Ο οδηγός prompt για εικόνες AI

Οι περισσότεροι φτάνουν εδώ με συνήθειες prompt που έμαθαν στο SDXL: μια αλυσίδα ουσιαστικών χωρισμένων με κόμματα, ένα προοίμιο από tokens ποιότητας, μερικά βάρη σε παρενθέσεις και ένα αρνητικό prompt εξίσου μεγάλο με το θετικό. Αυτές οι συνήθειες ήταν σωστές για εκείνα τα μοντέλα και είναι αντιπαραγωγικές εδώ. Αυτή είναι η σύντομη εκδοχή του τι δουλεύει πραγματικά — και, επειδή το Shannon γράφει το prompt δημιουργίας για σένα και σου το δείχνει πριν γίνει render οτιδήποτε, είναι εξίσου ένας οδηγός για να διαβάζεις και να διορθώνεις αυτό που σου προτείνει το Shannon.

01Γιατί ο πεζός λόγος κερδίζει τις ετικέτες: το μοντέλο διαβάζει σαν γλωσσικό μοντέλο

Τα παλαιότερα μοντέλα διάχυσης, για τα οποία γράφτηκαν οι περισσότερες συμβουλές prompt, χρησιμοποιούσαν έναν κωδικοποιητή κειμένου που στην πράξη συμπεριφερόταν σαν σάκος εννοιών: η γραμματική ελάχιστα μετρούσε, και η νικηφόρα στρατηγική ήταν να στοιβάζεις σχετικά ουσιαστικά και να τα λοξοδρομείς με βάρη. Η σούπα ετικετών ήταν το σωστό σχήμα prompt για εκείνον τον κωδικοποιητή.

Το Μοντέλο Εικόνας του Shannon δεν λειτουργεί έτσι. Διαβάζει ένα prompt όπως ένα γλωσσικό μοντέλο διαβάζει κείμενο, άρα η σύνταξη μεταφέρει νόημα. Το «κρατώντας μια ομπρέλα ακουμπισμένη στον ώμο της» είναι μια σχέση ανάμεσα σε ένα άτομο, ένα αντικείμενο και ένα μέρος του σώματος· το «ομπρέλα, ώμος» είναι δύο πράγματα που τυχαίνει να είναι παρόντα. Οι προθέσεις τοποθετούν τα πράγματα. Τα ρήματα δημιουργούν πόζες. Οι δευτερεύουσες προτάσεις προσαρτούν τη λεπτομέρεια στο σωστό ουσιαστικό αντί να την αφήνουν να αιωρείται σε όλη την εικόνα.

Να η ίδια εικόνα ζητημένη και με τους δύο τρόπους.

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.

Δες τι δεν μπορεί να εκφράσει η εκδοχή με τις ετικέτες. Ποτέ δεν λέει ότι η ομπρέλα κρατιέται, οπότε μπορεί να καταλήξει πεσμένη στο έδαφος. Ποτέ δεν λέει ότι το νέον αντανακλάται στην άσφαλτο, μόνο ότι υπάρχουν και τα δύο, οπότε παίρνεις πινακίδες και έναν βρεγμένο δρόμο χωρίς καμία οπτική σχέση μεταξύ τους. Ποτέ δεν λέει πού κοιτάει η γυναίκα, οπότε η πόζα της είναι κορώνα-γράμματα. Το «cinematic lighting» είναι ετικέτα διάθεσης, όχι πηγή φωτός. Και τα τελευταία πέντε tokens είναι θόρυβος, που διαβάζονται ως αγγλικές λέξεις περί φωτογραφίας και όχι ως λαβές ελέγχου.

Η εκδοχή σε πεζό λόγο δεν είναι μεγαλύτερη επειδή είναι στολισμένη. Είναι μεγαλύτερη επειδή απαντά σε ερωτήσεις που η εκδοχή με τις ετικέτες άφησε ανοιχτές. Αυτό είναι όλο το κόλπο.

02Πόσο μεγάλο πρέπει να είναι ένα prompt εικόνας;

Στόχευσε στις 30 έως 80 λέξεις. Μην ξεπερνάς πολύ τις 100. Είναι ο πιο εύκολος μοχλός ποιότητας που έχεις στη διάθεσή σου, και μετρούν και τα δύο άκρα του εύρους.

Κάτω από περίπου 30 λέξεις, η σύνθεση, το φως και η κάδρωση μένουν απροσδιόριστα, οπότε το μοντέλο διαλέγει ό,τι είναι στατιστικά πιο συνηθισμένο. Το «μια γυναίκα σε μια καφετέρια» είναι έγκυρο prompt που παράγει μια εικόνα που ξεχνιέται, επειδή ανέθεσες κάθε ενδιαφέρουσα απόφαση σε άλλον.

Πάνω από περίπου 100 λέξεις εμφανίζεται διαφορετική αποτυχία: οι όψιμες προτάσεις ανταγωνίζονται τις πρώιμες για τις ίδιες περιοχές της εικόνας και, αντί να συσσωρεύεις λεπτομέρεια, παίρνεις αραίωση. Η τρίτη περιγραφή φωτισμού ξεκάνει την πρώτη, και το θέμα που καθιέρωσες στις πρώτες οκτώ λέξεις παίρνει λιγότερη σχετική προσοχή με κάθε πρόταση που προσθέτεις. Τα μεγάλα prompt διαβάζονται ως ενδελεχή. Δεν αποδίδονται ως ενδελεχή.

Η πειθαρχία: γράψε το prompt που θέλεις, μετά κόψ' το ως τις προτάσεις που θα άλλαζαν την εικόνα αν αφαιρούνταν.

03Η πειθαρχία της σειράς: το σημαντικότερο πρώτο

Επειδή το μοντέλο διαβάζει σειριακά, η θέση είναι έμφαση: ό,τι έρχεται πρώτο αγκυρώνει την εικόνα, ό,τι έρχεται τελευταίο τη ρυθμίζει. Βάλε τα πράγματα με τη σειρά που τα χρειάζεται το μοντέλο:

1. Θέμα — ποιον ή τι δείχνει αυτή η εικόνα, συγκεκριμένα.
2. Δράση ή πόζα — τι κάνει, πώς στέκεται.
3. Ύφος ή ατμόσφαιρα — φωτογραφία, ελαιογραφία, τεχνική εικονογράφηση, και σε ποιον τόνο.
4. Σκηνικό και φωτισμός — πού συμβαίνει και τι φως πέφτει πάνω του.
5. Τεχνικά — κάδρωση, φακός, βάθος πεδίου, χρωματικές λεπτομέρειες.

Η συχνότερη αυτοτραυματική κίνηση είναι να ξεκινάς από την τεχνική πρόταση. Αν ανοίξεις με «Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper», λες στο μοντέλο ότι το ύφος είναι το θέμα και ο άντρας μια λεπτομέρεια. Παίρνεις ένα υπέροχο, άδειο κάδρο με μια μικρή, δυσδιάκριτη φιγούρα μέσα του.

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.

Κάθε στοιχείο της πρώτης εκδοχής επιβιώνει στη δεύτερη· τίποτα δεν αφαιρέθηκε. Απλώς το μοντέλο ξέρει τώρα τι δείχνει η εικόνα πριν του πουν πώς να τη γυρίσει — και μόνο αυτή η αναδιάταξη μετακινεί το θέμα από περιστασιακό σε κεντρικό.

04Να είσαι συγκεκριμένος για το θέμα

Το «ένα άτομο» δεν είναι θέμα, είναι κενή θέση — και το μοντέλο γεμίζει τις κενές θέσεις με τον μέσο όρο όλων όσων έχει δει, ακριβώς από εκεί προέρχεται εκείνη η γυαλιστερή, άχρονη, άχαρη εμφάνιση. Η συγκεκριμενοποίηση κοστίζει πέντε λέξεις και σου αγοράζει έναν συγκεκριμένο άνθρωπο:

Πρόσεξε το μοτίβο: ηλικία ή εποχή, ένα δομικό χαρακτηριστικό, μία διακριτική ατέλεια. Το τρίτο στοιχείο είναι αυτό που κάνει το αποτέλεσμα να μοιάζει φωτογραφημένο και όχι παραγμένο. Ένα σπασμένο δόντι, ένα φθαρμένο στρίφωμα, μια βαμμένη από πάνω επιγραφή — οι μικρές ασυμμετρίες είναι το ισχυρότερο διαθέσιμο αντι-πλαστικό σήμα, και δεν κοστίζουν σχεδόν τίποτα από τον προϋπολογισμό λέξεων.

05Φωτορεαλισμός: διατύπωσε το αίτημα σαν φωτογραφία

Ο φωτορεαλισμός είναι ο προεπιλεγμένος τόνος, εκτός αν ζητήσεις τέχνη, εικονογράφηση ή anime. Αλλά η λέξη «φωτορεαλιστικό» κάνει ελάχιστα. Αυτό που παράγει φωτογραφία είναι η περιγραφή της ίδιας της φωτογραφικής πράξης: μια αληθινή κάμερα, ένας αληθινός φακός και ένα αληθινό φιλμ ή μια αληθινή πηγή φωτός.

Ο λόγος είναι απλός. Κάθε εικόνα με λεζάντα «Kodak Portra 400» φτιάχτηκε με μια συγκεκριμένη διαδικασία, με συγκεκριμένη δομή κόκκου, συγκεκριμένη συμπεριφορά στα φωτεινά και συγκεκριμένη απόδοση δέρματος, και η ονομασία του φιλμ στρατολογεί όλα αυτά. Το «8k ultra detailed» εμφανιζόταν μόνο σε σπαμ από site με stock εικόνες, οπότε στρατολογεί σπαμ από site με stock εικόνες. Λίγες αξιόπιστες συνταγές, καθεμιά από τις οποίες παράγει σαφώς διαφορετική εικόνα του ίδιου θέματος:

Ταίριαξε την αγκύρωση με τη συνταγή — η υφή του δέρματος σε επίπεδο πόρων δεν σημαίνει τίποτα σε ένα ευρύ κάδρο 24mm όπου το πρόσωπο έχει ύψος ογδόντα pixel — και μετά πρόσθεσέ την. Η λεπτομέρεια αγκύρωσης είναι η απόδειξη υφής ότι ένας φακός πράγματι κατέγραψε αυτή τη σκηνή. Ορατοί πόροι δέρματος και λεπτές τρίχες προσώπου. Η ύφανση ενός λινού πουκαμίσου. Σκόνη μέσα σε μια δέσμη φωτός. Μια γρατζουνιά σε μια δερμάτινη μπότα. Ατίθασες τρίχες πάνω σε φωτεινό φόντο. Δύο ή τρεις αρκούν, και είναι η διαφορά ανάμεσα στην απόδοση ενός ανθρώπου και τη φωτογραφία ενός ανθρώπου.

06Σκηνές με στρώσεις: πρώτο πλάνο, μεσαίο πλάνο, φόντο

Όταν μια σκηνή έχει βάθος, περίγραψε τα τρία επίπεδα ξεχωριστά και με τη σειρά. Είναι η πιο αποτελεσματική τεχνική για εικόνες που πρέπει να μοιάζουν με τόπους και όχι με φόντα, και σχεδόν κανείς δεν τη χρησιμοποιεί. Χωρίς αυτήν παίρνεις επιπεδότητα: όλα όσα αναφέρει το prompt προσγειώνονται περίπου στην ίδια απόσταση, ανταγωνιζόμενα για την ίδια μεσαία ζώνη του κάδρου. Η ονομασία των επιπέδων δίνει στο μοντέλο έναν προϋπολογισμό βάθους για να ξοδέψει.

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.

Δύο βελτιώσεις. Βάλε στο πρώτο πλάνο κάτι που είναι σκόπιμα εκτός εστίασης — οι αληθινές φωτογραφίες βαθιών σκηνών σχεδόν πάντα έχουν κάτι τέτοιο, και η απουσία του είναι συχνό σημάδι. Και πες σε ποιο επίπεδο βρίσκεται το θέμα: αν η ντελιβεράς με το ποδήλατο είναι το νόημα της εικόνας, η θέση της είναι στο μεσαίο πλάνο, αλλιώς ο πύργος και το ποτήρι του καφέ θα της παλέψουν το κάδρο.

07Ακριβή χρώματα: κωδικοί hex, δεμένοι σε αντικείμενα

Για δουλειά brand, συνέχεια κοστουμιού, ή οπουδήποτε το «κόκκινο» δεν είναι αρκετά συγκεκριμένο, γράψε τον κωδικό hex ως color #RRGGBB και δέσε τον σε ένα κατονομασμένο αντικείμενο:

...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...

Τρεις εμπειρικοί κανόνες. Χρησιμοποίησε hex για τα δύο ή τρία χρώματα που πραγματικά μετρούν και απλές λέξεις για τα υπόλοιπα — ένα prompt με έξι κωδικούς hex ξοδεύει το μεγαλύτερο μέρος του προϋπολογισμού του σε δειγματολόγια μπογιάς. Δέσε τον κωδικό σε αντικείμενο με περιγράμματα, ποτέ στον «φωτισμό» ή στη «διάθεση». Και θυμήσου ότι ορίζει το χρώμα του αντικειμένου, όχι την τελική τιμή του pixel: ένα παλτό #8B0000 σε κόντρα φως της χρυσής ώρας αποδίδεται πιο ζεστό από το δειγματολόγιο, ακριβώς όπως θα γινόταν και στην πραγματικότητα.

08Επιλογή του λόγου διαστάσεων

Είναι διαθέσιμοι πέντε λόγοι και ο σωστός συνήθως υπονοείται από το θέμα, αλλά ένα ρητό αίτημα από σένα υπερισχύει πάντα — ζήτα φόντο κινητού και παίρνεις tall, ανεξάρτητα από το τι υποδεικνύει το περιεχόμενο.

Το να το κάνεις λάθος εδώ βλάπτει περισσότερο απ' ό,τι φαίνεται. Μια ολόσωμη όρθια μορφή σε κάδρο wide δεν σου δίνει μια μικρή φιγούρα σε μεγάλο κάδρο — συνήθως σου δίνει μια κομμένη, επειδή το μοντέλο γεμίζει το πλάτος και το κεφάλι ή τα πόδια βγαίνουν έξω από το κάδρο. Ταίριαξε το κάδρο με την κυρίαρχη διεύθυνση του θέματος και τα περισσότερα παράπονα για τη σύνθεση εξαφανίζονται.

Δύο συμπεριφορές που αξίζει να θυμάσαι: η επεξεργασία διατηρεί αυτόματα τον λόγο διαστάσεων της εικόνας-πηγής, οπότε δεν μπορείς να ξανακαδράρεις μέσω επεξεργασίας, ενώ ο συνδυασμός σού επιτρέπει να διαλέξεις νέο καμβά — συχνά ο πιο καθαρός τρόπος να αλλάξεις το σχήμα κάτι που ήδη έχεις.

09Αντιπρότυπα: τι να σταματήσεις να κάνεις

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

Αυτά ήταν λαβές που ανακάλυψε η κοινότητα για μια συγκεκριμένη, παλαιότερη κατανομή εκπαίδευσης, όπου ορισμένες φράσεις λεζάντας συσχετίζονταν με ορισμένες πηγές εικόνων. Δεν μεταφέρονται. Εδώ διαβάζονται ως συνηθισμένες αγγλικές λέξεις, δεν συνεισφέρουν τίποτα και τρώνε μέρος από έναν προϋπολογισμό λέξεων για τον οποίο σου έχουν ήδη πει ότι είναι στενός. Η αντικατάσταση είναι να πεις ποια λεπτομέρεια θέλεις: όχι «ultra detailed» αλλά «ορατή ύφανση στο ύφασμα του παλτού και λεπτό αξύριστο γένι κατά μήκος του σαγονιού» — η ίδια πρόθεση, εκφρασμένη ως κάτι που το μοντέλο μπορεί να αποδώσει.

Σύνταξη βαρών: (word:1.3), [word], {{word}}

Δεν ερμηνεύεται. Οι παρενθέσεις, οι αγκύλες, οι άνω-κάτω τελείες και οι αριθμοί προσγειώνονται ως κυριολεκτικό κείμενο και, αν κάνουν κάτι, κάνουν την πρόταση γύρω τους δυσανάγνωστη. Αν θέλεις περισσότερη έμφαση σε κάτι, χρησιμοποίησε τους δύο μοχλούς που όντως δουλεύουν: μετακίνησέ το νωρίτερα στο prompt και δώσ' του περισσότερες λέξεις. Το «Ένα κατακόκκινο μεταξωτό κασκόλ, με τις κρόσσιες του να σηκώνονται στον άνεμο» ζυγίζει περισσότερο από το «(red scarf:1.4)» με κάθε μέτρο που μετράει.

Αντιφατικές οδηγίες

Το ανακάτεμα ασύμβατων οδηγιών δεν τις συνδυάζει· παράγει έναν ασταθή μέσο όρο που συνήθως δεν ικανοποιεί καμία. Οι συχνοί παραβάτες:

• Μέσο — «photorealistic» συν «watercolor»· «oil painting» συν «shot on 85mm». Διάλεξε ένα και μείνε σε αυτό.
• Κάδρωση — «wide establishing shot» συν «extreme close-up on her eyes»· «full body» συν «detailed facial pores».
• Φωτισμός — «harsh midday sun» συν «soft golden hour glow»· «low key, deep shadows» συν «bright and airy».
• Εποχή — «1970s film aesthetic» συν «modern minimalist» συν «cyberpunk».
• Στοίβαγμα υφών — τέσσερις καλλιτέχνες ή τέσσερα είδη ταυτόχρονα. Δύο συγγενικές αναφορές μπορεί να δουλέψουν· τέσσερις αλληλοακυρώνονται σε κάτι γενικόλογο.
• Διασπορά — το «rustic, weathered, ancient, timeworn wooden door» είναι μία ιδέα γραμμένη τέσσερις φορές, και κάθε επανάληψη αραιώνει το υπόλοιπο prompt.

10Δεν υπάρχει αρνητικό prompt στο text-to-image

Αυτό είναι το αντιπρότυπο που πιάνει πιο σκληρά τους έμπειρους χρήστες, γιατί στις παλαιότερες στοίβες το αρνητικό prompt ήταν η μισή τέχνη.

Για τη δημιουργία ο κανόνας είναι απόλυτος και ελαφρώς αντιδιαισθητικός: αν γράψεις «χωρίς κείμενο, χωρίς υδατογράφημα, χωρίς επιπλέον δάχτυλα» μέσα στο prompt, αυτά τα πράγματα γίνονται πιο πιθανά, όχι λιγότερο. Το μοντέλο διαβάζει το «χωρίς κείμενο» ως πρόταση που περιέχει την έννοια κείμενο· η άρνηση είναι αδύναμο σήμα και το ουσιαστικό ισχυρό. Ουσιαστικά ζήτησες κείμενο. Δήλωνε πάντα αντ' αυτού τη θετική μορφή:

Για την επεξεργασία και τον συνδυασμό το αρνητικό prompt υπάρχει και πρέπει να το χρησιμοποιείς — αλλά για artifact, όχι για περιεχόμενο. Καλό υλικό: υδατογράφημα, επικάλυψη κειμένου, διπλά μέλη, παραμορφωμένα χέρια, φωτοστέφανα από υπερβολική όξυνση, τετράγωνα JPEG, γραμμές ραφής κατά μήκος μιας σύνθετης άκρης. Κακό υλικό: οτιδήποτε αφορά τι δείχνει η εικόνα, που ανήκει στην οδηγία.

11Πώς να διαβάζεις το prompt που γράφει για σένα το Shannon

Να τι κάνει αυτόν τον οδηγό άμεσα χρήσιμο και όχι θεωρητικό. Δεν χρειάζεται να γράψεις εσύ το prompt δημιουργίας. Ζητάς σε απλή γλώσσα, σε οποιαδήποτε γλώσσα· το Shannon αναγνωρίζει ότι ζητείται εικόνα, συνθέτει το αγγλικό prompt δημιουργίας και σου το δείχνει σε μια κάρτα επιβεβαίωσης πριν γίνει render οτιδήποτε. Τίποτα δεν δημιουργείται και τίποτα δεν χρεώνεται μέχρι να επιβεβαιώσεις.

Οπότε η δεξιότητα που αποδίδει περισσότερο δεν είναι να γράφεις prompt από το μηδέν — είναι να διαβάζεις αυτό που είναι πάνω στην κάρτα. Πέρνα αυτή τη λίστα:

1. Είναι συγκεκριμένο το θέμα; Αν η κάρτα λέει «ένα άτομο» ή «μια γυναίκα», βρήκες τη μεγαλύτερη διαθέσιμη βελτίωση. Δώσ' του ηλικία, σωματότυπο, ένα χαρακτηριστικό.
2. Είναι το θέμα πρώτο; Αν το prompt ανοίγει με ύφος ή κάμερα, ζήτα να ξεκινά με το θέμα.
3. Είναι μέσα στο εύρος; Κάτω από 30 λέξεις, ζήτα περισσότερη ακρίβεια στο φως και το σκηνικό. Πάνω από 100, ζήτα να κοπεί.
4. Υπάρχει πηγή φωτός; Όχι λέξη διάθεσης — πραγματικό φως: παράθυρο, φανοστάτης, φλας, συννεφιασμένος ουρανός, softbox.
5. Υπάρχουν αντιφάσεις; Ψάξε για δύο μέσα, δύο καδρώσεις ή δύο συνθήκες φωτισμού στο ίδιο prompt.
6. Υπάρχουν λαθραίες αρνήσεις; Αν η κάρτα περιέχει «χωρίς», «όχι» ή «απόφυγε», είναι ένα prompt text-to-image που ζητά ακριβώς το πράγμα που κατονομάζει.
7. Είναι ο λόγος σωστός για το θέμα; Ολόσωμη μορφή σε wide είναι η κλασική αναντιστοιχία.

Οι διορθώσεις γίνονται συνομιλιακά: το «κάν' την γύρω στα τριάντα με μια ουλή που περνά από το φρύδι, τράβα το σε Portra στα 85mm και χρησιμοποίησε portrait» είναι μια χαρά οδηγία. Παίρνεις νέα κάρτα και επιβεβαιώνεις εκείνη. Δεν υπάρχει καμία ποινή για επαναλήψεις, γιατί δεν έχει γίνει ακόμη render τίποτα.

Και το Shannon δεν δημιουργεί απρόσκλητο. Ένας χαιρετισμός, μια ερώτηση ή μια φωτογραφία που επισυνάπτεις για συζήτηση δεν πυροδοτεί render. Το να ζητήσεις από το Shannon να κοιτάξει μια εικόνα — να την περιγράψει, να τη διαβάσει, να την αναλύσει — είναι απλή δουλειά όρασης, όχι δημιουργία, και δεν κοστίζει τίποτα επιπλέον.

12Πώς αλλάζει η τέχνη στην επεξεργασία και τον συνδυασμό

Οι παραπάνω κανόνες γράφτηκαν για τη δημιουργία. Δύο γειτονικές λειτουργίες αλλάζουν το σχήμα του prompt.

Επεξεργασία μίας εικόνας

Ένα prompt επεξεργασίας είναι οδηγία, όχι περιγραφή: δήλωσε τι αλλάζει και τι μένει. Το να ονομάσεις τα μέρη που δεν αλλάζουν είναι ο μεγαλύτερος μοχλός ποιότητας στο προϊόν — το «Άλλαξε το φόντο σε έναν βροχερό νυχτερινό δρόμο πόλης με αντανακλάσεις νέον, κράτα τη γυναίκα ακριβώς όπως είναι» κρατάει, ενώ το ίδιο αίτημα χωρίς αυτή την πρόταση της ξαναζωγραφίζει σιωπηλά το πρόσωπο. Να είσαι συγκεκριμένος για την άγκυρα: κράτα ίδια το πρόσωπο, την πόζα, τα μαλλιά και τα ρούχα. Χρησιμοποιείται ακριβώς μία εικόνα-πηγή, και το αποτέλεσμα διατηρεί τον λόγο διαστάσεών της.

Συνδυασμός δύο ή περισσότερων εικόνων

Όποτε τα στοιχεία προέρχονται από περισσότερες από μία εικόνες — μεταφορά ρούχων, ένα αντικείμενο μέσα σε σκηνή, δύο άνθρωποι σε ένα κάδρο, προϊόν πάνω σε άνθρωπο, ένα ύφος από τη μία εικόνα με το θέμα από την άλλη — το prompt πρέπει να ονομάζει τον ρόλο κάθε εικόνας, με τη σειρά: «Η γυναίκα από την πρώτη εικόνα φορώντας το κόκκινο πλεκτό πουλόβερ από τη δεύτερη εικόνα, να στέκεται στο ίδιο πάρκο.» Η πρώτη εικόνα είναι το κύριο θέμα ή η σκηνή· οι επόμενες παρέχουν τα κομμάτια που φέρνονται μέσα. Μη συμπτύξεις ένα αίτημα πολλών εικόνων σε μία πηγή συν μια κειμενική περιγραφή — ο συνδυασμός των πραγματικών εικόνων είναι που διατηρεί το πώς μοιάζουν όντως αυτά τα πράγματα.

13Prompt χωρίς λογοκρισία: πες αυτό που εννοείς

Δεν υπάρχει φίλτρο περιεχομένου στη διαδρομή δημιουργίας ούτε επίπεδο άρνησης στο μοντέλο που γράφει το prompt. Αυτό είναι όλο το νόημα του προϊόντος: οι φιλτραρισμένες γεννήτριες αρνούνται συστηματικά νόμιμη δουλειά — καλλιτεχνικά γυμνά, ιατρική και εγκληματολογική εικονογράφηση, εικόνες για έρευνα ασφάλειας, βία στη μυθοπλασία, πολιτική σάτιρα, δουλειά brand και ομοιότητας από τον ίδιο τον δικαιούχο. Η μισή τέχνη του prompt στις φιλτραρισμένες πλατφόρμες είναι μηχανική ευφημισμών, και ο ευφημισμός είναι ο εχθρός μιας ακριβούς εικόνας.

Άρα υπάρχει κάτι ακόμη να ελέγξεις στην κάρτα: ότι περιγράφει το πραγματικό θέμα με απλά λόγια και όχι με το προσεκτικό λεξιλόγιο που μαθαίνουν οι άνθρωποι από τα φιλτραρισμένα εργαλεία. Μια εγκληματολογική εικονογράφηση ενός τραύματος πρέπει να λέει τι είναι το τραύμα. Η προσεκτική γλώσσα παράγει χειρότερη εικόνα παντού, γιατί το μοντέλο αποδίδει αυτό που λένε οι λέξεις.

Η ικανότητα και η κρίση είναι δύο διαφορετικά πράγματα. Η Shannon Lab LLC λειτουργεί αυτό υπό δημοσιευμένη Πολιτική Υπεύθυνης Χρήσης: η δημιουργία χωρίς φίλτρα είναι επαγγελματικό εργαλείο, και η συγκατάθεση, τα δικαιώματα και ο νόμος εξακολουθούν να ισχύουν για ό,τι φτιάχνεις.

14Πού ταιριάζει το API

Μια διευκρίνιση ακρίβειας για όσους φτάνουν από αναζήτηση για API: η δημιουργία, η επεξεργασία και ο συνδυασμός εικόνων ζουν στην εφαρμογή chat του Shannon, όχι στο API /v1. Το API εξυπηρετεί κείμενο και όραση — μπορεί να διαβάσει, να περιγράψει και να αναλύσει τις εικόνες που του στέλνεις, και στις τρεις διαλέκτους (/v1/chat/completions, /v1/messages, /v1/responses, όλες με streaming) — αλλά δεν τις δημιουργεί. Αν φτιάχνεις μια ροή που χρειάζεται να καταλαβαίνει εικόνες, η τεκμηρίωση του API είναι το σημείο εκκίνησης. Αν θέλεις να φτιάξεις εικόνες, αυτό γίνεται στην εφαρμογή chat, και όλα όσα υπάρχουν σε αυτόν τον οδηγό ισχύουν εκεί. Οι εικόνες γίνονται render στο δικό μας cluster GPU.

15Συχνές ερωτήσεις

Σχετικό υλικό: Δημιουργία εικόνων AI χωρίς λογοκρισία · Επεξεργασία εικόνων AI χωρίς λογοκρισία · Πολιτική Υπεύθυνης Χρήσης · Τεκμηρίωση API · Όλη η έρευνα του Shannon. Οι οδηγίες εδώ προέρχονται από τις δικές μας δοκιμές στο Μοντέλο Εικόνας του Shannon· οι συμβουλές που γράφτηκαν για παλαιότερες στοίβες διάχυσης γενικά δεν μεταφέρονται.