Guiden til AI-billedprompts

De fleste kommer med promptvaner, der er lært på SDXL: en kommasepareret række navneord, en indledning med kvalitetstokens, et par vægte i parenteser og en negativ prompt lige så lang som den positive. De vaner var rigtige for de modeller og er kontraproduktive her. Det her er den korte version af det, der faktisk virker — og eftersom Shannon skriver genereringsprompten for dig og viser den, før noget renderes, er den lige så meget en guide til at læse og rette det, Shannon foreslår.

01Hvorfor prosa slår tags: modellen læser som en sprogmodel

De ældre diffusionsmodeller, som de fleste promptråd blev skrevet til, brugte en tekst-encoder, der i praksis opførte sig som en pose af begreber: grammatik betød knap nok noget, og den vindende strategi var at dynge relevante navneord op og vægte dem. Tag-suppe var den rigtige promptform til den encoder.

Shannons Billedmodel fungerer ikke sådan. Den læser en prompt, som en sprogmodel læser tekst, så syntaks bærer betydning. »Holding an umbrella against her shoulder« er en relation mellem en person, et objekt og en kropsdel; »umbrella, shoulder« er to ting, der tilfældigvis er til stede. Præpositioner placerer ting. Udsagnsord skaber positurer. Ledsætninger knytter detaljer til det rigtige navneord i stedet for at lade dem svæve hen over hele billedet.

Her er det samme billede bestilt på begge måder.

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.

Se på, hvad tag-versionen ikke kan udtrykke. Den siger aldrig, at paraplyen holdes, så den kan ende med at ligge på jorden. Den siger aldrig, at neonlyset spejles i asfalten, kun at begge dele findes, så du får skilte og en våd gade uden nogen optisk relation mellem dem. Den siger aldrig, hvor kvinden kigger hen, så hendes positur er en møntkast. »Cinematic lighting« er en stemningsetiket, ikke en lyskilde. Og de sidste fem tokens er støj, læst som engelske ord om fotografi frem for som styrehåndtag.

Prosaversionen er ikke længere, fordi den er blomstrende. Den er længere, fordi den besvarer spørgsmål, tag-versionen lod stå åbne. Det er hele tricket.

02Hvor lang bør en billedprompt være?

Sigt efter 30 til 80 ord. Gå ikke meget over 100. Det er det enkleste kvalitetshåndtag, du har til rådighed, og begge ender af spændet betyder noget.

Under omkring 30 ord er komposition, lys og beskæring uspecificerede, så modellen vælger det, der er statistisk mest almindeligt. »A woman in a coffee shop« er en gyldig prompt, der giver et glemmelsesværdigt billede, fordi du uddelegerede hver eneste interessante beslutning.

Over cirka 100 ord dukker en anden fejl op: sene led konkurrerer med tidlige om de samme områder af billedet, og i stedet for at hobe detaljer op får du udvanding. Den tredje lysbeskrivelse ophæver den første, og det motiv, du etablerede i de første otte ord, får relativt mindre opmærksomhed for hver sætning, du tilføjer. Lange prompts læses som grundige. De renderes ikke som grundige.

Disciplinen: skriv den prompt, du gerne vil have, og skær den så tilbage til de sætninger, der ville ændre billedet, hvis de blev fjernet.

03Rækkefølgedisciplinen: det vigtigste først

Fordi modellen læser sekventielt, er placering det samme som betoning: det, der kommer først, forankrer billedet, det, der kommer sidst, justerer det. Sæt tingene i den rækkefølge, modellen har brug for dem:

1. Motiv — hvem eller hvad billedet er af, konkret.
2. Handling eller positur — hvad de laver, hvordan de holdes.
3. Stil eller stemning — fotografi, oliemaleri, teknisk illustration, og hvilket toneleje det er i.
4. Omgivelser og lys — hvor det foregår, og hvilket lys der falder på det.
5. Teknik — beskæring, objektiv, dybdeskarphed, farvedetaljer.

Det hyppigste selvforskyldte problem er at begynde med det tekniske led. At åbne med »Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper« fortæller modellen, at udseendet er motivet, og at manden er en detalje. Du får en storslået, tom ramme med en lille, udefinerbar figur i.

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.

Hvert element fra den første version overlever i den anden; intet blev droppet. Modellen ved nu blot, hvad billedet er af, før den får at vide, hvordan det skal fotograferes — og alene den omrokering flytter motivet fra tilfældigt til centralt.

04Vær konkret om motivet

»A person« er ikke et motiv, det er en pladsholder — og modellen udfylder pladsholdere med gennemsnittet af alt, den har set, hvilket er præcis dér, det blanke, aldersløse, karakterløse udtryk kommer fra. Konkrethed koster fem ord og køber et bestemt menneske:

Læg mærke til mønstret: alder eller epoke, ét strukturelt træk, én kendetegnende ufuldkommenhed. Det tredje punkt er dét, der får et resultat til at føles fotograferet frem for genereret. En skår tand, en slidt søm, overmalet skiltning — små asymmetrier er det stærkeste anti-plastik-signal, der findes, og de koster næsten intet i dit ordbudget.

05Fotorealisme: skriv forespørgslen som et fotografi

Fotorealisme er standardlejet, medmindre du beder om kunst, illustration eller anime. Men ordet »photorealistic« gør ikke meget arbejde. Det, der frembringer et fotografi, er at beskrive selve fotograferingen: et rigtigt kamera, et rigtigt objektiv og en rigtig filmtype eller lyskilde.

Grunden er ligetil. Hvert eneste billede med billedteksten »Kodak Portra 400« blev lavet med en bestemt proces med en bestemt kornstruktur, højlys-afrulning og hudgengivelse, og at nævne filmtypen henter det hele ind. »8k ultra detailed« optrådte kun nogensinde i spam fra billedbureausider, så det henter spam fra billedbureausider ind. Et par pålidelige opskrifter, der hver især giver et markant forskelligt billede af det samme motiv:

Tilpas forankringen til opskriften — hudtekstur på poreniveau betyder intet i en 24mm vidvinkel, hvor ansigtet er firs pixels højt — og tilføj den så. Forankrende detaljer er — det teksturbevis, at et objektiv rent faktisk har optaget det her. Synlige hudporer og fine ansigtshår. Vævningen i en hørskjorte. Støvfnug i en lysstribe. En ridse på en læderstøvle. Løse hår mod en lys baggrund. To eller tre er nok, og de er forskellen på en rendering af et menneske og et fotografi af et.

06Lagdelte scener: forgrund, mellemgrund, baggrund

Når en scene har dybde, så beskriv de tre planer hver for sig og i rækkefølge. Det er den mest effektive teknik til billeder, der skal føles som steder frem for kulisser, og næsten ingen gør det. Uden den får du fladhed: alt, prompten nævner, lander i omtrent samme afstand og konkurrerer om det samme midterbånd i billedet. At navngive planer giver modellen et dybdebudget at bruge af.

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.

To forfininger. Læg noget i forgrunden, som bevidst er ude af fokus — rigtige fotografier af dybe scener har næsten altid et, og fraværet er et almindeligt afslørende tegn. Og sig, hvilket plan motivet befinder sig i: hvis cykelbuddet er billedets pointe, hører hun til i mellemgrunden, ellers vil tårnet og kaffekoppen kæmpe med hende om billedfladen.

07Præcise farver: hexkoder, knyttet til objekter

Til brandarbejde, kostumekontinuitet eller hvor som helst »rød« ikke er præcist nok, skriver du hexkoden som color #RRGGBB og knytter den til et navngivet objekt:

...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...

Tre tommelfingerregler. Brug hex til de to-tre farver, der virkelig betyder noget, og almindelige ord til resten — en prompt med seks hexkoder bruger det meste af sit budget på farveprøver. Bind koden til et objekt med kanter, aldrig til »lyssætningen« eller »stemningen«. Og husk, at den angiver objektets farve, ikke den endelige pixelværdi: en #8B0000-frakke i modlys i den gyldne time renderes varmere end farveprøven, præcis som den ville i virkeligheden.

08Valg af billedformat

Der er fem formater til rådighed, og det rigtige er som regel underforstået af motivet, men et udtrykkeligt ønske fra dig vinder altid — bed om en baggrund til telefonen, og du får tall uanset hvad indholdet lægger op til.

At tage fejl her er mere skadeligt, end det ser ud. En stående figur i fuld figur i en wide-ramme giver dig ikke en lille figur i en stor ramme — den giver dig som regel en beskåret figur, fordi modellen fylder bredden ud, og hovedet eller fødderne forlader billedet. Tilpas rammen til motivets dominerende akse, og de fleste kompositionsklager forsvinder.

To adfærdstræk, det er værd at huske: redigering beholder automatisk kildebilledets billedformat, så du kan ikke ombeskære ved at redigere, mens kombination lader dig vælge et nyt lærred — ofte den reneste måde at ændre formen på noget, du allerede har.

09Antimønstre: hvad du skal holde op med

Kvalitetstokens: »masterpiece, best quality, 8k, ultra detailed«

Det var håndtag, som fællesskabet fandt frem til for en bestemt ældre træningsfordeling, hvor visse formuleringer i billedtekster korrelerede med visse billedkilder. De overføres ikke. Her læses de som almindelige engelske ord, bidrager med ingenting og æder en del af et ordbudget, du allerede har fået at vide er stramt. Erstatningen er at sige, hvilken detalje du vil have: ikke »ultra detailed«, men »visible weave in the coat fabric and fine stubble along the jaw« — den samme hensigt, udtrykt som noget, modellen kan rendere.

Vægtsyntaks: (word:1.3), [word], {{word}}

Bliver ikke fortolket. Parenteser, kantede parenteser, koloner og tal lander som bogstavelig tekst og gør om noget det omgivende led sværere at læse. Vil du have mere vægt på noget, så brug de to håndtag, der virker: flyt det tidligere frem i prompten, og giv det flere ord. »A crimson silk scarf, its fringed ends lifting in the wind« vejer tungere end »(red scarf:1.4)« på enhver måde, der betyder noget.

Modstridende anvisninger

At blande uforenelige instruktioner blander dem ikke; det giver et ustabilt gennemsnit, der som regel tilfredsstiller ingen af dem. De hyppige syndere:

• Medie — »photorealistic« plus »watercolor«; »oil painting« plus »shot on 85mm«. Vælg én, og hold fast.
• Beskæring — »wide establishing shot« plus »extreme close-up on her eyes«; »full body« plus »detailed facial pores«.
• Lys — »harsh midday sun« plus »soft golden hour glow«; »low key, deep shadows« plus »bright and airy«.
• Epoke — »1970s film aesthetic« plus »modern minimalist« plus »cyberpunk«.
• Stilstabling — fire kunstnere eller fire genrer på én gang. To beslægtede referencer kan fungere; fire ophæver hinanden til det generiske.
• Ordflom — »rustic, weathered, ancient, timeworn wooden door« er én idé skrevet fire gange, og hver gentagelse udvander resten af prompten.

10Der er ingen negativ prompt i tekst-til-billede

Det er det antimønster, der rammer erfarne brugere hårdest, for i ældre systemer var den negative prompt halvdelen af håndværket.

Til generering er reglen absolut og en anelse kontraintuitiv: at skrive »no text, no watermark, no extra fingers« ind i prompten gør de ting mere sandsynlige, ikke mindre. Modellen læser »no text« som en sætning, der indeholder begrebet text; negation er et svagt signal, og navneordet er et stærkt. Du har reelt bedt om tekst. Sig altid den positive form i stedet:

Til redigering og kombination findes den negative prompt, og du bør bruge den — men til artefakter, ikke til indhold. Godt materiale: vandmærke, tekstoverlejring, dublerede lemmer, forvredne hænder, glorier fra overskarphed, JPEG-blokke, sømlinjer langs en sammensætningskant. Dårligt materiale: alt om, hvad billedet er af, hvilket hører hjemme i instruktionen.

11At læse den prompt, Shannon skriver for dig

Her er det, der gør denne guide umiddelbart brugbar frem for teoretisk. Du behøver ikke selv at skrive genereringsprompten. Du spørger i almindeligt sprog, på ethvert sprog; Shannon genkender, at der bliver bedt om et billede, sammensætter den engelske genereringsprompt og viser dig den på et bekræftelseskort, før noget renderes. Intet bliver genereret, og intet bliver faktureret, før du bekræfter.

Så den færdighed, der giver mest igen, er ikke at skrive prompts fra bunden — det er at læse den, der står på kortet. Gå denne liste igennem:

1. Er motivet konkret? Står der »a person« eller »a woman« på kortet, har du fundet den enkeltstående største forbedringsmulighed. Giv det en alder, en kropsbygning, et træk.
2. Kommer motivet først? Åbner prompten med en stil eller et kamera, så bed om, at den i stedet indledes med motivet.
3. Ligger den i spændet? Under 30 ord: bed om mere præcision omkring lys og omgivelser. Over 100: bed om, at den skæres ned.
4. Er der en lyskilde? Ikke et stemningsord — et faktisk lys: vindue, gadelygte, blitz, overskyet himmel, softbox.
5. Nogen konflikter? Skim efter to medier, to beskæringer eller to lysforhold i den samme prompt.
6. Nogen indsmuglede negationer? Indeholder kortet »without«, »no« eller »avoid«, er det en tekst-til-billede-prompt, der beder om netop det, den nævner.
7. Passer formatet til motivet? En figur i fuld figur i wide er den klassiske uoverensstemmelse.

Rettelser foregår i samtaleform: »gør hende sidst i tyverne med et ar gennem det ene øjenbryn, optag det på Portra med 85mm, og brug portrait« er en helt fin instruktion. Du får et nyt kort og bekræfter det i stedet. Der er ingen straf for at gentage, for intet er renderet endnu.

Og Shannon genererer ikke uopfordret. En hilsen, et spørgsmål eller et foto, du vedhæfter for at drøfte det, udløser ikke en rendering. At bede Shannon om at kigge på et billede — beskrive det, læse det, analysere det — er almindeligt vision-arbejde, ikke generering, og koster ikke ekstra.

12Hvordan håndværket ændrer sig ved redigering og kombination

Reglerne ovenfor er skrevet til generering. To beslægtede tilstande ændrer promptens form.

Redigering af ét billede

En redigeringsprompt er en instruktion, ikke en beskrivelse: sig, hvad der ændres, og hvad der bliver. At navngive de uændrede dele er det enkeltstående største kvalitetshåndtag i produktet — »Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is« hænger sammen, hvor den samme forespørgsel uden det led stille og roligt gentegner hendes ansigt. Vær præcis om ankeret: behold ansigt, positur, hår og tøj identisk. Præcis ét kildebillede bruges, og outputtet beholder dets billedformat.

Kombination af to eller flere billeder

Hver gang elementer kommer fra mere end ét billede — overførsel af tøj, et objekt ind i en scene, to personer i én ramme, produkt-på-person, en stil fra ét billede med et motiv fra et andet — skal prompten navngive hvert billedes rolle, i rækkefølge: »The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.« Det første billede er hovedmotivet eller scenen; senere billeder leverer de dele, der bringes ind. Lav ikke en forespørgsel med flere billeder om til én kilde plus en tekstbeskrivelse — det er kombinationen af de rigtige billeder, der bevarer, hvordan de ting faktisk ser ud.

13Ucensureret prompting: sig, hvad du mener

Der er intet indholdsfilter på genereringsvejen og intet afvisningslag på den model, der skriver prompten. Det er hele produktets pointe: filtrerede generatorer afviser rutinemæssigt legitimt arbejde — nøgenkunst, medicinsk og retsmedicinsk illustration, billeder til sikkerhedsforskning, vold i fiktion, politisk satire, brand- og portrætarbejde udført af rettighedshaveren. Halvdelen af prompthåndværket på filtrerede platforme er eufemisme-ingeniørkunst, og eufemismer er fjenden af et præcist billede.

Så der er én ting mere at tjekke på kortet: at det beskriver det faktiske motiv med almindelige ord frem for det forbeholdne ordforråd, folk lærer af filtrerede værktøjer. En retsmedicinsk illustration af et sår bør sige, hvad såret er. Forbeholdent sprog giver et dårligere billede overalt, for modellen renderer det, ordene siger.

Formåen og dømmekraft er to forskellige ting. Shannon Lab LLC driver dette under en offentliggjort politik for ansvarlig brug: ufiltreret generering er et professionelt værktøj, og samtykke, rettigheder og loven gælder fortsat for det, du laver.

14Hvor API'et passer ind

Én præcisering til læsere, der kommer fra en API-søgning: billedgenerering, -redigering og -kombination findes i Shannon-chatappen, ikke på /v1-API'et. API'et leverer tekst og vision — det kan læse, beskrive og analysere billeder, du sender til det, på alle tre dialekter (/v1/chat/completions, /v1/messages, /v1/responses, alle med streaming) — men det skaber dem ikke. Bygger du en pipeline, der skal forstå billeder, er API-dokumentationen stedet at begynde. Vil du lave billeder, er det chatappen, og alt i denne guide gælder dér. Billeder renderes på vores egen GPU-klynge.

15Ofte stillede spørgsmål

Relateret læsning: Ucensureret AI-billedgenerering · Ucensureret AI-billedredigering · Politik for ansvarlig brug · API-dokumentation · Al Shannon research. Vejledningen her stammer fra vores egne tests af Shannons Billedmodel; råd skrevet til tidligere diffusionssystemer overføres generelt ikke.