راهنمای پرامپت تصویر هوش مصنوعی

بیشتر مردم با عادت‌های پرامپت‌نویسی‌ای می‌آیند که روی SDXL آموخته‌اند: رشته‌ای از اسم‌های جداشده با ویرگول، پیش‌درآمدی از توکن‌های کیفیت، چند وزن داخل پرانتز، و یک پرامپت منفی به بلندی پرامپت مثبت. آن عادت‌ها برای آن مدل‌ها درست بودند و اینجا نتیجه معکوس می‌دهند. این نسخه کوتاه چیزی است که واقعاً کار می‌کند — و چون Shannon پرامپت تولید را برای شما می‌نویسد و پیش از هر رندری نشانتان می‌دهد، این به همان اندازه راهنمایی برای خواندن و اصلاح‌کردن آن چیزی است که Shannon پیشنهاد می‌دهد.

01چرا نثر بر برچسب می‌چربد: مدل مانند یک مدل زبانی می‌خواند

مدل‌های دیفیوژن قدیمی‌تر که بیشتر توصیه‌های پرامپت‌نویسی برایشان نوشته شده، از رمزگذار متنی‌ای استفاده می‌کردند که در عمل مانند یک کیسه مفاهیم رفتار می‌کرد: دستور زبان تقریباً اهمیتی نداشت و راهبرد برنده انباشتن اسم‌های مرتبط و سوگیری‌دادن به آن‌ها با وزن بود. سوپ برچسب شکل درست پرامپت برای آن رمزگذار بود.

Image Model شانون این‌طور کار نمی‌کند. پرامپت را همان‌طور می‌خواند که یک مدل زبانی متن را می‌خواند، پس نحو حامل معناست. «چتری را به شانه‌اش تکیه داده» رابطه‌ای میان یک شخص، یک شیء و یک عضو بدن است؛ «چتر، شانه» دو چیز است که اتفاقاً حاضرند. حروف اضافه چیزها را جا می‌دهند. فعل‌ها ژست می‌سازند. عبارت‌های وابسته جزئیات را به اسم درست می‌چسبانند به‌جای این‌که بگذارند روی کل تصویر شناور بمانند.

همان تصویر، درخواست‌شده به هر دو شیوه.

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.

ببینید نسخه برچسبی چه چیزی را نمی‌تواند بیان کند. هرگز نمی‌گوید چتر در دست گرفته شده، پس ممکن است روی زمین بیفتد. هرگز نمی‌گوید نئون در آسفالت بازتاب دارد، فقط می‌گوید هر دو وجود دارند، پس تابلوها و خیابانی خیس می‌گیرید بدون هیچ رابطه نوری میانشان. هرگز نمی‌گوید زن به کجا نگاه می‌کند، پس ژستش شیر یا خط است. «cinematic lighting» یک برچسب حال‌وهواست، نه یک منبع نور. و پنج توکن آخر نویزند، که به‌عنوان واژه‌های انگلیسی درباره عکاسی خوانده می‌شوند نه دستگیره‌های کنترل.

نسخه نثری به‌خاطر گل‌وبلبل بودن بلندتر نیست. بلندتر است چون به پرسش‌هایی پاسخ می‌دهد که نسخه برچسبی باز گذاشته بود. کل ترفند همین است.

02یک پرامپت تصویر چقدر باید بلند باشد؟

۳۰ تا ۸۰ کلمه را هدف بگیرید. خیلی از ۱۰۰ کلمه فراتر نروید. این ساده‌ترین اهرم کیفیتی در دسترس شماست و هر دو سر این بازه اهمیت دارند.

زیر حدود ۳۰ کلمه، ترکیب‌بندی، نور و قاب‌بندی نامشخص‌اند، پس مدل هر چه را از نظر آماری معمولی‌تر باشد انتخاب می‌کند. «زنی در یک کافه» یک پرامپت معتبر است که تصویری فراموش‌شدنی تولید می‌کند، چون هر تصمیم جالبی را واگذار کرده‌اید.

بالای تقریباً ۱۰۰ کلمه خرابی دیگری پدیدار می‌شود: عبارت‌های دیرهنگام با عبارت‌های زودهنگام بر سر همان نواحی تصویر رقابت می‌کنند و به‌جای انباشت جزئیات، رقیق‌شدگی می‌گیرید. سومین توصیف نورپردازی اولی را خنثی می‌کند و سوژه‌ای که در هشت کلمه اول تثبیت کرده بودید با هر جمله‌ای که می‌افزایید توجه نسبی کمتری می‌گیرد. پرامپت‌های بلند جامع به نظر می‌رسند. جامع رندر نمی‌شوند.

انضباط کار: پرامپتی را که می‌خواهید بنویسید، بعد آن را تا جملاتی کوتاه کنید که اگر حذف شوند تصویر عوض می‌شود.

03انضباط ترتیب: مهم‌ترین چیز اول

چون مدل به‌ترتیب می‌خواند، جایگاه یعنی تأکید: آنچه اول می‌آید تصویر را لنگر می‌اندازد و آنچه آخر می‌آید تنظیمش می‌کند. چیزها را به همان ترتیبی بگذارید که مدل لازمشان دارد:

1. سوژه — این تصویر به‌طور مشخص از چه کسی یا چه چیزی است.
2. کنش یا ژست — چه می‌کنند و چگونه قرار گرفته‌اند.
3. سبک یا حال‌وهوا — عکس، نقاشی رنگ‌روغن، تصویرسازی فنی، و لحنی که در آن است.
4. صحنه و نورپردازی — این کجا رخ می‌دهد و چه نوری بر آن می‌تابد.
5. فنی — قاب‌بندی، لنز، عمق میدان، جزئیات رنگی.

رایج‌ترین زخمی که به خودتان می‌زنید شروع‌کردن با عبارت فنی است. آغازکردن با «Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper» به مدل می‌گوید که ظاهر همان سوژه است و مرد یک جزئیات. یک قاب زیبا و خالی می‌گیرید با پیکره‌ای کوچک و نامشخص در آن.

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.

هر عنصری از نسخه اول در نسخه دوم زنده مانده؛ چیزی حذف نشده است. مدل حالا صرفاً پیش از این‌که به او گفته شود چگونه فیلم‌برداری کند می‌داند تصویر از چیست — و همین بازچینش به‌تنهایی سوژه را از حاشیه‌ای به مرکزی بدل می‌کند.

04درباره سوژه مشخص باشید

«یک شخص» یک سوژه نیست، یک جای‌نگهدار است — و مدل جای‌نگهدارها را با میانگین همه آنچه دیده پر می‌کند، که دقیقاً همان‌جاست که ظاهر براق، بی‌سن‌وسال و بی‌شخصیت از آن می‌آید. مشخص‌بودن پنج کلمه خرج برمی‌دارد و یک انسان مشخص می‌خرد:

به الگو توجه کنید: سن یا دوره، یک ویژگی ساختاری، یک ناکاملی متمایزکننده. همان قلم سوم است که باعث می‌شود نتیجه به‌جای تولیدشده، عکاسی‌شده حس شود. یک دندان لب‌پریده، یک لبه ساییده، تابلویی رنگ‌شده روی نوشته قبلی — عدم‌تقارن‌های کوچک قوی‌ترین سیگنال ضدپلاستیکی در دسترس‌اند و در بودجه کلمه‌ای شما تقریباً هیچ خرجی ندارند.

05عکس‌واقع‌گرایی: درخواست را مثل یک عکس بنویسید

عکس‌واقع‌گرایی لحن پیش‌فرض است مگر این‌که هنر، تصویرسازی یا انیمه بخواهید. اما واژه «photorealistic» کار چندانی نمی‌کند. آنچه یک عکس تولید می‌کند توصیف کنش عکاسی است: یک دوربین واقعی، یک لنز واقعی و یک نوع فیلم یا منبع نور واقعی.

دلیلش سرراست است. هر تصویری که با عنوان «Kodak Portra 400» ثبت شده با فرایندی مشخص و با ساختار دانه، افت هایلایت و بازنمایی پوستی مشخصی ساخته شده، و نام‌بردن آن نوع فیلم همه آن را فرا می‌خواند. «8k ultra detailed» هرگز جز روی هرزنگاری سایت‌های عکس استوک ظاهر نشده، پس همان هرزنگاری استوک را فرا می‌خواند. چند دستور کار قابل‌اتکا، که هر کدام تصویری آشکارا متفاوت از همان سوژه تولید می‌کنند:

زمینه‌سازی را با دستور کار جور کنید — بافت پوست در حد منافذ در یک لنز واید ۲۴ میلی‌متری که صورت در آن هشتاد پیکسل ارتفاع دارد هیچ معنایی ندارد — و بعد اضافه‌اش کنید. جزئیات زمینه‌ساز یعنی — شواهد بافتی که نشان می‌دهد لنزی واقعاً این را ثبت کرده است. منافذ پوستی و موهای ریز صورت. بافت یک پیراهن کتانی. ذرات غبار در ستونی از نور. خراشی روی یک چکمه چرمی. تارهای مو که در برابر پس‌زمینه روشن پراکنده‌اند. دو یا سه تا کافی است و همین‌ها تفاوت میان رندری از یک شخص و عکسی از او هستند.

06صحنه‌های لایه‌لایه: پیش‌زمینه، میان‌زمینه، پس‌زمینه

وقتی صحنه‌ای عمق دارد، سه صفحه را جداگانه و به‌ترتیب توصیف کنید. این مؤثرترین تکنیک برای تصاویری است که باید به‌جای پرده پس‌زمینه حس مکان بدهند، و تقریباً هیچ‌کس انجامش نمی‌دهد. بدون آن تختی می‌گیرید: هر چه پرامپت نام می‌برد تقریباً در یک فاصله فرود می‌آید و بر سر همان نوار میانی قاب رقابت می‌کند. نام‌بردن صفحه‌ها به مدل بودجه‌ای از عمق می‌دهد که خرج کند.

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.

دو ظرافت. چیزی در پیش‌زمینه بگذارید که عامدانه خارج از فوکوس باشد — عکس‌های واقعی از صحنه‌های عمیق تقریباً همیشه یکی دارند و نبودش یک نشانه رایج است. و بگویید سوژه کدام صفحه را اشغال می‌کند: اگر پیک دوچرخه‌سوار نکته تصویر است جایش میان‌زمینه است، وگرنه برج و فنجان قهوه بر سر قاب با او خواهند جنگید.

07رنگ‌های دقیق: کدهای hex، چسبیده به اشیا

برای کار برند، تداوم لباس، یا هر جا که «قرمز» به‌قدر کافی مشخص نیست، کد hex را به‌شکل color #RRGGBB بنویسید و به یک شیء نام‌برده بچسبانیدش:

...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...

سه قاعده سرانگشتی. hex را برای دو یا سه رنگی که واقعاً اهمیت دارند و واژه‌های ساده را برای بقیه به کار ببرید — پرامپتی با شش کد hex بیشتر بودجه‌اش را صرف نمونه‌رنگ می‌کند. کد را به شیئی با لبه مشخص پیوند بزنید، هرگز به «نورپردازی» یا «حال‌وهوا». و به یاد داشته باشید که این رنگ خود شیء را مشخص می‌کند، نه مقدار پیکسل نهایی را: یک کت #8B0000 در نور پشتی ساعت طلایی گرم‌تر از نمونه‌رنگ رندر می‌شود، دقیقاً همان‌طور که در واقعیت می‌شد.

08انتخاب نسبت ابعاد

پنج نسبت در دسترس است و نسبت درست معمولاً از سوژه برمی‌آید، اما یک درخواست صریح از سوی شما همیشه برنده است — تصویر زمینه بخواهید و tall می‌گیرید، فارغ از این‌که محتوا چه چیزی را پیشنهاد می‌کند.

اشتباه‌کردن در این مورد از آنچه به نظر می‌رسد آسیب‌زننده‌تر است. یک پیکره ایستاده تمام‌قد در قاب wide به شما پیکره‌ای کوچک در قابی بزرگ نمی‌دهد — معمولاً پیکره‌ای بریده می‌دهد، چون مدل عرض را پر می‌کند و سر یا پاها از قاب بیرون می‌زنند. قاب را با محور غالب سوژه جور کنید و بیشتر شکایت‌های ترکیب‌بندی ناپدید می‌شوند.

دو رفتار که ارزش به‌خاطرسپردن دارند: ویرایش به‌طور خودکار نسبت ابعاد تصویر منبع را نگه می‌دارد، پس نمی‌توانید با ویرایش قاب را عوض کنید، در حالی که ترکیب می‌گذارد بوم تازه‌ای انتخاب کنید — که اغلب تمیزترین راه تغییر شکل چیزی است که از پیش دارید.

09ضدالگوها: چه کارهایی را متوقف کنید

توکن‌های کیفیت: «masterpiece, best quality, 8k, ultra detailed»

این‌ها دستگیره‌هایی بودند که جامعه برای یک توزیع آموزشی قدیمی مشخص کشف کرده بود، جایی که عبارت‌های خاصی در عنوان‌ها با منابع تصویری خاصی همبستگی داشتند. منتقل نمی‌شوند. اینجا به‌عنوان واژه‌های معمولی انگلیسی خوانده می‌شوند، هیچ سهمی ندارند و بخشی از بودجه کلمه‌ای را می‌خورند که از پیش گفته شد تنگ است. جایگزینش این است که بگویید کدام جزئیات را می‌خواهید: نه «ultra detailed» بلکه «بافت مشهود پارچه کت و ته‌ریش نازک در امتداد فک» — همان قصد، بیان‌شده به‌شکل چیزی که مدل می‌تواند رندرش کند.

نحو وزن‌دهی: (word:1.3)، [word]، {{word}}

تجزیه نمی‌شود. پرانتزها، کروشه‌ها، دونقطه‌ها و اعداد به‌شکل متن عینی فرود می‌آیند و اگر تأثیری داشته باشند، خواندن عبارت پیرامون را سخت‌تر می‌کنند. اگر تأکید بیشتری روی چیزی می‌خواهید، از دو اهرمی استفاده کنید که واقعاً کار می‌کنند: آن را جلوتر ببرید در پرامپت، و کلمه بیشتری به آن بدهید. «یک شال ابریشمی سرخ‌فام که ریشه‌هایش در باد بلند می‌شود» از «(red scarf:1.4)» با هر معیاری که اهمیت داشته باشد سنگین‌تر است.

دستورهای متناقض

قاطی‌کردن دستورهای ناسازگار آن‌ها را ترکیب نمی‌کند؛ میانگینی ناپایدار تولید می‌کند که معمولاً هیچ‌کدام را برآورده نمی‌کند. متخلفان پرتکرار:

• رسانه — «photorealistic» به‌علاوه «watercolor»؛ «oil painting» به‌علاوه «shot on 85mm». یکی را انتخاب کنید و پایش بمانید.
• قاب‌بندی — «wide establishing shot» به‌علاوه «extreme close-up on her eyes»؛ «full body» به‌علاوه «detailed facial pores».
• نورپردازی — «harsh midday sun» به‌علاوه «soft golden hour glow»؛ «low key, deep shadows» به‌علاوه «bright and airy».
• دوره — «1970s film aesthetic» به‌علاوه «modern minimalist» به‌علاوه «cyberpunk».
• انباشت سبک — چهار هنرمند یا چهار ژانر با هم. دو ارجاع مرتبط می‌تواند کار کند؛ چهار تا همدیگر را خنثی و نتیجه را عمومی می‌کنند.
• پراکندگی — «در روستایی، فرسوده، باستانی، کهنه‌شده چوبی» یک ایده است که چهار بار نوشته شده و هر تکرار بقیه پرامپت را رقیق می‌کند.

10در متن‌به‌تصویر پرامپت منفی وجود ندارد

این همان ضدالگویی است که کاربران باتجربه را از همه سخت‌تر گیر می‌اندازد، چون در پشته‌های قدیمی‌تر پرامپت منفی نیمی از این هنر بود.

برای تولید، قاعده مطلق و کمی خلاف شهود است: نوشتن «بدون متن، بدون واترمارک، بدون انگشت اضافه» در پرامپت این چیزها را محتمل‌تر می‌کند، نه کمتر. مدل «بدون متن» را جمله‌ای می‌خواند که مفهوم متن در آن هست؛ نفی سیگنالی ضعیف است و اسم سیگنالی قوی. شما در عمل متن خواسته‌اید. همیشه به‌جایش شکل مثبت را بیان کنید:

برای ویرایش و ترکیب، پرامپت منفی وجود دارد و باید از آن استفاده کنید — اما برای آرتیفکت‌ها، نه برای محتوا. مواد خوب: واترمارک، متن روی تصویر، اندام‌های تکراری، دست‌های تاب‌خورده، هاله‌های شارپ‌کردن بیش از حد، بلوک‌شدگی JPEG، خطوط درز در امتداد لبه یک ترکیب. مواد بد: هر چیزی درباره این‌که تصویر از چیست، که جایش در دستور است.

11خواندن پرامپتی که Shannon برایتان می‌نویسد

این همان چیزی است که این راهنما را به‌جای نظری، بی‌درنگ قابل‌استفاده می‌کند. لازم نیست خودتان پرامپت تولید را بنویسید. شما به زبان ساده و به هر زبانی می‌پرسید؛ Shannon تشخیص می‌دهد که تصویری درخواست شده، پرامپت تولید انگلیسی را می‌نویسد و پیش از هر رندری آن را روی یک کارت تأیید نشانتان می‌دهد. تا تأیید نکنید چیزی تولید نمی‌شود و هزینه‌ای محاسبه نمی‌شود.

پس مهارتی که بیشترین بازده را دارد نوشتن پرامپت از صفر نیست — خواندن آن پرامپتی است که روی کارت است. این فهرست را مرور کنید:

1. آیا سوژه مشخص است؟ اگر کارت می‌گوید «a person» یا «a woman»، بزرگ‌ترین بهبود در دسترس را یافته‌اید. به آن سن، هیکل و یک ویژگی بدهید.
2. آیا سوژه اول آمده؟ اگر پرامپت با یک سبک یا یک دوربین شروع می‌شود، بخواهید که به‌جایش با سوژه آغاز کند.
3. آیا در بازه است؟ زیر ۳۰ کلمه، مشخص‌بودن بیشتری درباره نور و صحنه بخواهید. بالای ۱۰۰، بخواهید کوتاه شود.
4. آیا منبع نوری هست؟ نه یک واژه حال‌وهوایی — یک نور واقعی: پنجره، چراغ خیابان، فلاش، آسمان ابری، سافت‌باکس.
5. تناقضی هست؟ دنبال دو رسانه، دو قاب‌بندی یا دو شرایط نورپردازی در یک پرامپت بگردید.
6. نفی قاچاقی هست؟ اگر کارت شامل «without»، «no» یا «avoid» باشد، آن یک پرامپت متن‌به‌تصویر است که همان چیزی را که نام می‌برد طلب می‌کند.
7. آیا نسبت برای سوژه درست است؟ پیکره تمام‌قد در wide ناهماهنگی کلاسیک است.

اصلاح‌ها گفت‌وگویی‌اند: «او را اوایل دهه سوم زندگی با زخمی روی یکی از ابروها کن، با Portra روی ۸۵ میلی‌متری بگیرش و از portrait استفاده کن» یک دستور کاملاً خوب است. کارت تازه‌ای می‌گیرید و آن یکی را تأیید می‌کنید. برای تکرار جریمه‌ای نیست، چون هنوز چیزی رندر نشده است.

و Shannon بدون دعوت تولید نمی‌کند. یک سلام، یک پرسش یا عکسی که برای بحث پیوست می‌کنید رندری را راه نمی‌اندازد. خواستن از Shannon برای نگاه‌کردن به یک تصویر — توصیفش، خواندنش، تحلیلش — کار بینایی معمولی است، نه تولید، و هزینه اضافه‌ای ندارد.

12این هنر برای ویرایش و ترکیب چگونه تغییر می‌کند

قواعد بالا برای تولید نوشته شده‌اند. دو حالت مجاور شکل پرامپت را عوض می‌کنند.

ویرایش یک تصویر

پرامپت ویرایش یک دستور است، نه یک توصیف: بگویید چه چیزی عوض می‌شود و چه چیزی می‌ماند. نام‌بردن بخش‌های بدون تغییر بزرگ‌ترین اهرم کیفیت در این محصول است — «پس‌زمینه را به یک خیابان شهری بارانی شبانه با بازتاب نئون تغییر بده، زن را دقیقاً همان‌طور که هست نگه دار» منسجم می‌ماند جایی که همان درخواست بدون آن عبارت بی‌سروصدا صورت او را بازترسیم می‌کند. درباره لنگر مشخص باشید: چهره، ژست، مو و لباس را یکسان نگه دار. دقیقاً یک تصویر منبع استفاده می‌شود و خروجی نسبت ابعادش را نگه می‌دارد.

ترکیب دو یا چند تصویر

هر وقت عناصر از بیش از یک تصویر می‌آیند — انتقال لباس، یک شیء در یک صحنه، دو نفر در یک قاب، محصول‌روی‌شخص، سبکی از یک تصویر با سوژه‌ای از تصویری دیگر — پرامپت باید نقش هر تصویر را، به‌ترتیب، نام ببرد: «زنِ تصویر اول با پلیور بافتنی قرمزِ تصویر دوم، ایستاده در همان پارک.» تصویر اول سوژه یا صحنه اصلی است؛ تصاویر بعدی اجزایی را که وارد می‌شوند تأمین می‌کنند. یک درخواست چندتصویری را به یک منبع به‌علاوه یک توصیف متنی فرو نکاهید — ترکیب‌کردن تصاویر واقعی همان چیزی است که ظاهر واقعی آن چیزها را حفظ می‌کند.

13پرامپت‌نویسی بدون سانسور: همان را بگویید که منظورتان است

هیچ فیلتر محتوایی روی مسیر تولید و هیچ لایه رد درخواستی روی مدلی که پرامپت را می‌نویسد وجود ندارد. کل نکته این محصول همین است: تولیدکننده‌های فیلترشده مرتباً کار مشروع را رد می‌کنند — برهنه هنری، تصویرسازی پزشکی و جرم‌شناسی، تصاویر پژوهش امنیتی، خشونت در داستان، طنز سیاسی، کار روی برند و چهره توسط صاحب حق. نیمی از هنر پرامپت‌نویسی روی پلتفرم‌های فیلترشده مهندسی حسن‌تعبیر است و حسن‌تعبیر دشمن یک تصویر دقیق است.

پس یک چیز دیگر هم برای بررسی روی کارت هست: این‌که سوژه واقعی را با واژه‌های ساده توصیف کند، نه با واژگان محتاطانه‌ای که مردم از ابزارهای فیلترشده یاد می‌گیرند. یک تصویرسازی جرم‌شناسانه از یک زخم باید بگوید آن زخم چیست. زبان محتاطانه همه‌جا تصویر بدتری تولید می‌کند، چون مدل همان را رندر می‌کند که واژه‌ها می‌گویند.

توانمندی و قضاوت دو چیز جداگانه‌اند. Shannon Lab LLC این را زیر یک سیاست استفاده مسئولانه منتشرشده اداره می‌کند: تولید بی‌فیلتر یک ابزار حرفه‌ای است و رضایت، حقوق و قانون همچنان بر آنچه می‌سازید حاکم‌اند.

14جای API کجاست

یک نکته دقت برای خوانندگانی که از یک جست‌وجوی API می‌رسند: تولید، ویرایش و ترکیب تصویر در اپ چت Shannon هستند، نه روی API با مسیر /v1. این API متن و بینایی را سرویس می‌دهد — می‌تواند تصاویری را که برایش می‌فرستید در هر سه گویش (/v1/chat/completions، /v1/messages، /v1/responses، همه با استریم) بخواند، توصیف و تحلیل کند — اما آن‌ها را نمی‌سازد. اگر خط لوله‌ای می‌سازید که باید تصاویر را بفهمد، مستندات API جای شروع است. اگر می‌خواهید تصویر بسازید، جایش اپ چت است و همه آنچه در این راهنماست آنجا اعمال می‌شود. تصاویر روی خوشه GPU خودمان رندر می‌شوند.

15پرسش‌های پرتکرار

مطالعه مرتبط: تولید تصویر بدون سانسور · ویرایش تصویر بدون سانسور · سیاست استفاده مسئولانه · مستندات API · همه پژوهش‌های Shannon. راهنمایی‌های اینجا از آزمون‌های خودمان روی Image Model شانون برگرفته شده‌اند؛ توصیه‌هایی که برای پشته‌های دیفیوژن پیشین نوشته شده‌اند عموماً منتقل نمی‌شوند.