La gvidilo pri AI-bildinstrukcioj

Plej multaj homoj alvenas kun instrukciaj kutimoj lernitaj sur SDXL: kom-apartigita ĉeno da substantivoj, antaŭparolo el kvalitĵetonoj, kelkaj parentezaj pezoj, kaj negativa instrukcio tiel longa kiel la pozitiva. Tiuj kutimoj estis ĝustaj por tiuj modeloj kaj estas malutilaj ĉi tie. Jen la mallonga versio de tio, kio efektive funkcias — kaj ĉar Shannon verkas la generadan instrukcion por vi kaj montras ĝin antaŭ ol io bildiĝas, ĝi estas same gvidilo por legi kaj korekti tion, kion Shannon proponas.

01Kial prozo superas etikedojn: la modelo legas kiel lingvomodelo

La pli malnovaj difuzaj modeloj, por kiuj estis verkitaj plej multaj instrukciaj konsiloj, uzis tekstan kodilon, kiu kondutis, praktike, kiel sako da konceptoj: la gramatiko apenaŭ gravis, kaj la venka strategio estis amasigi rilatajn substantivojn kaj klinigi ilin per pezoj. Etikedsupo estis la ĝusta formo de instrukcio por tiu kodilo.

La Bildmodelo de Shannon ne funkcias tiel. Ĝi legas instrukcion tiel, kiel lingvomodelo legas tekston, do la sintakso portas signifon. "Tenante ombrelon kontraŭ sia ŝultro" estas rilato inter persono, objekto kaj korpoparto; "ombrelo, ŝultro" estas du aferoj, kiuj hazarde ĉeestas. Prepozicioj lokas aferojn. Verboj kreas pozojn. Propozicioj alkroĉas detalojn al la ĝusta substantivo anstataŭ lasi ilin ŝvebi tra la tuta bildo.

Jen la sama bildo petita ambaŭmaniere.

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.

Rigardu, kion la etikeda versio ne povas esprimi. Ĝi neniam diras, ke la ombrelo estas tenata, do ĝi povus fine kuŝi sur la tero. Ĝi neniam diras, ke la neono estas respegulita en la asfalto, nur ke ambaŭ ekzistas, do vi ricevas ŝildojn kaj malsekan straton sen ajna optika rilato inter ili. Ĝi neniam diras, kien la virino rigardas, do ŝia pozo estas monero ĵetita. "Cinematic lighting" estas etosetikedo, ne lumfonto. Kaj la lastaj kvin ĵetonoj estas bruo, legataj kiel anglaj vortoj pri fotografio anstataŭ kiel regiloj.

La proza versio ne estas pli longa pro ornamemo. Ĝi estas pli longa, ĉar ĝi respondas demandojn, kiujn la etikeda versio lasis malfermitaj. Jen la tuta artifiko.

02Kiom longa devus esti bildinstrukcio?

Celu 30 ĝis 80 vortojn. Ne iru multe preter 100. Ĉi tio estas la plej facila kvalitlevilo disponebla al vi, kaj ambaŭ ekstremoj de la intervalo gravas.

Sub ĉirkaŭ 30 vortoj la kompozicio, la lumo kaj la kadrado restas nespecifitaj, do la modelo elektas tion, kio estas statistike plej ordinara. "Virino en kafejo" estas valida instrukcio, kiu produktas forgeseblan bildon, ĉar vi delegis ĉiun interesan decidon.

Super proksimume 100 vortoj aperas alia malsukceso: la postaj propozicioj konkuras kun la fruaj pri la samaj regionoj de la bildo, kaj anstataŭ kumuli detalojn vi ricevas dilucion. La tria priskribo de lumo malfaras la unuan, kaj la subjekto, kiun vi starigis en la unuaj ok vortoj, ricevas malpli da relativa atento kun ĉiu frazo, kiun vi aldonas. Longaj instrukcioj legiĝas kiel zorgaj. Ili ne bildiĝas kiel zorgaj.

La disciplino: verku la instrukcion, kiun vi volas, poste tranĉu ĝin ĝis la frazoj, kiuj ŝanĝus la bildon, se forigitaj.

03La disciplino de ordigo: la plej grava afero unue

Ĉar la modelo legas sinsekve, la pozicio estas emfazo: kio venas unue, ankras la bildon; kio venas laste, alĝustigas ĝin. Metu la aferojn en la ordo, en kiu la modelo bezonas ilin:

1. Subjekto — pri kiu aŭ kio estas ĉi tiu bildo, konkrete.
2. Ago aŭ pozo — kion ili faras, kiel ili tenas sin.
3. Stilo aŭ etoso — fotografaĵo, olepentraĵo, teknika ilustraĵo, kaj la registro, en kiu ĝi estas.
4. Medio kaj lumo — kie tio okazas kaj kia lumo falas sur ĝin.
5. Teknikaĵoj — kadrado, objektivo, profundeco de kampo, kolorspecifoj.

La plej ofta memtrudita vundo estas komenci per la teknika propozicio. Komenci per "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" diras al la modelo, ke la aspekto estas la subjekto kaj la viro estas detalo. Vi ricevas belegan, malplenan kadron kun malgranda nedistingebla figuro en ĝi.

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.

Ĉiu elemento el la unua versio postvivas en la dua; nenio estis forlasita. La modelo simple nun scias, pri kio estas la bildo, antaŭ ol oni diras al ĝi, kiel filmi ĝin — kaj tiu reordigo sola movas la subjekton de flanka al centra.

04Estu konkreta pri la subjekto

"Persono" ne estas subjekto, ĝi estas lokokupilo — kaj la modelo plenigas lokokupilojn per la mezumo de ĉio, kion ĝi vidis, kio estas ĝuste tie, de kie venas la glata, senaĝa, senkaraktera aspekto. Konkreteco kostas kvin vortojn kaj aĉetas specifan homon:

Rimarku la ŝablonon: aĝo aŭ epoko, unu struktura trajto, unu distinga neperfektaĵo. Tiu tria elemento estas tio, kio igas rezulton senti sin fotita anstataŭ generita. Rompeta dento, eluzita rando, surfarbita ŝildo — malgrandaj malsimetrioj estas la plej forta kontraŭ-plasta signalo disponebla, kaj ili kostas preskaŭ nenion en via vortobuĝeto.

05Fotorealismo: verku la peton kiel fotografaĵon

Fotorealismo estas la defaŭlta registro krom se vi petas arton, ilustraĵon aŭ animeon. Sed la vorto "photorealistic" faras malmulte da laboro. Kio produktas fotografaĵon, estas priskribi la agon de fotado: vera fotilo, vera objektivo, kaj vera filmspeco aŭ lumfonto.

La kialo estas simpla. Ĉiu bildo kun la apudskribo "Kodak Portra 400" estis farita per specifa procezo kun specifa grajnostrukturo, kulminmildigo kaj haŭtoprezento, kaj nomi la filmspecon rekrutas ĉion tion. "8k ultra detailed" aperis nur en varbaĉo de stokfotaj retejoj, do ĝi rekrutas varbaĉon de stokfotaj retejoj. Kelkaj fidindaj receptoj, ĉiu produktanta klare malsaman bildon de la sama subjekto:

Kongruigu la ankrajn detalojn kun la recepto — por-pora haŭtotekstruo signifas nenion en 24mm-larĝa kadro, kie la vizaĝo altas okdek rastrumerojn — kaj poste aldonu ilin. Ankraj detaloj estas la teksturaj pruvoj, ke objektivo efektive registris ĉi tion. Videblaj haŭtporoj kaj maldika vizaĝharo. La teksaĵo de lina ĉemizo. Polveroj en lumfasko. Grataĵo sur leda boto. Forflugantaj haroj kontraŭ hela fono. Du aŭ tri sufiĉas, kaj ili estas la diferenco inter bildigo de persono kaj fotografaĵo de persono.

06Tavoligitaj scenoj: antaŭplano, mezplano, fono

Kiam sceno havas profundon, priskribu la tri planojn aparte kaj laŭvice. Ĉi tio estas la plej efika tekniko por bildoj, kiuj devus senti sin kiel lokoj anstataŭ kiel fonkurtenoj, kaj preskaŭ neniu faras ĝin. Sen ĝi vi ricevas platecon: ĉio, kion la instrukcio mencias, alvenas proksimume je la sama distanco, konkurante pri la sama meza bendo de la kadro. Nomi la planojn donas al la modelo profundbuĝeton por elspezi.

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.

Du rafinaĵoj. Metu ion en la antaŭplanon, kio estas intence malfokusa — veraj fotografaĵoj de profundaj scenoj preskaŭ ĉiam havas tian, kaj ĝia manko estas ofta indiko. Kaj diru, kiun planon okupas la subjekto: se la biciklkuriero estas la celo de la bildo, ŝi apartenas al la mezplano, alie la turo kaj la kafotaso batalos kontraŭ ŝi pri la kadro.

07Ekzaktaj koloroj: deksesumaj kodoj, alkroĉitaj al objektoj

Por marka laboro, kostuma kontinueco, aŭ kie ajn "ruĝa" ne estas sufiĉe specifa, skribu la deksesuman kodon kiel color #RRGGBB kaj alkroĉu ĝin al nomita objekto:

...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 praktikaj reguloj. Uzu deksesumon por la du aŭ tri koloroj, kiuj vere gravas, kaj simplajn vortojn por la cetero — instrukcio kun ses deksesumaj kodoj elspezas plej multe de sia buĝeto por farbospecimenoj. Ligu la kodon al objekto kun randoj, neniam al "la lumo" aŭ "la etoso". Kaj memoru, ke ĝi specifas la koloron de la objekto, ne la finan rastrumeran valoron: mantelo #8B0000 en ora-hora kontraŭlumo bildiĝas pli varme ol la specimeno, ĝuste kiel en la vivo.

08Elekti la bildproporcion

Kvin proporcioj disponeblas kaj la ĝusta estas kutime implicita de la subjekto, sed eksplicita peto de vi ĉiam venkas — petu fonbildon kaj vi ricevas tall sendepende de tio, kion la enhavo sugestas.

Erari pri ĉi tio estas pli damaĝe ol ŝajnas. Plenlonga staranta figuro en kadro wide ne donas al vi malgrandan figuron en granda kadro — ĝi kutime donas al vi fortranĉitan, ĉar la modelo plenigas la larĝon kaj la kapo aŭ la piedoj forlasas la kadron. Kongruigu la kadron kun la domina akso de la subjekto kaj plej multaj plendoj pri kompozicio malaperas.

Du kondutojn indas memori: redaktado konservas la bildproporcion de la fontbildo aŭtomate, do vi ne povas rekadri per redaktado, dum kombinado permesas al vi elekti novan tolon — ofte la plej pura maniero ŝanĝi la formon de io, kion vi jam havas.

09Kontraŭŝablonoj: kion ĉesi fari

Kvalitĵetonoj: "masterpiece, best quality, 8k, ultra detailed"

Tiuj estis komunume malkovritaj teniloj por specifa pli malnova trejna distribuo, kie certaj apudskribaj frazoj korelaciis kun certaj bildfontoj. Ili ne transiras. Ĉi tie ili estas legataj kiel ordinaraj anglaj vortoj, kontribuas nenion, kaj formanĝas parton de vortobuĝeto, pri kiu oni jam diris al vi, ke ĝi estas strikta. La anstataŭaĵo estas diri, kiun detalon vi volas: ne "ultra detailed" sed "videbla teksaĵo en la mantelŝtofo kaj maldika stoplo laŭ la makzelo" — la sama intenco, esprimita kiel io, kion la modelo povas bildigi.

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

Ne analizata. La parentezoj, krampoj, dupunktoj kaj nombroj alvenas kiel laŭlitera teksto kaj, se io, malfaciligas la legadon de la ĉirkaŭa propozicio. Se vi volas pli da emfazo sur io, uzu la du levilojn, kiuj ja funkcias: movu ĝin pli frue en la instrukcio, kaj donu al ĝi pli da vortoj. "A crimson silk scarf, its fringed ends lifting in the wind" superpezas "(red scarf:1.4)" laŭ ĉiu mezuro, kiu gravas.

Kontraŭdiraj direktivoj

Miksi nekongruajn instrukciojn ne miksas ilin; tio produktas malstabilan mezumon, kiu kutime kontentigas neniun. La oftaj kulpuloj:

• Medio — "photorealistic" plus "watercolor"; "oil painting" plus "shot on 85mm". Elektu unu kaj tenu vin al ĝi.
• Kadrado — "wide establishing shot" plus "extreme close-up on her eyes"; "full body" plus "detailed facial pores".
• Lumo — "harsh midday sun" plus "soft golden hour glow"; "low key, deep shadows" plus "bright and airy".
• Epoko — "1970s film aesthetic" plus "modern minimalist" plus "cyberpunk".
• Stilstakado — kvar artistoj aŭ kvar ĝenroj samtempe. Du rilataj referencoj povas funkcii; kvar nuligas sin en ĝeneralaĵon.
• Disvastiĝo — "rustika, eluzita, antikva, tempoportita ligna pordo" estas unu ideo skribita kvarfoje, kaj ĉiu ripeto diluas la ceteron de la instrukcio.

10Ne ekzistas negativa instrukcio en teksto-al-bildo

Ĉi tio estas la kontraŭŝablono, kiu plej forte kaptas spertajn uzantojn, ĉar sur pli malnovaj stakoj la negativa instrukcio estis duono de la metio.

Por generado la regulo estas absoluta kaj iom kontraŭintuicia: skribi "neniu teksto, neniu akvomarko, neniuj kromaj fingroj" en la instrukcion faras tiujn aferojn pli verŝajnaj, ne malpli. La modelo legas "neniu teksto" kiel frazon enhavantan la koncepton teksto; neado estas malforta signalo kaj la substantivo estas forta. Vi efektive petis tekston. Ĉiam anstataŭe deklaru la pozitivan formon:

Por redaktado kaj kombinado la negativa instrukcio ekzistas kaj vi devus uzi ĝin — sed por artefaktoj, ne por enhavo. Bona materialo: akvomarko, teksta surtavolo, duobligitaj membroj, tordiĝintaj manoj, troakrigaj aŭreoloj, JPEG-blokiĝo, kudrolinioj laŭ komponita rando. Malbona materialo: ĉio pri tio, pri kio estas la bildo, kio apartenas al la instrukcio.

11Legi la instrukcion, kiun Shannon verkas por vi

Jen kio faras ĉi tiun gvidilon tuj uzebla anstataŭ teoria. Vi ne devas mem verki la generadan instrukcion. Vi petas per ordinara lingvaĵo, en ajna lingvo; Shannon rekonas, ke bildo estas petata, komponas la anglan generadan instrukcion, kaj montras ĝin al vi sur konfirmokarto antaŭ ol io bildiĝas. Nenio estas generata kaj nenio estas fakturita ĝis vi konfirmas.

Do la kapablo, kiu plej rekompencas, ne estas verki instrukciojn de nulo — ĝi estas legi tiun sur la karto. Trairu ĉi tiun liston:

1. Ĉu la subjekto estas konkreta? Se la karto diras "a person" aŭ "a woman", vi trovis la plej grandan disponeblan plibonigon. Donu al ĝi aĝon, korpformon, trajton.
2. Ĉu la subjekto estas unue? Se la instrukcio komenciĝas per stilo aŭ fotilo, petu, ke ĝi komenciĝu per la subjekto.
3. Ĉu ĝi estas en la intervalo? Sub 30 vortoj, petu pli da specifeco pri lumo kaj medio. Super 100, petu, ke ĝi estu tranĉita.
4. Ĉu estas lumfonto? Ne etosvorto — efektiva lumo: fenestro, stratlampo, fulmilo, nuba ĉielo, molboksa lampo.
5. Ĉu estas konfliktoj? Serĉu du mediojn, du kadradojn, aŭ du lumkondiĉojn en la sama instrukcio.
6. Ĉu estas kaŝitaj neadoj? Se la karto enhavas "without", "no" aŭ "avoid", tio estas teksto-al-bilda instrukcio petanta ĝuste tion, kion ĝi nomas.
7. Ĉu la proporcio taŭgas por la subjekto? Plenlonga figuro en wide estas la klasika miskongruo.

Korektoj estas konversaciaj: "faru ŝin tridekjara kun cikatro tra unu brovo, filmu ĝin per Portra je 85mm, kaj uzu portrait" estas tute bona instrukcio. Vi ricevas novan karton kaj konfirmas tiun anstataŭe. Ne estas puno por iteracii, ĉar ankoraŭ nenio bildiĝis.

Kaj Shannon ne generas neinvitite. Saluto, demando, aŭ foto, kiun vi alkroĉas por diskuto, ne ekigas bildigon. Peti al Shannon rigardi bildon — priskribi ĝin, legi ĝin, analizi ĝin — estas ordinara vida laboro, ne generado, kaj kostas nenion kroman.

12Kiel la metio ŝanĝiĝas por redaktado kaj kombinado

La supraj reguloj estas verkitaj por generado. Du apudaj reĝimoj ŝanĝas la formon de la instrukcio.

Redakti unu bildon

Redakta instrukcio estas ordono, ne priskribo: deklaru, kio ŝanĝiĝas kaj kio restas. Nomi la neŝanĝatajn partojn estas la plej granda ununura kvalitlevilo en la produkto — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" tenas sin kune tie, kie la sama peto sen tiu propozicio kviete redesegnas ŝian vizaĝon. Estu specifa pri la ankro: konservu la vizaĝon, la pozon, la harojn kaj la vestojn identaj. Ekzakte unu fontbildo estas uzata, kaj la rezulto konservas ĝian bildproporcion.

Kombini du aŭ pli da bildoj

Kiam ajn elementoj venas el pli ol unu bildo — vestotransigo, objekto en scenon, du homoj en unu kadro, produkto-sur-persono, stilo el unu bildo kun subjekto el alia — la instrukcio devas nomi la rolon de ĉiu bildo, laŭvice: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." La unua bildo estas la ĉefa subjekto aŭ sceno; la postaj bildoj provizas la partojn enportatajn. Ne kunpremu plurbildan peton en unu fonton plus tekstan priskribon — kombini la verajn bildojn estas tio, kio konservas, kiel tiuj aferoj efektive aspektas.

13Sencenzura instrukciado: diru, kion vi celas

Estas neniu enhavfiltrilo sur la generada vojo kaj neniu rifuza tavolo sur la modelo, kiu verkas la instrukcion. Jen la tuta celo de la produkto: filtritaj generatoroj rutine rifuzas legitiman laboron — artajn nudojn, medicinan kaj krimmedicinan ilustradon, bildojn por sekureca esplorado, perforton en fikcio, politikan satiron, markan kaj portretan laboron de la rajtohavanto. Duono de la instrukcia metio sur filtritaj platformoj estas eŭfemisma inĝenierado, kaj eŭfemismo estas la malamiko de preciza bildo.

Do estas ankoraŭ unu afero kontrolenda sur la karto: ke ĝi priskribas la efektivan subjekton per simplaj vortoj anstataŭ per la singardigita vortprovizo, kiun homoj lernas de filtritaj iloj. Krimmedicina ilustraĵo de vundo devus diri, kio estas la vundo. Singardigita lingvaĵo produktas pli malbonan bildon ĉie, ĉar la modelo bildigas tion, kion la vortoj diras.

Kapablo kaj juĝo estas apartaj aferoj. Shannon Lab LLC funkciigas ĉi tion sub publikigita Politiko pri Respondeca Uzo: nefiltrita generado estas profesia ilo, kaj konsento, rajtoj kaj la leĝo ĉiuj plu validas por tio, kion vi faras.

14Kie la API konvenas

Unu precizigo por legantoj alvenantaj el serĉo pri API: bildgenerado, redaktado kaj kombinado troviĝas en la babilaplikaĵo Shannon, ne en la API /v1. La API servas tekston kaj vidon — ĝi povas legi, priskribi kaj analizi bildojn, kiujn vi sendas al ĝi, tra ĉiuj tri dialektoj (/v1/chat/completions, /v1/messages, /v1/responses, ĉiuj fluaj) — sed ĝi ne kreas ilin. Se vi konstruas produktoĉenon, kiu bezonas kompreni bildojn, la API-dokumentado estas la loko por komenci. Se vi volas fari bildojn, tio estas la babilaplikaĵo, kaj ĉio en ĉi tiu gvidilo validas tie. Bildoj bildiĝas sur nia propra GPU-aro.

15Oftaj demandoj

Rilata legado: Sencenzura AI-bildgenerado · Sencenzura AI-bildoredaktado · Politiko pri Respondeca Uzo · API-dokumentado · Ĉiuj esploroj de Shannon. La konsiloj ĉi tie devenas de niaj propraj testoj de la Bildmodelo de Shannon; konsiloj verkitaj por pli fruaj difuzaj stakoj ĝenerale ne transiras.