AI इमेज प्रॉम्प्ट गाइड

ज़्यादातर लोग SDXL पर सीखी प्रॉम्प्ट आदतों के साथ आते हैं: कॉमा से अलग की गई संज्ञाओं की एक लड़ी, क्वालिटी-टोकन की भूमिका, कुछ कोष्ठक वाले वेट, और पॉज़िटिव जितना ही लंबा नेगेटिव प्रॉम्प्ट। वे आदतें उन मॉडलों के लिए सही थीं और यहाँ उलटा असर करती हैं। यह उसका छोटा संस्करण है जो असल में काम करता है — और चूँकि Shannon आपके लिए जनरेशन प्रॉम्प्ट लिखता है और कुछ भी रेंडर होने से पहले उसे दिखाता है, यह उतना ही इस बात का भी गाइड है कि Shannon जो सुझाता है उसे कैसे पढ़ें और सुधारें।

01गद्य टैग से बेहतर क्यों: मॉडल भाषा मॉडल की तरह पढ़ता है

जिन पुराने डिफ़्यूज़न मॉडलों के लिए अधिकांश प्रॉम्प्ट सलाह लिखी गई थी, वे ऐसा टेक्स्ट एनकोडर इस्तेमाल करते थे जो व्यवहार में अवधारणाओं की एक थैली जैसा था: व्याकरण मुश्किल से मायने रखता था, और जीतने वाली रणनीति थी प्रासंगिक संज्ञाएँ ढेर करना और उन्हें वेट से झुकाना। उस एनकोडर के लिए टैग-सूप ही प्रॉम्प्ट का सही आकार था।

Shannon का Image Model इस तरह काम नहीं करता। यह प्रॉम्प्ट को वैसे ही पढ़ता है जैसे कोई भाषा मॉडल टेक्स्ट पढ़ता है, इसलिए सिंटैक्स अर्थ लेकर चलता है। "Holding an umbrella against her shoulder" एक व्यक्ति, एक वस्तु और शरीर के एक अंग के बीच का संबंध है; "umbrella, shoulder" बस दो चीज़ें हैं जो संयोग से मौजूद हैं। पूर्वसर्ग चीज़ों को जगह देते हैं। क्रियाएँ मुद्राएँ बनाती हैं। उपवाक्य ब्योरे को सही संज्ञा से जोड़ते हैं, बजाय उसे पूरी इमेज पर तैरने देने के।

यही तस्वीर दोनों तरीक़ों से माँगी गई है।

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.

देखिए टैग वाला संस्करण क्या नहीं कह सकता। वह कभी नहीं कहता कि छाता पकड़ा हुआ है, इसलिए वह ज़मीन पर पड़ा भी निकल सकता है। वह कभी नहीं कहता कि नियॉन डामर में प्रतिबिंबित है, सिर्फ़ इतना कि दोनों मौजूद हैं, इसलिए आपको साइनबोर्ड और गीली सड़क मिलती है, बिना उनके बीच किसी प्रकाशीय संबंध के। वह कभी नहीं कहता कि महिला कहाँ देख रही है, इसलिए उसकी मुद्रा सिक्का उछालने जैसी है। "Cinematic lighting" एक भाव-लेबल है, प्रकाश-स्रोत नहीं। और आख़िरी पाँच टोकन शोर हैं, जो नियंत्रण-हैंडल के बजाय फ़ोटोग्राफ़ी के बारे में अंग्रेज़ी शब्दों की तरह पढ़े जाते हैं।

गद्य वाला संस्करण अलंकार के कारण लंबा नहीं है। वह इसलिए लंबा है कि वह उन सवालों के जवाब देता है जिन्हें टैग वाला खुला छोड़ देता है। बस यही पूरी तरकीब है।

02इमेज प्रॉम्प्ट कितना लंबा होना चाहिए?

30 से 80 शब्दों का लक्ष्य रखिए। 100 से बहुत आगे मत जाइए। यह आपके पास मौजूद गुणवत्ता का सबसे आसान लीवर है, और इस दायरे के दोनों सिरे मायने रखते हैं।

लगभग 30 शब्दों से नीचे कंपोज़िशन, रोशनी और फ़्रेमिंग अनिर्दिष्ट रह जाती है, इसलिए मॉडल वही चुनता है जो सांख्यिकीय रूप से सबसे सामान्य हो। "A woman in a coffee shop" एक वैध प्रॉम्प्ट है जो भुला दी जाने वाली इमेज देता है, क्योंकि आपने हर दिलचस्प निर्णय सौंप दिया।

लगभग 100 शब्दों से ऊपर एक अलग विफलता दिखती है: बाद के उपवाक्य इमेज के उन्हीं क्षेत्रों के लिए पहले वालों से होड़ करते हैं, और ब्योरा जुड़ने के बजाय पतला पड़ जाता है। रोशनी का तीसरा वर्णन पहले को उलट देता है, और जो विषय आपने पहले आठ शब्दों में स्थापित किया था उसे हर जुड़ते वाक्य के साथ अपेक्षाकृत कम ध्यान मिलता है। लंबे प्रॉम्प्ट पढ़ने में विस्तृत लगते हैं। वे विस्तृत रूप में रेंडर नहीं होते।

अनुशासन यह है: वह प्रॉम्प्ट लिखिए जो आप चाहते हैं, फिर उसे काटकर केवल वे वाक्य रखिए जिन्हें हटाने से तस्वीर बदल जाती।

03क्रम का अनुशासन: सबसे ज़रूरी चीज़ पहले

चूँकि मॉडल क्रमबद्ध रूप से पढ़ता है, स्थिति ही ज़ोर है: जो पहले आता है वह इमेज को थामता है, जो अंत में आता है वह उसे समायोजित करता है। चीज़ों को उसी क्रम में रखिए जिसमें मॉडल को उनकी ज़रूरत है:

1. विषय — यह तस्वीर किसकी या किस चीज़ की है, ठोस रूप में।
2. क्रिया या मुद्रा — वे क्या कर रहे हैं, किस तरह टिके हैं।
3. शैली या भाव — तस्वीर, तैलचित्र, तकनीकी इलस्ट्रेशन, और उसका सुर।
4. परिवेश और रोशनी — यह कहाँ हो रहा है और उस पर कौन-सी रोशनी पड़ रही है।
5. तकनीकी — फ़्रेमिंग, लेंस, डेप्थ ऑफ़ फ़ील्ड, रंग की बारीकियाँ।

सबसे आम आत्म-आघात है तकनीकी उपवाक्य से शुरू करना। "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" से शुरू करना मॉडल को बताता है कि लुक ही विषय है और आदमी एक ब्योरा भर। आपको एक सुंदर, ख़ाली फ़्रेम मिलता है जिसमें एक छोटी, अस्पष्ट आकृति होती है।

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.

पहले संस्करण का हर तत्व दूसरे में बचा हुआ है; कुछ भी नहीं छोड़ा गया। बस अब मॉडल को यह पता है कि तस्वीर किस चीज़ की है, इससे पहले कि उसे बताया जाए कि उसे कैसे शूट करना है — और यह क्रम-परिवर्तन अकेले ही विषय को आनुषंगिक से केंद्रीय बना देता है।

04विषय को लेकर ठोस रहिए

"A person" कोई विषय नहीं, एक ख़ाली जगह है — और मॉडल ख़ाली जगहों को उस सबके औसत से भरता है जो उसने देखा है, और ठीक वहीं से वह चमकीला, उम्र-रहित, चरित्र-रहित लुक आता है। ठोसपन पाँच शब्द लेता है और बदले में एक विशिष्ट इंसान देता है:

पैटर्न पर ध्यान दीजिए: उम्र या काल, एक संरचनात्मक विशेषता, एक विशिष्ट ख़ामी। तीसरी चीज़ ही नतीजे को खींची हुई तस्वीर जैसा बनाती है, बनाई हुई नहीं। टूटा दाँत, घिसा हुआ किनारा, रंग से ढका साइनबोर्ड — छोटी विषमताएँ प्लास्टिक-पन के ख़िलाफ़ सबसे मज़बूत उपलब्ध संकेत हैं, और आपके शब्द-बजट में लगभग कुछ भी नहीं लेतीं।

05फ़ोटोरियलिज़्म: अनुरोध को तस्वीर की तरह लिखिए

जब तक आप आर्ट, इलस्ट्रेशन या ऐनिमे न माँगें, फ़ोटोरियलिज़्म डिफ़ॉल्ट सुर है। लेकिन "photorealistic" शब्द बहुत कम काम करता है। तस्वीर तो फ़ोटोग्राफ़ी की क्रिया का वर्णन करने से बनती है: एक असली कैमरा, एक असली लेंस, और एक असली फ़िल्म स्टॉक या प्रकाश-स्रोत।

कारण सीधा है। "Kodak Portra 400" कैप्शन वाली हर इमेज एक विशिष्ट प्रक्रिया से बनी थी, जिसकी अपनी ग्रेन संरचना, हाइलाइट रोल-ऑफ़ और त्वचा-प्रस्तुति थी, और स्टॉक का नाम लेना वह सब बुला लेता है। "8k ultra detailed" तो कभी सिर्फ़ स्टॉक-साइट स्पैम पर दिखता था, इसलिए वह स्टॉक-साइट स्पैम ही बुलाता है। कुछ भरोसेमंद नुस्ख़े, जिनमें से हर एक उसी विषय की स्पष्ट रूप से अलग इमेज देता है:

ठोसपन को नुस्ख़े से मिलाइए — 24mm वाइड में, जहाँ चेहरा अस्सी पिक्सेल ऊँचा है, रोमछिद्र-स्तर की त्वचा-बनावट का कोई मतलब नहीं — और फिर उसे जोड़िए। ठोस ब्योरा वह बनावटी सबूत है कि किसी लेंस ने वाक़ई यह दर्ज किया था। दिखते हुए रोमछिद्र और महीन चेहरे के बाल। लिनन कमीज़ की बुनावट। रोशनी की किरण में धूल के कण। चमड़े के जूते पर एक खरोंच। चमकीली पृष्ठभूमि के सामने उड़ते हुए बाल। दो या तीन काफ़ी हैं, और वही किसी व्यक्ति के रेंडरिंग और उसकी तस्वीर के बीच का फ़र्क़ हैं।

06परतदार दृश्य: अग्रभूमि, मध्यभूमि, पृष्ठभूमि

जब किसी दृश्य में गहराई हो, तो तीनों तलों का अलग-अलग और क्रम से वर्णन कीजिए। ऐसी इमेज के लिए जो पृष्ठभूमि-पट्टी नहीं, असली जगह लगनी चाहिए, यह सबसे प्रभावी तकनीक है, और इसे लगभग कोई नहीं करता। इसके बिना सपाटपन मिलता है: प्रॉम्प्ट में बताई हर चीज़ लगभग एक ही दूरी पर आ जाती है, फ़्रेम की उसी बीच वाली पट्टी के लिए होड़ करती हुई। तलों का नाम लेना मॉडल को गहराई का बजट देता है जिसे वह खर्च कर सके।

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.

दो परिष्कार। अग्रभूमि में कुछ ऐसा रखिए जो जान-बूझकर फ़ोकस से बाहर हो — गहरे दृश्यों की असली तस्वीरों में लगभग हमेशा ऐसा कुछ होता है, और उसकी अनुपस्थिति एक आम पहचान-चिह्न है। और यह भी बताइए कि विषय किस तल पर है: अगर कूरियर ही तस्वीर का मुद्दा है तो उसकी जगह मध्यभूमि है, वरना टावर और कॉफ़ी का कप फ़्रेम के लिए उससे लड़ेंगे।

07सटीक रंग: हेक्स कोड, वस्तुओं से जुड़े हुए

ब्रांड के काम, पोशाक की निरंतरता, या जहाँ भी "लाल" काफ़ी विशिष्ट न हो, वहाँ हेक्स कोड को color #RRGGBB के रूप में लिखिए और उसे किसी नामित वस्तु से जोड़िए:

...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...

तीन मोटे नियम। हेक्स उन दो-तीन रंगों के लिए इस्तेमाल कीजिए जो सचमुच मायने रखते हैं और बाक़ी के लिए सादे शब्द — छह हेक्स कोड वाला प्रॉम्प्ट अपना ज़्यादातर बजट रंग-चिप्स पर खर्च कर देता है। कोड को किनारों वाली वस्तु से बाँधिए, कभी "रोशनी" या "भाव" से नहीं। और याद रखिए कि यह वस्तु का रंग तय करता है, अंतिम पिक्सेल मान नहीं: गोल्डन-आवर की बैकलाइट में #8B0000 कोट स्वैच से ज़्यादा गर्म रेंडर होगा, ठीक वैसे ही जैसे असल ज़िंदगी में होता।

08आस्पेक्ट रेशियो चुनना

पाँच रेशियो उपलब्ध हैं और सही वाला आमतौर पर विषय से ही निकल आता है, लेकिन आपका स्पष्ट अनुरोध हमेशा ऊपर रहता है — वॉलपेपर माँगिए और आपको tall मिलेगा, चाहे सामग्री कुछ भी सुझाए।

इसे ग़लत करना दिखने से ज़्यादा नुक़सानदेह है। wide फ़्रेम में पूरी लंबाई की खड़ी आकृति आपको बड़े फ़्रेम में छोटी आकृति नहीं देती — वह आमतौर पर कटी हुई आकृति देती है, क्योंकि मॉडल चौड़ाई भरता है और सिर या पैर फ़्रेम से बाहर चले जाते हैं। फ़्रेम को विषय की प्रभावी अक्ष से मिलाइए और कंपोज़िशन की ज़्यादातर शिकायतें ग़ायब हो जाएँगी।

दो व्यवहार याद रखने लायक़ हैं: एडिटिंग स्रोत इमेज का आस्पेक्ट रेशियो अपने आप बनाए रखती है, इसलिए आप एडिट करके दोबारा फ़्रेम नहीं कर सकते, जबकि कंबाइनिंग आपको नया कैनवास चुनने देती है — अक्सर आपके पास पहले से मौजूद किसी चीज़ का आकार बदलने का सबसे साफ़ तरीक़ा यही है।

09एंटी-पैटर्न: क्या करना बंद कर दें

क्वालिटी टोकन: "masterpiece, best quality, 8k, ultra detailed"

ये एक विशिष्ट पुराने प्रशिक्षण वितरण के लिए समुदाय द्वारा खोजे गए हैंडल थे, जहाँ कुछ कैप्शन वाक्यांश कुछ इमेज स्रोतों से जुड़े थे। ये स्थानांतरित नहीं होते। यहाँ इन्हें सामान्य अंग्रेज़ी शब्दों की तरह पढ़ा जाता है, ये कुछ नहीं जोड़ते, और उस शब्द-बजट का हिस्सा खा जाते हैं जिसके बारे में आपको पहले ही बताया जा चुका है कि वह तंग है। इनकी जगह यह बताइए कि आपको कौन-सा ब्योरा चाहिए: "ultra detailed" नहीं, बल्कि "visible weave in the coat fabric and fine stubble along the jaw" — वही मंशा, पर ऐसे व्यक्त कि मॉडल उसे रेंडर कर सके।

वेट सिंटैक्स: (word:1.3), [word], {{word}}

पार्स नहीं होता। कोष्ठक, ब्रैकेट, कोलन और अंक शाब्दिक टेक्स्ट बनकर आ जाते हैं और, अगर कुछ करते हैं तो, आसपास के उपवाक्य को पढ़ना ही कठिन बना देते हैं। अगर आपको किसी चीज़ पर ज़्यादा ज़ोर चाहिए, तो वे दो लीवर इस्तेमाल कीजिए जो सचमुच काम करते हैं: उसे प्रॉम्प्ट में पहले खिसकाइए, और उसे ज़्यादा शब्द दीजिए। "A crimson silk scarf, its fringed ends lifting in the wind" हर मायने रखने वाले पैमाने पर "(red scarf:1.4)" से भारी पड़ता है।

परस्पर विरोधी निर्देश

असंगत निर्देश मिलाने से वे घुलते-मिलते नहीं; इससे एक अस्थिर औसत बनता है जो आमतौर पर किसी को संतुष्ट नहीं करता। बार-बार होने वाली ग़लतियाँ:

• माध्यम — "photorealistic" के साथ "watercolor"; "oil painting" के साथ "shot on 85mm"। एक चुनिए और उस पर टिकिए।
• फ़्रेमिंग — "wide establishing shot" के साथ "extreme close-up on her eyes"; "full body" के साथ "detailed facial pores"।
• रोशनी — "harsh midday sun" के साथ "soft golden hour glow"; "low key, deep shadows" के साथ "bright and airy"।
• काल — "1970s film aesthetic" के साथ "modern minimalist" और "cyberpunk"।
• शैलियों का ढेर — एक साथ चार कलाकार या चार विधाएँ। दो संबंधित संदर्भ काम कर सकते हैं; चार आपस में कटकर सामान्य बन जाते हैं।
• फैलाव — "rustic, weathered, ancient, timeworn wooden door" एक ही विचार को चार बार लिखना है, और हर दोहराव बाक़ी प्रॉम्प्ट को पतला करता है।

10टेक्स्ट-टू-इमेज में कोई नेगेटिव प्रॉम्प्ट नहीं है

यह वह एंटी-पैटर्न है जो अनुभवी उपयोगकर्ताओं को सबसे ज़्यादा फँसाता है, क्योंकि पुराने ढाँचों में नेगेटिव प्रॉम्प्ट आधा हुनर हुआ करता था।

जनरेशन के लिए नियम पूर्ण और थोड़ा उलटा लगने वाला है: प्रॉम्प्ट में "no text, no watermark, no extra fingers" लिखने से वे चीज़ें ज़्यादा संभावित हो जाती हैं, कम नहीं। मॉडल "no text" को ऐसे वाक्य की तरह पढ़ता है जिसमें text की अवधारणा है; निषेध कमज़ोर संकेत है और संज्ञा मज़बूत। असल में आपने टेक्स्ट ही माँग लिया। इसके बजाय हमेशा सकारात्मक रूप बताइए:

एडिटिंग और कंबाइनिंग के लिए नेगेटिव प्रॉम्प्ट मौजूद है और आपको उसका इस्तेमाल करना चाहिए — पर आर्टिफ़ैक्ट के लिए, सामग्री के लिए नहीं। अच्छी सामग्री: वॉटरमार्क, टेक्स्ट ओवरले, दोहरे अंग, मुड़े हुए हाथ, ओवरशार्पनिंग के हेलो, JPEG ब्लॉकिंग, कंपोज़िट किनारे की सीवन-रेखाएँ। बुरी सामग्री: वह सब जो तस्वीर किस चीज़ की है, इससे जुड़ा हो — वह निर्देश में जाता है।

11Shannon आपके लिए जो प्रॉम्प्ट लिखता है, उसे पढ़ना

यही वह बात है जो इस गाइड को सैद्धांतिक नहीं, तुरंत काम की बनाती है। आपको जनरेशन प्रॉम्प्ट ख़ुद लिखना ज़रूरी नहीं है। आप सामान्य भाषा में, किसी भी भाषा में पूछते हैं; Shannon पहचानता है कि इमेज माँगी जा रही है, अंग्रेज़ी जनरेशन प्रॉम्प्ट रचता है, और कुछ भी रेंडर होने से पहले उसे पुष्टिकरण कार्ड पर आपको दिखाता है। जब तक आप पुष्टि नहीं करते, न कुछ बनता है और न कोई बिलिंग होती है।

इसलिए जो कौशल सबसे ज़्यादा फल देता है वह शून्य से प्रॉम्प्ट लिखना नहीं — कार्ड पर मौजूद प्रॉम्प्ट को पढ़ना है। इस सूची पर नज़र दौड़ाइए:

1. क्या विषय ठोस है? अगर कार्ड कहता है "a person" या "a woman", तो आपको उपलब्ध सबसे बड़ा सुधार मिल गया। उसे उम्र दीजिए, कद-काठी दीजिए, एक विशेषता दीजिए।
2. क्या विषय पहले है? अगर प्रॉम्प्ट किसी शैली या कैमरे से शुरू होता है, तो कहिए कि वह विषय से शुरू करे।
3. क्या यह दायरे में है? 30 शब्दों से कम हो तो रोशनी और परिवेश पर और विशिष्टता माँगिए। 100 से ऊपर हो तो उसे काटने को कहिए।
4. क्या कोई प्रकाश-स्रोत है? कोई भाव-शब्द नहीं — असली रोशनी: खिड़की, स्ट्रीटलैंप, फ़्लैश, बादलों भरा आसमान, सॉफ़्टबॉक्स।
5. कोई टकराव? एक ही प्रॉम्प्ट में दो माध्यम, दो फ़्रेमिंग, या दो प्रकाश-स्थितियाँ ढूँढ़िए।
6. कोई छिपा हुआ निषेध? अगर कार्ड में "without", "no" या "avoid" है, तो वह टेक्स्ट-टू-इमेज प्रॉम्प्ट उसी चीज़ को माँग रहा है जिसका वह नाम ले रहा है।
7. क्या रेशियो विषय के लिए सही है? wide में पूरी लंबाई की आकृति क्लासिक बेमेल है।

सुधार बातचीत जैसे होते हैं: "उसे तीस के शुरुआती सालों की बनाइए, एक भौंह पर निशान के साथ, Portra पर 85mm में शूट कीजिए, और portrait इस्तेमाल कीजिए" एकदम अच्छा निर्देश है। आपको नया कार्ड मिलता है और आप उसकी पुष्टि करते हैं। बार-बार दोहराने का कोई दंड नहीं, क्योंकि अभी कुछ रेंडर हुआ ही नहीं।

और Shannon बिना कहे इमेज नहीं बनाता। कोई अभिवादन, कोई सवाल, या चर्चा के लिए आपकी जोड़ी गई तस्वीर कोई रेंडर शुरू नहीं करती। Shannon से किसी इमेज को देखने को कहना — उसका वर्णन करना, पढ़ना, विश्लेषण करना — सामान्य विज़न कार्य है, जनरेशन नहीं, और इसका कोई अतिरिक्त शुल्क नहीं।

12एडिटिंग और कंबाइनिंग के लिए हुनर कैसे बदलता है

ऊपर के नियम जनरेशन के लिए लिखे गए हैं। दो निकटवर्ती मोड प्रॉम्प्ट का आकार बदल देते हैं।

एक इमेज की एडिटिंग

एडिट प्रॉम्प्ट एक निर्देश है, वर्णन नहीं: बताइए कि क्या बदलेगा और क्या वैसा रहेगा। जो हिस्से नहीं बदलने हैं उनका नाम लेना उत्पाद में गुणवत्ता का सबसे बड़ा लीवर है — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" टिका रहता है, जबकि उसी अनुरोध में वह उपवाक्य न हो तो चुपचाप उसका चेहरा दोबारा बना दिया जाता है। एंकर को लेकर विशिष्ट रहिए: चेहरा, मुद्रा, बाल और कपड़े ज्यों के त्यों रखिए। ठीक एक स्रोत इमेज इस्तेमाल होती है, और आउटपुट उसका आस्पेक्ट रेशियो बनाए रखता है।

दो या अधिक इमेज मिलाना

जब भी तत्व एक से ज़्यादा तस्वीरों से आएँ — आउटफ़िट ट्रांसफ़र, किसी वस्तु को दृश्य में डालना, एक ही फ़्रेम में दो लोग, प्रोडक्ट-ऑन-पर्सन, एक इमेज की शैली के साथ दूसरी का विषय — प्रॉम्प्ट में हर इमेज की भूमिका, क्रम से, बतानी होगी: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." पहली इमेज मुख्य विषय या दृश्य है; बाद की इमेज वे हिस्से देती हैं जो लाए जा रहे हैं। मल्टी-इमेज अनुरोध को एक स्रोत और एक टेक्स्ट वर्णन में मत सिकोड़िए — असली इमेज मिलाना ही यह बचाता है कि वे चीज़ें वास्तव में कैसी दिखती हैं।

13अनसेंसर्ड प्रॉम्प्टिंग: जो कहना है वही कहिए

जनरेशन पथ पर कोई कंटेंट फ़िल्टर नहीं है और प्रॉम्प्ट लिखने वाले मॉडल पर कोई रिफ्यूज़ल लेयर नहीं। यही इस उत्पाद का पूरा मक़सद है: फ़िल्टर वाले जनरेटर वैध काम से लगातार इनकार करते हैं — कलात्मक न्यूड, चिकित्सकीय और फ़ोरेंसिक इलस्ट्रेशन, सुरक्षा-शोध की तस्वीरें, कथा-साहित्य में हिंसा, राजनीतिक व्यंग्य, अधिकार-धारक द्वारा किया गया ब्रांड और लाइकनेस काम। फ़िल्टर वाले प्लेटफ़ॉर्म पर आधा प्रॉम्प्ट-हुनर शब्दाडंबर की इंजीनियरिंग है, और शब्दाडंबर सटीक इमेज का दुश्मन है।

तो कार्ड पर जाँचने के लिए एक बात और है: कि वह असली विषय का वर्णन सादे शब्दों में करे, न कि उस बचाव भरी शब्दावली में जो लोग फ़िल्टर वाले टूल से सीखते हैं। किसी घाव के फ़ोरेंसिक इलस्ट्रेशन में यह लिखा होना चाहिए कि घाव क्या है। बचाव भरी भाषा हर जगह घटिया इमेज देती है, क्योंकि मॉडल वही रेंडर करता है जो शब्द कहते हैं।

क्षमता और विवेक अलग-अलग चीज़ें हैं। Shannon Lab LLC इसे एक प्रकाशित ज़िम्मेदार उपयोग नीति के तहत चलाती है: फ़िल्टर रहित जनरेशन एक पेशेवर औज़ार है, और आप जो बनाते हैं उस पर सहमति, अधिकार और क़ानून, सब अब भी लागू होते हैं।

14API कहाँ फ़िट होता है

API की खोज से आए पाठकों के लिए सटीकता की एक बात: इमेज जनरेशन, एडिटिंग और कंबाइनिंग Shannon चैट ऐप में रहती हैं, /v1 API पर नहीं। API टेक्स्ट और विज़न देता है — यह तीनों डायलेक्ट (/v1/chat/completions, /v1/messages, /v1/responses, सभी स्ट्रीमिंग) पर आपकी भेजी इमेज पढ़, वर्णित और विश्लेषित कर सकता है — पर उन्हें बनाता नहीं। अगर आप ऐसी पाइपलाइन बना रहे हैं जिसे इमेज समझनी हैं, तो API दस्तावेज़ से शुरुआत कीजिए। अगर आपको इमेज बनानी हैं, तो वह चैट ऐप है, और इस गाइड की हर बात वहाँ लागू होती है। इमेज हमारे अपने GPU क्लस्टर पर रेंडर होती हैं।

15अक्सर पूछे जाने वाले सवाल

संबंधित पठन: अनसेंसर्ड AI इमेज जनरेशन · अनसेंसर्ड AI इमेज एडिटिंग · ज़िम्मेदार उपयोग नीति · API दस्तावेज़ · Shannon का समस्त शोध। यहाँ दिया मार्गदर्शन Shannon के Image Model पर हमारे अपने परीक्षण से निकला है; पुराने डिफ़्यूज़न ढाँचों के लिए लिखी सलाह आमतौर पर यहाँ लागू नहीं होती।