výslovný požadavek vždycky vyhrává — řekněte si o tapetu a dostanete tall bez ohledu na to, co naznačuje obsah.

Pokazit tohle je škodlivější, než to vypadá. Celá stojící postava v rámu wide vám nedá malou postavu ve velkém rámu — obvykle vám dá oříznutou, protože model zaplní šířku a hlava nebo nohy z rámu vyjdou. Přizpůsobte rám dominantní ose předmětu a většina výtek ke kompozici zmizí.

Dvě chování, která stojí za zapamatování: úprava automaticky zachovává poměr stran zdrojového obrázku, takže úpravou nelze přerámovat, zatímco spojování umožňuje zvolit nové plátno — často nejčistší způsob, jak změnit tvar něčeho, co už máte.

09Zlozvyky: co přestat dělat

Kvalitativní slova: „masterpiece, best quality, 8k, ultra detailed“

Byly to komunitou objevené páky pro konkrétní starší trénovací rozdělení, kde určité popisné fráze korelovaly s určitými zdroji obrázků. Nepřenášejí se. Tady se čtou jako obyčejná anglická slova, nepřispívají ničím a užírají část rozpočtu slov, o kterém už víte, že je těsný. Náhradou je říct, který detail chcete: ne „ultra detailed“, ale „visible weave in the coat fabric and fine stubble along the jaw“ — týž záměr vyjádřený jako něco, co model umí vykreslit.

Syntaxe vah: (word:1.3), [word], {{word}}

Neparsuje se. Závorky, hranaté závorky, dvojtečky a čísla dopadnou jako doslovný text a spíš jen ztíží čtení okolní věty. Chcete-li na něco klást větší důraz, použijte dvě páky, které fungují: posuňte to dřív v promptu a dejte tomu víc slov. „A crimson silk scarf, its fringed ends lifting in the wind“ převáží „(red scarf:1.4)“ v každém ohledu, na kterém záleží.

Protichůdné pokyny

Míchání neslučitelných instrukcí je nespojí; vytvoří nestabilní průměr, který obvykle neuspokojí ani jednu stranu. Časté prohřešky:

• Médium — „photorealistic“ plus „watercolor“; „oil painting“ plus „shot on 85mm“. Vyberte jedno a držte se ho.
• Rámování — „wide establishing shot“ plus „extreme close-up on her eyes“; „full body“ plus „detailed facial pores“.
• Osvětlení — „harsh midday sun“ plus „soft golden hour glow“; „low key, deep shadows“ plus „bright and airy“.
• Doba — „1970s film aesthetic“ plus „modern minimalist“ plus „cyberpunk“.
• Vrstvení stylů — čtyři umělci nebo čtyři žánry naráz. Dvě příbuzné reference fungovat mohou; čtyři se vyruší do obecnosti.
• Rozvláčnost — „rustic, weathered, ancient, timeworn wooden door“ je jedna myšlenka napsaná čtyřikrát a každé opakování rozmělňuje zbytek promptu.

10U převodu textu na obrázek žádný negativní prompt neexistuje

Tenhle zlozvyk chytá zkušené uživatele nejtvrději, protože ve starších sestavách byl negativní prompt polovinou celého řemesla.

U generování je pravidlo absolutní a mírně neintuitivní: napsat do promptu „no text, no watermark, no extra fingers“ tyhle věci spíš zpravděpodobní, ne naopak. Model čte „no text“ jako větu obsahující pojem text; zápor je slabý signál a podstatné jméno silný. Fakticky jste si o text řekli. Vždycky místo toho uveďte kladnou podobu:

U úprav a spojování negativní prompt existuje a měli byste ho používat — ale na artefakty, ne na obsah. Vhodný materiál: vodoznak, textový překryv, zdvojené končetiny, deformované ruce, halo z přeostření, JPEG bloky, švy podél okraje koláže. Nevhodný materiál: cokoli o tom, co je na obrázku, což patří do pokynu.

11Čtení promptu, který za vás Shannon napíše

Tady je to, co dělá tohoto průvodce okamžitě použitelným, a ne teoretickým. Generovací prompt psát sami nemusíte. Zeptáte se běžnou řečí, v jakémkoli jazyce; Shannon rozpozná, že jde o požadavek na obrázek, sestaví anglický generovací prompt a ukáže vám ho na potvrzovací kartě dřív, než se cokoli vykreslí. Dokud nepotvrdíte, nic se nevygeneruje a nic se neúčtuje.

Takže dovednost, která se vyplatí nejvíc, není psaní promptů od nuly — je to čtení toho na kartě. Projděte si tenhle seznam:

1. Je předmět konkrétní? Pokud na kartě stojí „a person“ nebo „a woman“, našli jste největší dostupné zlepšení. Dejte tomu věk, postavu, nějaký rys.
2. Je předmět první? Pokud prompt začíná stylem nebo fotoaparátem, požádejte, ať začne předmětem.
3. Je v rozpětí? Pod 30 slovy si vyžádejte víc konkrétnosti u světla a prostředí. Přes 100 si vyžádejte zkrácení.
4. Je tam zdroj světla? Ne slovo o náladě — skutečné světlo: okno, pouliční lampa, blesk, zatažená obloha, softbox.
5. Nejsou tam rozpory? Prohlédněte to na dvě média, dvě rámování nebo dvě světelné podmínky v jednom promptu.
6. Nepropašovaly se tam zápory? Pokud karta obsahuje „without“, „no“ nebo „avoid“, je to prompt pro převod textu na obrázek žádající si právě tu věc, kterou jmenuje.
7. Sedí poměr k předmětu? Celá postava ve wide je klasický nesoulad.

Opravy jsou konverzační: „udělej jí něco přes třicet, s jizvou přes obočí, nasnímej to na Portru s 85mm a použij portrait“ je naprosto dobrý pokyn. Dostanete novou kartu a potvrdíte tu. Za iterování není žádná pokuta, protože se ještě nic nevykreslilo.

A Shannon negeneruje nevyzván. Pozdrav, otázka ani fotka, kterou přiložíte k diskuzi, vykreslení nespustí. Požádat Shannona, aby se na obrázek podíval — popsal ho, přečetl, analyzoval — je běžná práce s viděním, ne generování, a nestojí nic navíc.

12Jak se řemeslo mění u úprav a spojování

Pravidla výše jsou psána pro generování. Dva sousední režimy tvar promptu mění.

Úprava jednoho obrázku

Prompt pro úpravu je pokyn, ne popis: řekněte, co se mění a co zůstává. Pojmenovat nezměněné části je největší jediná páka na kvalitu v celém produktu — „Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is“ drží pohromadě tam, kde tentýž požadavek bez té části potichu překreslí její obličej. Buďte u kotvy konkrétní: zachovat obličej, pózu, vlasy a oblečení beze změny. Použije se přesně jeden zdrojový obrázek a výstup si zachová jeho poměr stran.

Spojení dvou či více obrázků

Kdykoli prvky pocházejí z více než jednoho snímku — přenos oblečení, objekt do scény, dva lidé v jednom záběru, produkt na člověku, styl z jednoho obrázku s předmětem z druhého — musí prompt pojmenovat roli každého obrázku, v pořadí: „The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.“ První obrázek je hlavní předmět nebo scéna; další obrázky dodávají části, které se přinášejí. Nesnažte se požadavek s více obrázky smrsknout na jeden zdroj plus slovní popis — právě spojení skutečných obrázků zachová, jak ty věci doopravdy vypadají.

13Promptování bez cenzury: řekněte, co myslíte

Na cestě ke generování není žádný filtr obsahu a model, který píše prompt, nemá vrstvu odmítání. To je celý smysl produktu: filtrované generátory rutinně odmítají legitimní práci — umělecké akty, lékařskou a forenzní ilustraci, obrazový materiál pro bezpečnostní výzkum, násilí v beletrii, politickou satiru, práci se značkou a podobiznou ze strany držitele práv. Polovina promptového řemesla na filtrovaných platformách je inženýrství eufemismů a eufemismus je nepřítelem přesného obrázku.

Takže je na kartě ještě jedna věc ke kontrole: že popisuje skutečný předmět prostými slovy, a ne opatrnickým slovníkem, který si lidé osvojí u filtrovaných nástrojů. Forenzní ilustrace zranění by měla říct, co to zranění je. Opatrnický jazyk vede k horšímu obrázku všude, protože model vykreslí to, co slova říkají.

Schopnost a úsudek jsou dvě různé věci. Shannon Lab LLC to provozuje podle zveřejněných Zásad odpovědného použití: nefiltrované generování je profesionální nástroj a souhlas, práva i zákon na to, co vytvoříte, stále platí.

14Kam do toho zapadá API

Jedna věcná poznámka pro čtenáře přicházející z hledání API: generování, úpravy a spojování obrázků žijí v chatovací aplikaci Shannon, ne v API /v1. API obsluhuje text a vidění — obrázky, které mu pošlete, umí číst, popisovat a analyzovat napříč všemi třemi dialekty (/v1/chat/completions, /v1/messages, /v1/responses, všechny se streamováním) — ale nevytváří je. Pokud stavíte řetězec, který potřebuje obrázkům rozumět, začněte v dokumentaci API. Chcete-li obrázky vytvářet, je to chatovací aplikace a platí tam všechno z tohoto průvodce. Obrázky se vykreslují na našem vlastním GPU clusteru.

15Často kladené dotazy

Související čtení: Generování obrázků AI bez cenzury · Úpravy obrázků AI bez cenzury · Zásady odpovědného použití · Dokumentace API · Veškerý výzkum Shannon. Doporučení zde vycházejí z našeho vlastního testování Obrázkového modelu Shannonu; rady psané pro starší difuzní sestavy se obecně nepřenášejí.