Vodič za AI promptove za slike

Većina ljudi dolazi s navikama u pisanju promptova naučenima na SDXL-u: niz imenica odvojenih zarezima, uvod od tokena za kvalitetu, nekoliko težina u zagradama i negativni prompt dug kao i pozitivni. Te su navike bile ispravne za te modele, a ovdje su kontraproduktivne. Ovo je kratka verzija onoga što doista radi — a budući da Shannon prompt za generiranje piše umjesto vas i pokazuje ga prije nego što se išta iscrta, ovo je jednako i vodič za čitanje i ispravljanje onoga što Shannon predloži.

01Zašto proza pobjeđuje oznake: model čita kao jezični model

Stariji difuzijski modeli za koje je pisana većina savjeta o promptovima koristili su tekstualni koder koji se u praksi ponašao kao vreća pojmova: gramatika je jedva bila važna, a dobitna je strategija bila nagomilati relevantne imenice i pomaknuti ih težinama. Juha od oznaka bila je ispravan oblik prompta za takav koder.

Shannonov Model za slike ne radi tako. Prompt čita onako kako jezični model čita tekst, pa sintaksa nosi značenje. „Drži kišobran naslonjen na rame” odnos je između osobe, predmeta i dijela tijela; „kišobran, rame” dvije su stvari koje su naprosto prisutne. Prijedlozi smještaju stvari. Glagoli stvaraju poze. Surečenice vežu detalj uz pravu imenicu umjesto da ga puste da lebdi po cijeloj slici.

Evo iste slike zatražene na oba načina.

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.

Pogledajte što verzija s oznakama ne može izraziti. Nikad ne kaže da se kišobran drži, pa može završiti na tlu. Nikad ne kaže da se neon odražava u asfaltu, samo da oboje postoji, pa dobijete natpise i mokru ulicu bez ikakvog optičkog odnosa među njima. Nikad ne kaže kamo žena gleda, pa je njezina poza bacanje novčića. „Cinematic lighting” je oznaka ugođaja, a ne izvor svjetla. A posljednjih pet tokena je šum, pročitan kao engleske riječi o fotografiji, a ne kao upravljačke ručke.

Prozna verzija nije duža zato što je kitnjasta. Duža je zato što odgovara na pitanja koja je verzija s oznakama ostavila otvorenima. U tome je cijeli trik.

02Koliko dug treba biti prompt za sliku?

Ciljajte na 30 do 80 riječi. Ne idite puno preko 100. To je najlakša poluga kvalitete koja vam je dostupna, a važna su oba kraja raspona.

Ispod otprilike 30 riječi kompozicija, svjetlo i kadriranje nisu određeni, pa model bira ono što je statistički najobičnije. „Žena u kafiću” valjan je prompt koji daje sliku koja se ne pamti, jer ste svaku zanimljivu odluku prepustili drugome.

Iznad otprilike 100 riječi pojavljuje se drukčije otkazivanje: kasne surečenice natječu se s ranijima za ista područja slike i umjesto da se detalji zbrajaju, dobivate razvodnjavanje. Treći opis osvjetljenja poništava prvi, a subjekt koji ste uspostavili u prvih osam riječi dobiva sve manje relativne pažnje sa svakom dodanom rečenicom. Dugi promptovi zvuče temeljito. Ne iscrtavaju se temeljito.

Disciplina: napišite prompt kakav želite, pa ga skratite na rečenice koje bi promijenile sliku da ih uklonite.

03Disciplina redoslijeda: najvažnije prvo

Budući da model čita slijedno, položaj je naglasak: ono što dolazi prvo sidri sliku, a ono što dolazi zadnje je podešava. Poredajte stvari onim redom kojim ih model treba:

1. Subjekt — tko je ili što je na ovoj slici, konkretno.
2. Radnja ili poza — što radi, kako je držano.
3. Stil ili ugođaj — fotografija, ulje na platnu, tehnička ilustracija, i u kojem je registru.
4. Ambijent i osvjetljenje — gdje se to događa i kakvo svjetlo pada na to.
5. Tehnički detalji — kadriranje, objektiv, dubinska oštrina, pojedinosti o boji.

Najčešća samonanesena rana jest početi tehničkom surečenicom. Otvaranje s „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper” govori modelu da je izgled subjekt, a čovjek detalj. Dobijete prekrasan, prazan kadar s malenom nejasnom figurom u njemu.

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.

Svaki element iz prve verzije preživio je u drugoj; ništa nije izbačeno. Model sada jednostavno zna čega je slika prije nego što mu se kaže kako da je snimi — a već to preslagivanje pomiče subjekt iz usputnog u središnji.

04Budite konkretni oko subjekta

„Osoba” nije subjekt, nego rezervirano mjesto — a model rezervirana mjesta ispunjava prosjekom svega što je vidio, iz čega upravo i dolazi onaj glatki, bezdobni izgled bez karaktera. Konkretnost stoji pet riječi, a kupuje određeno ljudsko biće:

Uočite obrazac: dob ili razdoblje, jedno strukturno obilježje, jedna razlikovna nesavršenost. Ta treća stavka čini da rezultat djeluje fotografirano, a ne generirano. Okrhnut zub, izlizan rub, preslikan natpis — male asimetrije najjači su dostupan signal protiv plastičnosti, a u vašem budžetu riječi gotovo ništa ne stoje.

05Fotorealizam: napišite zahtjev kao fotografiju

Fotorealizam je zadani registar osim ako ne zatražite umjetnost, ilustraciju ili anime. Ali riječ „photorealistic” malo toga radi. Fotografiju proizvodi opisivanje čina fotografiranja: stvarna kamera, stvaran objektiv te stvarna vrsta filma ili izvor svjetla.

Razlog je jednostavan. Svaka slika s opisom „Kodak Portra 400” nastala je određenim postupkom s određenom strukturom zrna, prijelazom svijetlih tonova i prikazom kože, a imenovanje te vrste filma priziva sve to. „8k ultra detailed” pojavljivalo se samo na neželjenom sadržaju sa stock-stranica, pa priziva neželjeni sadržaj sa stock-stranica. Nekoliko pouzdanih recepata, od kojih svaki daje izrazito drukčiju sliku istog motiva:

Uskladite uzemljenje s receptom — tekstura kože na razini pora ne znači ništa u širokom kadru od 24mm gdje je lice visoko osamdeset piksela — i onda ga dodajte. Detalj koji uzemljuje jest — dokaz teksture da je ovo doista zabilježio objektiv. Vidljive pore na koži i sitne dlačice. Tkanje lanene košulje. Čestice prašine u snopu svjetla. Ogrebotina na kožnoj čizmi. Razbarušene vlasi na svijetloj pozadini. Dovoljne su dvije ili tri, i one su razlika između prikaza osobe i fotografije osobe.

06Slojeviti prizori: prednji plan, srednji plan, pozadina

Kad prizor ima dubinu, opišite tri plana zasebno i redom. To je najučinkovitija tehnika za slike koje trebaju djelovati kao mjesta, a ne kao kulise, a gotovo je nitko ne primjenjuje. Bez toga dobivate plošnost: sve što prompt spominje slijeće na približno istu udaljenost i natječe se za isti srednji pojas kadra. Imenovanje planova daje modelu budžet dubine koji može potrošiti.

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.

Dvije dorade. Stavite u prednji plan nešto što je namjerno izvan fokusa — stvarne fotografije dubokih prizora gotovo uvijek imaju takav element, a njegov izostanak čest je znak. I recite koji plan zauzima subjekt: ako je kurirka poanta slike, pripada u srednji plan, inače će se toranj i šalica kave boriti s njom za kadar.

07Točne boje: heksadekadski kodovi vezani uz predmete

Za rad s brendom, dosljednost kostima ili svugdje gdje „crveno” nije dovoljno određeno, napišite heksadekadski kod kao color #RRGGBB i prikvačite ga uz imenovan predmet:

...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 praktična pravila. Koristite heksadekadske kodove za dvije ili tri boje koje doista nešto znače, a za ostale obične riječi — prompt sa šest heksadekadskih kodova troši većinu budžeta na uzorke boja. Vežite kod uz predmet s rubovima, nikad uz „osvjetljenje” ili „ugođaj”. I zapamtite da on određuje boju predmeta, a ne konačnu vrijednost piksela: kaput boje #8B0000 u kontrasvjetlu zlatnog sata iscrtat će se toplije od uzorka, točno kao što bi bilo i u stvarnosti.

08Odabir omjera stranica

Dostupno je pet omjera, a pravi je obično naznačen samim motivom, ali izričit zahtjev s vaše strane uvijek pobjeđuje — zatražite pozadinu za mobitel i dobit ćete tall bez obzira na to što sadržaj sugerira.

Pogriješiti ovdje šteti više nego što se čini. Figura u punoj visini u kadru wide ne daje vam malenu figuru u velikom kadru — obično vam daje odrezanu, jer model ispunjava širinu, a glava ili stopala izlaze iz kadra. Uskladite kadar s prevladavajućom osi motiva i većina prigovora na kompoziciju nestane.

Dva ponašanja koja vrijedi zapamtiti: uređivanje automatski zadržava omjer stranica izvorne slike, pa uređivanjem ne možete promijeniti kadar, dok vam spajanje omogućuje odabir novog platna — često najčišći način da promijenite oblik nečega što već imate.

09Antiobrasci: što prestati raditi

Tokeni kvalitete: „masterpiece, best quality, 8k, ultra detailed”

To su bile ručke koje je zajednica otkrila za određenu stariju distribuciju treniranja, gdje su neki izrazi iz opisa bili u korelaciji s određenim izvorima slika. Ne prenose se. Ovdje se čitaju kao obične engleske riječi, ne pridonose ničemu i jedu dio budžeta riječi za koji vam je već rečeno da je tijesan. Zamjena je da kažete koji detalj želite: ne „ultra detailed” nego „visible weave in the coat fabric and fine stubble along the jaw” — ista namjera, izražena kao nešto što model može iscrtati.

Sintaksa težina: (word:1.3), [word], {{word}}

Ne parsira se. Zagrade, uglate zagrade, dvotočke i brojevi slijeću kao doslovan tekst i, ako išta, otežavaju čitanje okolne surečenice. Ako želite više naglaska na nečemu, koristite dvije poluge koje doista rade: pomaknite to ranije u promptu i dajte tome više riječi. „A crimson silk scarf, its fringed ends lifting in the wind” nadmašuje „(red scarf:1.4)” po svakom mjerilu koje je bitno.

Proturječne upute

Miješanje nespojivih uputa ne stapa ih; proizvodi nestabilan prosjek koji obično ne zadovoljava nijednu. Česti prijestupnici:

• Medij — „photorealistic” plus „watercolor”; „oil painting” plus „shot on 85mm”. Odaberite jedno i držite se toga.
• Kadriranje — „wide establishing shot” plus „extreme close-up on her eyes”; „full body” plus „detailed facial pores”.
• Osvjetljenje — „harsh midday sun” plus „soft golden hour glow”; „low key, deep shadows” plus „bright and airy”.
• Razdoblje — „1970s film aesthetic” plus „modern minimalist” plus „cyberpunk”.
• Slaganje stilova — četiri umjetnika ili četiri žanra odjednom. Dvije srodne reference mogu raditi; četiri se poništavaju u generičko.
• Razvlačenje — „rustikalna, izlizana, drevna, vremenom nagrizena drvena vrata” jedna je zamisao napisana četiri puta, a svako ponavljanje razvodnjava ostatak prompta.

10Kod pretvaranja teksta u sliku nema negativnog prompta

To je antiobrazac koji najteže pogađa iskusne korisnike, jer je na starijim sustavima negativni prompt bio pola zanata.

Za generiranje je pravilo apsolutno i pomalo protuintuitivno: upisivanje „no text, no watermark, no extra fingers” u prompt čini te stvari vjerojatnijima, a ne manje vjerojatnima. Model čita „no text” kao rečenicu koja sadrži pojam text; nijekanje je slab signal, a imenica jak. Zapravo ste zatražili tekst. Uvijek umjesto toga iznesite pozitivan oblik:

Kod uređivanja i spajanja negativni prompt postoji i trebali biste ga koristiti — ali za artefakte, ne za sadržaj. Dobar materijal: vodeni žig, tekstualno preklapanje, udvostručeni udovi, izobličene ruke, oreoli od pretjeranog izoštravanja, JPEG blokovi, linije šava uz rub kompozita. Loš materijal: bilo što o tome čega je slika, jer to spada u uputu.

11Čitanje prompta koji Shannon napiše umjesto vas

Evo što ovaj vodič čini odmah upotrebljivim, a ne teorijskim. Prompt za generiranje ne morate pisati sami. Pitate običnim jezikom, na bilo kojem jeziku; Shannon prepozna da se traži slika, sastavi engleski prompt za generiranje i pokaže vam ga na kartici potvrde prije nego što se išta iscrta. Ništa se ne generira i ništa se ne naplaćuje dok ne potvrdite.

Zato se najviše isplati vještina koja nije pisanje promptova od nule — nego čitanje onoga na kartici. Prođite kroz ovaj popis:

1. Je li subjekt konkretan? Ako na kartici piše „a person” ili „a woman”, našli ste najveće dostupno poboljšanje. Dajte mu dob, građu, obilježje.
2. Je li subjekt na prvom mjestu? Ako prompt otvara stil ili kamera, zatražite da umjesto toga počne subjektom.
3. Je li u rasponu? Ispod 30 riječi tražite više konkretnosti o svjetlu i ambijentu. Preko 100 tražite da se skrati.
4. Postoji li izvor svjetla? Ne riječ za ugođaj — nego stvarno svjetlo: prozor, ulična svjetiljka, bljeskalica, oblačno nebo, softbox.
5. Ima li proturječja? Potražite dva medija, dva kadriranja ili dva uvjeta osvjetljenja u istom promptu.
6. Ima li prokrijumčarenih nijekanja? Ako kartica sadrži „without”, „no” ili „avoid”, to je prompt za pretvaranje teksta u sliku koji traži upravo ono što imenuje.
7. Odgovara li omjer motivu? Figura u punoj visini u wide klasičan je nesklad.

Ispravci su razgovorni: „neka bude u ranim tridesetima s ožiljkom kroz obrvu, snimi to na Portru s 85mm i koristi portrait” savršeno je dobra uputa. Dobijete novu karticu i potvrdite nju. Nema kazne za ponavljanje jer se još ništa nije iscrtalo.

I Shannon ne generira nepozvan. Pozdrav, pitanje ili fotografija koju priložite radi rasprave ne pokreću iscrtavanje. Tražiti od Shannona da pogleda sliku — da je opiše, pročita, analizira — obično je rad s vidom, a ne generiranje, i ne stoji ništa dodatno.

12Kako se zanat mijenja kod uređivanja i spajanja

Gornja su pravila napisana za generiranje. Dva susjedna načina rada mijenjaju oblik prompta.

Uređivanje jedne slike

Prompt za uređivanje je uputa, a ne opis: recite što se mijenja, a što ostaje. Imenovanje nepromijenjenih dijelova najveća je pojedinačna poluga kvalitete u proizvodu — „Promijeni pozadinu u kišnu noćnu gradsku ulicu s neonskim odsjajima, ženu ostavi točno onakvom kakva jest” drži se na okupu ondje gdje isti zahtjev bez te surečenice potiho iznova iscrta njezino lice. Budite konkretni oko sidra: neka lice, poza, kosa i odjeća ostanu identični. Koristi se točno jedna izvorna slika, a izlaz zadržava njezin omjer stranica.

Spajanje dviju ili više slika

Kad god elementi dolaze iz više od jedne slike — prijenos odjeće, predmet u prizoru, dvije osobe u jednom kadru, proizvod na osobi, stil s jedne slike sa subjektom s druge — prompt mora imenovati ulogu svake slike, redom: „Žena s prve slike u crvenom pletenom puloveru s druge slike, kako stoji u istom parku.” Prva je slika glavni subjekt ili prizor; kasnije slike daju dijelove koji se unose. Ne svodite zahtjev s više slika na jedan izvor plus tekstualni opis — upravo spajanje stvarnih slika čuva kako te stvari doista izgledaju.

13Pisanje promptova bez cenzure: recite što mislite

Na putu generiranja nema filtra sadržaja, a na modelu koji piše prompt nema sloja odbijanja. To je i cijela poanta proizvoda: filtrirani generatori redovito odbijaju legitiman posao — umjetničke aktove, medicinsku i forenzičku ilustraciju, slike za sigurnosna istraživanja, nasilje u fikciji, političku satiru te rad s brendom i likom koji obavlja nositelj prava. Pola zanata pisanja promptova na filtriranim platformama jest inženjering eufemizama, a eufemizam je neprijatelj točne slike.

Zato na kartici treba provjeriti još jedno: opisuje li stvaran motiv običnim riječima, a ne ograđenim rječnikom koji ljudi nauče na filtriranim alatima. Forenzička ilustracija rane treba reći kakva je rana. Ograđen jezik posvuda daje lošiju sliku jer model iscrtava ono što riječi kažu.

Sposobnost i prosudba dvije su različite stvari. Shannon Lab LLC ovo vodi po objavljenim Pravilima odgovornog korištenja: nefiltrirano generiranje profesionalni je alat, a pristanak, prava i zakon i dalje vrijede za ono što napravite.

14Gdje se tu uklapa API

Jedna točnost za čitatelje koji stižu iz pretrage o API-ju: generiranje, uređivanje i spajanje slika žive u Shannon chat aplikaciji, a ne na API-ju /v1. API poslužuje tekst i vid — može čitati, opisivati i analizirati slike koje mu pošaljete kroz sva tri dijalekta (/v1/chat/completions, /v1/messages, /v1/responses, svi sa streamingom) — ali ih ne stvara. Ako gradite tok koji mora razumjeti slike, API dokumentacija je mjesto za početak. Ako želite raditi slike, to je chat aplikacija, i sve iz ovog vodiča ondje vrijedi. Slike se iscrtavaju na našem vlastitom GPU klasteru.

15Često postavljana pitanja

Povezano štivo: Generiranje slika AI-jem bez cenzure · Uređivanje slika AI-jem bez cenzure · Pravila odgovornog korištenja · API dokumentacija · Sva Shannon istraživanja. Smjernice ovdje potječu iz našeg vlastitog testiranja Shannonova Modela za slike; savjeti pisani za ranije difuzijske sustave uglavnom se ne prenose.