Az AI képprompt útmutató

A legtöbben SDXL-en tanult promptolási szokásokkal érkeznek: vesszővel elválasztott főnévlánccal, minőségtoken-előjátékkal, néhány zárójeles súllyal és a pozitívval azonos hosszúságú negatív prompttal. Azoknál a modelleknél ezek a szokások helyesek voltak, itt viszont visszafelé sülnek el. Ez a rövid változata annak, ami valóban működik — és mivel a Shannon megírja Ön helyett a generálási promptot, és megmutatja, mielőtt bármi elkészülne, ez egyben útmutató ahhoz is, hogyan olvassa és javítsa azt, amit a Shannon javasol.

01Miért veri a próza a címkéket: a modell úgy olvas, mint egy nyelvi modell

A régebbi diffúziós modellek, amelyekhez a promptolási tanácsok többsége íródott, olyan szövegkódolót használtak, amely a gyakorlatban fogalmak halmazaként viselkedett: a nyelvtan alig számított, és a nyerő stratégia az volt, hogy releváns főneveket halmozunk és súlyokkal torzítjuk őket. Annak a kódolónak a címkeleves volt a helyes promptforma.

A Shannon Képmodellje nem így működik. Úgy olvassa a promptot, ahogy egy nyelvi modell a szöveget, tehát a szintaxis jelentést hordoz. A „Holding an umbrella against her shoulder” kapcsolat egy személy, egy tárgy és egy testrész között; az „umbrella, shoulder” két dolog, amelyek történetesen jelen vannak. Az elöljárók elhelyeznek. Az igék pózt teremtenek. A tagmondatok a megfelelő főnévhez rögzítik a részletet ahelyett, hogy hagynák szétúszni az egész képen.

Íme ugyanaz a kép mindkét módon megkérve.

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.

Nézze meg, mit nem tud kifejezni a címkés változat. Sosem mondja ki, hogy az esernyőt tartja valaki, így akár a földön is végezheti. Sosem mondja ki, hogy a neon visszatükröződik az aszfalton, csak azt, hogy mindkettő létezik, így kap cégéreket és egy nedves utcát, optikai kapcsolat nélkül. Sosem mondja ki, hová néz a nő, tehát a pózja pénzfeldobás. A „cinematic lighting” hangulatcímke, nem fényforrás. Az utolsó öt token pedig zaj: a fényképezésről szóló angol szavakként olvasódnak, nem vezérlőfogantyúként.

A prózás változat nem azért hosszabb, mert virágos. Azért hosszabb, mert megválaszolja azokat a kérdéseket, amelyeket a címkés nyitva hagyott. Ennyi az egész trükk.

02Milyen hosszú legyen egy képprompt?

Célozzon 30 és 80 szó közé. Ne menjen sokkal 100 fölé. Ez a legkönnyebben elérhető minőségi kar, és a sáv mindkét vége számít.

Nagyjából 30 szó alatt a kompozíció, a fény és a képkivágás meghatározatlan, így a modell azt választja, ami statisztikailag a leghétköznapibb. Az „egy nő egy kávézóban” érvényes prompt, amely elfelejthető képet ad, mert minden érdekes döntést átruházott.

Nagyjából 100 szó fölött másfajta hiba jelenik meg: a késői tagmondatok a korábbiakkal versenyeznek a kép ugyanazon területeiért, és a részletek halmozódása helyett hígulást kap. A harmadik fényleírás visszacsinálja az elsőt, és az az alany, amelyet az első nyolc szóban felállított, minden hozzáadott mondattal kevesebb relatív figyelmet kap. A hosszú promptok alaposnak olvasódnak. Nem alaposnak renderelődnek.

A fegyelem: írja meg a promptot, amelyet szeretne, majd vágja vissza azokra a mondatokra, amelyek elhagyása megváltoztatná a képet.

03A sorrend fegyelme: a legfontosabb dolog elöl

Mivel a modell sorban olvas, a pozíció hangsúly: ami elöl van, az lehorgonyozza a képet, ami hátul, az igazít rajta. Tegye a dolgokat abba a sorrendbe, amelyben a modellnek szüksége van rájuk:

1. Alany — kiről vagy miről szól a kép, konkrétan.
2. Cselekvés vagy póz — mit csinál, hogyan áll.
3. Stílus vagy hangulat — fénykép, olajfestmény, műszaki illusztráció, és a hangnem, amelyben van.
4. Helyszín és megvilágítás — hol történik, és milyen fény esik rá.
5. Technika — képkivágás, objektív, mélységélesség, színbeli konkrétumok.

A leggyakoribb önsebzés az, ha a technikai tagmondattal kezdünk. Ha azzal nyit, hogy „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper”, azzal azt közli a modellel, hogy a látvány az alany, a férfi pedig részlet. Gyönyörű, üres képkockát kap, benne egy kicsi, elmosódott alakkal.

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.

Az első változat minden eleme túléli a másodikban; semmit nem hagytunk el. A modell most egyszerűen tudja, miről szól a kép, mielőtt megmondanánk neki, hogyan fényképezze — és önmagában ez az átrendezés a mellékesből központivá emeli az alanyt.

04Legyen konkrét az alany

Az „egy személy” nem alany, hanem helykitöltő — a modell pedig a helykitöltőket azzal tölti ki, amit átlagosan látott, és pontosan innen ered a fényes, kortalan, jellegtelen kinézet. A konkrétság öt szóba kerül, és egy meghatározott emberi lényt vesz meg rajta:

Vegye észre a mintát: kor vagy korszak, egy szerkezeti jellemző, egy megkülönböztető tökéletlenség. A harmadik tétel az, amitől az eredmény fényképezettnek hat, nem generáltnak. Egy csorba fog, egy kikopott szegély, egy lefestett felirat — a kis aszimmetriák a legerősebb műanyagosság elleni jelzés, és szinte semmibe nem kerülnek a szókeretből.

05Fotórealizmus: fényképként fogalmazza meg a kérést

A fotórealizmus az alapértelmezett hangnem, hacsak nem kér művészi, illusztrációs vagy anime stílust. A „photorealistic” szó viszont keveset dolgozik. Fényképet az szül, ha leírja magát a fényképezés aktusát: valódi kamera, valódi objektív, valamint valódi film vagy fényforrás.

Az ok egyszerű. Minden „Kodak Portra 400” feliratú kép egy meghatározott eljárással készült, meghatározott szemcseszerkezettel, csúcsfény-lecsengéssel és bőrtónus-visszaadással, és a filmtípus megnevezése mindezt behívja. A „8k ultra detailed” csak stockfotó-oldali spamen jelent meg valaha, tehát stockfotó-oldali spamet hív be. Néhány megbízható recept, mindegyik szemmel láthatóan más képet ad ugyanarról az alanyról:

Illessze a földközeli részletet a recepthez — a pórusszintű bőrtextúra semmit nem jelent egy 24 mm-es nagylátószögben, ahol az arc nyolcvan képpont magas —, és utána adja hozzá. A földközeli részlet az a textúrabizonyíték, hogy egy objektív valóban rögzítette ezt. Látható bőrpórusok és finom arcszőrzet. Egy lenvászon ing szövése. Porszemek egy fénypászmában. Egy horzsolás a bőrbakancson. Elszabadult hajszálak világos háttér előtt. Kettő vagy három elég belőlük, és ezek jelentik a különbséget egy emberről készült render és egy emberről készült fénykép között.

06Rétegzett jelenetek: előtér, középtér, háttér

Amikor egy jelenetnek mélysége van, írja le a három síkot külön-külön és sorrendben. Ez a leghatékonyabb technika olyan képekhez, amelyeknek helyeknek kell hatniuk, nem háttérfüggönynek, és szinte senki nem csinálja. Nélküle laposságot kap: minden, amit a prompt említ, nagyjából ugyanabban a távolságban landol, és a képkocka ugyanazon középső sávjáért verseng. A síkok megnevezése mélységi keretet ad a modellnek, amit elkölthet.

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.

Két finomítás. Tegyen az előtérbe valamit, ami szándékosan életlen — a mély jelenetekről készült valódi fényképeken szinte mindig van ilyen, és a hiánya gyakori árulkodó jel. És mondja meg, melyik síkot foglalja el az alany: ha a futár a kép lényege, akkor a középtérbe való, különben a torony és a kávéspohár versenyre kel vele a képkockáért.

07Pontos színek: hexadecimális kódok, tárgyakhoz kötve

Márkamunkához, jelmezfolytonossághoz vagy bárhol, ahol a „piros” nem elég konkrét, írja a hexadecimális kódot color #RRGGBB alakban, és kösse egy megnevezett tárgyhoz:

...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...

Három ökölszabály. Használjon hexet arra a két-három színre, amely valóban számít, a többihez pedig sima szavakat — az a prompt, amelyben hat hexkód van, a keretének nagy részét színmintákra költi. A kódot élekkel rendelkező tárgyhoz kösse, soha ne a megvilágításhoz vagy a hangulathoz. És ne feledje: a tárgy színét adja meg, nem a végső képpontértéket — egy #8B0000 kabát aranyóra-ellenfényben melegebbnek renderelődik a színmintánál, pontosan úgy, ahogy a valóságban is.

08A képarány kiválasztása

Öt arány érhető el, és a megfelelőt rendszerint az alany implikálja, de az Ön kifejezett kérése mindig nyer — ha háttérképet kér, tall arányt kap, függetlenül attól, mit sugall a tartalom.

Ezt elrontani károsabb, mint amilyennek látszik. Egy egész alakos álló figura wide képkockában nem kis alakot ad nagy képkockában — rendszerint levágottat ad, mert a modell kitölti a szélességet, és a fej vagy a láb kimegy a képből. Illessze a képkockát az alany uralkodó tengelyéhez, és a kompozíciós panaszok többsége eltűnik.

Két viselkedést érdemes megjegyezni: a szerkesztés automatikusan megtartja a forráskép képarányát, tehát szerkesztéssel nem lehet újrakomponálni, míg az egyesítésnél új vásznat választhat — gyakran ez a legtisztább módja annak, hogy megváltoztassa valaminek a formáját, ami már megvan.

09Hibaminták: mit hagyjon abba

Minőségtokenek: „masterpiece, best quality, 8k, ultra detailed”

Ezek a közösség által felfedezett fogantyúk voltak egy konkrét, régebbi tanítási eloszláshoz, amelyben bizonyos képaláírás-fordulatok bizonyos képforrásokkal korreláltak. Nem vihetők át. Itt hétköznapi angol szavakként olvasódnak, semmivel nem járulnak hozzá, és elveszik egy olyan szókeret egy részét, amelyről már megmondtuk, hogy szűk. A helyettesítésük az, hogy kimondja, melyik részletet szeretné: nem „ultra detailed”, hanem „látható szövésminta a kabát anyagában és finom borosta az állkapocs mentén” — ugyanaz a szándék, olyasmiként megfogalmazva, amit a modell renderelni tud.

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

Nem értelmezzük. A zárójelek, a szögletes zárójelek, a kettőspontok és a számok szó szerinti szövegként érkeznek, és ha valamit tesznek, akkor nehezebben olvashatóvá teszik a körülöttük lévő tagmondatot. Ha valamire nagyobb hangsúlyt szeretne, használja a két működő kart: tegye előbbre a promptban, és adjon rá több szót. A „bíborvörös selyemsál, rojtos végei a szélben lebegnek” minden számottevő mércével felülmúlja a „(red scarf:1.4)” megoldást.

Ellentmondó irányok

Az összeférhetetlen utasítások keverése nem összemossa őket; instabil átlagot szül, amely rendszerint egyiknek sem felel meg. A gyakori vétkesek:

• Médium — „photorealistic” plusz „watercolor”; „oil painting” plusz „shot on 85mm”. Válasszon egyet, és tartson ki mellette.
• Képkivágás — „wide establishing shot” plusz „extreme close-up on her eyes”; „full body” plusz „detailed facial pores”.
• Megvilágítás — „harsh midday sun” plusz „soft golden hour glow”; „low key, deep shadows” plusz „bright and airy”.
• Korszak — „1970s film aesthetic” plusz „modern minimalist” plusz „cyberpunk”.
• Stílushalmozás — négy művész vagy négy műfaj egyszerre. Két rokon hivatkozás működhet; négy kioltja egymást, és általánosat ad.
• Szétterülés — a „rusztikus, viharvert, ősi, időmarta faajtó” egyetlen gondolat négyszer leírva, és minden ismétlés hígítja a prompt többi részét.

10Szövegből képnél nincs negatív prompt

Ez az a hibaminta, amely a tapasztalt felhasználókat kapja el a legkeményebben, mert a régebbi rendszereken a negatív prompt volt a mesterség fele.

Generálásnál a szabály abszolút és kissé ellentmond az intuíciónak: ha azt írja a promptba, hogy „szöveg nélkül, vízjel nélkül, felesleges ujjak nélkül”, azzal valószínűbbé teszi ezeket, nem kevésbé valószínűvé. A modell a „szöveg nélkül” fordulatot olyan mondatként olvassa, amely tartalmazza a szöveg fogalmát; a tagadás gyenge jelzés, a főnév pedig erős. Gyakorlatilag szöveget kért. Mindig a pozitív alakot mondja ki helyette:

Szerkesztésnél és egyesítésnél a negatív prompt létezik, és érdemes használni — de műtermékekre, nem tartalomra. Jó anyag: vízjel, rátett szöveg, megkettőzött végtagok, torz kezek, túlélesítési glóriák, JPEG-blokkosodás, illesztési vonalak egy montázs peremén. Rossz anyag: bármi arról, hogy miről szól a kép — az az utasításba való.

11Az Ön helyett megírt Shannon-prompt olvasása

Ettől lesz ez az útmutató azonnal használható, nem elméleti. Nem kell magának megírnia a generálási promptot. Hétköznapi nyelven kér, bármely nyelven; a Shannon felismeri, hogy képet kérnek tőle, összeállítja az angol nyelvű generálási promptot, és megmutatja Önnek egy megerősítő kártyán, mielőtt bármi elkészülne. Semmi nem generálódik és semmit nem számlázunk, amíg meg nem erősíti.

Tehát a legjobban megtérülő készség nem a promptok nulláról írása — hanem a kártyán lévő elolvasása. Fusson végig ezen a listán:

1. Konkrét az alany? Ha a kártyán az áll, hogy „egy személy” vagy „egy nő”, megtalálta az egyetlen legnagyobb elérhető javítási lehetőséget. Adjon neki kort, alkatot, egy jellegzetességet.
2. Elöl van az alany? Ha a prompt stílussal vagy kamerával nyit, kérje meg, hogy az alannyal vezessen.
3. Sávon belül van? 30 szó alatt kérjen több konkrétumot a fényről és a helyszínről. 100 fölött kérje a rövidítését.
4. Van fényforrás? Nem hangulatszó — valódi fény: ablak, utcalámpa, vaku, borult ég, softbox.
5. Van ellentmondás? Keressen két médiumot, két képkivágást vagy két megvilágítási helyzetet ugyanabban a promptban.
6. Becsempészett tagadás? Ha a kártyán szerepel az, hogy nélkül, nem vagy kerüld, akkor az egy szövegből képet készítő prompt, amely épp azt kéri, amit megnevez.
7. Az arány illik az alanyhoz? Az egész alakos figura wide arányban a klasszikus félrepasszolás.

A javítások társalgási úton mennek: a „legyen a harmincas évei elején, sebhellyel az egyik szemöldökén, fényképezd Portrára 85 mm-rel, és használj portrait arányt” tökéletesen jó utasítás. Kap egy új kártyát, és azt erősíti meg. Az iterálásnak nincs ára, mert még semmi nem renderelődött.

És a Shannon nem generál hívatlanul. Egy köszönés, egy kérdés vagy egy megbeszélésre csatolt fotó nem indít renderelést. Ha megkéri a Shannont, hogy nézzen meg egy képet — írja le, olvassa el, elemezze —, az hétköznapi képfeldolgozás, nem generálás, és nem kerül semmi többletbe.

12Hogyan tolódik el a mesterség szerkesztésnél és egyesítésnél

A fenti szabályok a generáláshoz íródtak. Két szomszédos mód megváltoztatja a prompt alakját.

Egyetlen kép szerkesztése

A szerkesztési prompt utasítás, nem leírás: mondja ki, mi változik és mi marad. A változatlan részek megnevezése a termék legnagyobb minőségi karja — a „cseréld a hátteret esős éjszakai városi utcára neonvisszfényekkel, a nőt hagyd pontosan úgy, ahogy van” összetartja azt, amit ugyanez a kérés a záró tagmondat nélkül csendben újrarajzol az arcán. Legyen konkrét a horgony: az arc, a póz, a haj és a ruha maradjon azonos. Pontosan egy forrásképet használunk, és a kimenet megtartja annak képarányát.

Két vagy több kép egyesítése

Valahányszor az elemek egynél több képről származnak — ruhaátvitel, tárgy egy jelenetbe, két ember egy képkockában, termék emberen, az egyik kép stílusa a másik alanyával —, a promptnak sorrendben meg kell neveznie minden kép szerepét: „Az első képen látható nő a második képen látható piros kötött pulóverben, ugyanabban a parkban állva.” Az első kép a fő alany vagy a jelenet; a későbbi képek a behozott részeket adják. Ne olvasszon össze egy többképes kérést egy forrássá plusz egy szöveges leírássá — a valódi képek egyesítése az, ami megőrzi, hogyan is néznek ki valójában azok a dolgok.

13Cenzúrázatlan promptolás: mondja ki, amire gondol

Nincs tartalomszűrő a generálási úton, és nincs elutasítási réteg a promptot megíró modellen. Ez a termék egész lényege: a szűrt generátorok rendszeresen elutasítják a jogszerű munkát — művészi aktot, orvosi és igazságügyi illusztrációt, biztonsági kutatáshoz készült képeket, szépirodalmi erőszakot, politikai szatírát, valamint a jogtulajdonos márka- és arcképmunkáját. A szűrt platformokon a promptmesterség fele eufemizmus-mérnökség, az eufemizmus pedig a pontos kép ellensége.

Van tehát még egy dolog, amit érdemes ellenőrizni a kártyán: hogy sima szavakkal írja-e le a tényleges alanyt, nem pedig azzal az óvatoskodó szókinccsel, amelyet a szűrt eszközöktől tanulnak az emberek. Egy sebről készülő igazságügyi illusztrációnak ki kell mondania, milyen sebről van szó. Az óvatoskodó nyelv mindenhol rosszabb képet ad, mert a modell azt rendereli, amit a szavak mondanak.

A képesség és a mérlegelés két külön dolog. A Shannon Lab LLC ezt közzétett felelős használatra vonatkozó irányelv alatt üzemelteti: a szűretlen generálás szakmai eszköz, és a beleegyezés, a jogok és a törvény továbbra is vonatkoznak arra, amit készít.

14Hol van a helye az API-nak

Egy pontosító megjegyzés azoknak az olvasóknak, akik API-keresésből érkeztek: a képgenerálás, a képszerkesztés és a képegyesítés a Shannon chatalkalmazásában él, nem a /v1 API-n. Az API szöveget és képfeldolgozást szolgál ki — el tudja olvasni, le tudja írni és elemezni tudja a beküldött képeket mindhárom dialektuson (/v1/chat/completions, /v1/messages, /v1/responses, mindegyik streameléssel) —, de nem hozza létre őket. Ha olyan folyamatot épít, amelynek képeket kell értenie, az API-dokumentáció a kiindulópont. Ha képeket akar készíteni, az a chatalkalmazás, és ebben az útmutatóban minden arra vonatkozik. A képek a saját GPU-fürtünkön készülnek.

15Gyakran ismételt kérdések

Kapcsolódó olvasnivaló: Cenzúrázatlan AI képgenerálás · Cenzúrázatlan AI képszerkesztés · Felelős használatra vonatkozó irányelv · API-dokumentáció · Minden Shannon kutatás. Az itteni útmutatás a Shannon Képmodelljével végzett saját tesztelésünkből származik; a korábbi diffúziós rendszerekhez írt tanácsok általában nem vihetők át.