AI сурет промпт нұсқаулығы

Көпшілік мұнда SDXL-де қалыптасқан промпт әдеттерімен келеді: үтірмен бөлінген зат есімдер тізбегі, сапа токендерінен тұратын кіріспе, жақшадағы бірнеше салмақ және оң промптпен бірдей ұзын теріс промпт. Ол әдеттер сол модельдер үшін дұрыс болатын, ал мұнда кері нәтиже береді. Бұл — шын мәнінде жұмыс істейтіннің қысқаша нұсқасы, әрі Shannon генерация промптын сіз үшін жазып, оны ештеңе рендерленбей тұрып көрсететіндіктен, бұл сонымен бірге Shannon ұсынғанын оқу және түзету нұсқаулығы.

01Проза тегтен неге артық: модель тіл моделі сияқты оқиды

Промпт туралы кеңестердің көбі жазылған ескі диффузия модельдері тәжірибеде ұғымдар қапшығы сияқты әрекет ететін мәтін кодтаушысын пайдаланатын: грамматиканың мәні шамалы болатын, ал ұтымды стратегия — қатысты зат есімдерді үйіп, оларды салмақтармен бұрмалау. Сол кодтаушы үшін тег быламығы промпттың дұрыс пішіні еді.

Shannon-ның Сурет моделі олай жұмыс істемейді. Ол промптты тіл моделі мәтінді оқығандай оқиды, сондықтан синтаксис мағына тасиды. «Holding an umbrella against her shoulder» — адам, зат және дене мүшесі арасындағы қатынас; «umbrella, shoulder» — жай ғана қатар тұрған екі нәрсе. Септеулік шылаулар заттарды орналастырады. Етістіктер поза жасайды. Сөйлемшелер бөлшекті бүкіл суретке шашыратудың орнына керекті зат есімге бекітеді.

Міне, сол бір суреттің екі түрлі сұралуы.

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.

Тег нұсқасы нені жеткізе алмайтынына қараңыз. Ол қолшатырдың ұсталып тұрғанын айтпайды, сондықтан ол жерде жатып қалуы мүмкін. Ол неонның асфальтта шағылысатынын айтпайды, тек екеуінің де бар екенін айтады, сондықтан сіз бір-бірімен оптикалық байланысы жоқ маңдайшалар мен су басқан көше аласыз. Ол әйелдің қайда қарап тұрғанын айтпайды, сондықтан оның позасы — тиын лақтыру. «Cinematic lighting» — жарық көзі емес, көңіл күй белгісі. Ал соңғы бес токен — басқару тұтқасы емес, фотография туралы ағылшын сөздері ретінде оқылатын шу.

Проза нұсқасы әсемдік үшін ұзын емес. Ол тег нұсқасы ашық қалдырған сұрақтарға жауап бергені үшін ұзын. Бүкіл құпия осы.

02Сурет промпты қандай ұзындықта болуы керек?

30-дан 80 сөзге дейінгі аралықты мақсат тұтыңыз. 100-ден әлдеқайда асырмаңыз. Бұл — сізге қолжетімді ең оңай сапа тұтқасы, әрі аралықтың екі шеті де маңызды.

Шамамен 30 сөзден төмен болса, композиция, жарық және кадрлау көрсетілмейді, сондықтан модель статистикалық тұрғыдан ең қарапайымын таңдайды. «A woman in a coffee shop» — жарамды промпт, бірақ ол ұмытылатын сурет береді, өйткені сіз әр қызық шешімді басқаға тапсырдыңыз.

Шамамен 100 сөзден жоғары басқа қателік пайда болады: кейінгі сөйлемшелер суреттің сол аймақтары үшін алдыңғылармен бәсекелеседі, әрі бөлшек жинақталудың орнына сұйылады. Үшінші жарық сипаттамасы біріншісін жоққа шығарады, ал алғашқы сегіз сөзде орнатқан тақырыбыңыз әр қосылған сөйлеммен салыстырмалы назарды азырақ алады. Ұзын промпттар мұқият болып оқылады. Бірақ мұқият болып рендерленбейді.

Тәртібі: қалаған промптыңызды жазыңыз да, алып тастағанда суретті өзгертетін сөйлемдерге дейін қысқартыңыз.

03Рет тәртібі: ең маңыздысы бірінші

Модель ретімен оқитындықтан, орын — екпін: алдымен келген нәрсе суретті бекітеді, соңында келгені оны түзетеді. Заттарды модельге керек ретпен қойыңыз:

1. Тақырып — бұл сурет кім не не туралы екені, нақты түрде.
2. Әрекет не поза — олар не істеп жатыр, қалай тұр.
3. Стиль не көңіл күй — фотосурет, майлы бояу, техникалық иллюстрация және оның реңкі.
4. Орта мен жарық — бұл қайда болып жатыр және оған қандай жарық түседі.
5. Техникалық бөлшектер — кадрлау, объектив, өріс тереңдігі, түс ерекшеліктері.

Ең жиі кездесетін өз-өзіне келтірілген зиян — техникалық сөйлемшеден бастау. «Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper» деп бастау модельге көрініс тақырып, ал адам бөлшек екенін айтады. Сіз ішінде кішкентай, анық емес фигурасы бар тамаша, бірақ бос кадр аласыз.

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.

Бірінші нұсқадағы әр элемент екіншісінде сақталған; ештеңе тасталған жоқ. Модель енді оған қалай түсіру керегі айтылғанға дейін суреттің не туралы екенін біледі — әрі осы қайта реттеудің өзі тақырыпты кездейсоқтан орталыққа шығарады.

04Тақырыпты нақтылаңыз

«A person» — тақырып емес, толтырғыш — ал модель толтырғыштарды өзі көргеннің бәрінің орташасымен толтырады, ал жылтыр, жассыз, сипатсыз көріністің шығатын жері дәл сол. Нақтылық бес сөз тұрады да, нақты бір адамды сатып әпереді:

Заңдылыққа назар аударыңыз: жас не дәуір, бір құрылымдық белгі, бір ерекшелейтін кемшілік. Нәтижені генерацияланған емес, түсірілген сияқты сезіндіретін нәрсе — дәл сол үшінші элемент. Сынған тіс, тозған етек, үстінен боялған маңдайша — шағын асимметриялар қолжетімді ең күшті пластикке қарсы сигнал, әрі олар сөз бюджетіңізден дерлік ештеңе алмайды.

05Фотореализм: сұранысты фотосурет ретінде жазыңыз

Арт, иллюстрация не аниме сұрамасаңыз, фотореализм — әдепкі реңк. Бірақ «photorealistic» деген сөз аз жұмыс істейді. Фотосуретті тудыратын нәрсе — фотоға түсіру әрекетін сипаттау: нақты камера, нақты объектив және нақты пленка не жарық көзі.

Себебі қарапайым. «Kodak Portra 400» деп жазылған әр сурет белгілі бір дән құрылымы, жарық шетінің құлауы және тері түсі бар нақты процеспен жасалған, ал пленканы атау соның бәрін шақырады. «8k ultra detailed» тек фотобанк спамында кездесетін, сондықтан ол фотобанк спамын шақырады. Бір тақырыптың айқын өзгеше суретін беретін бірнеше сенімді рецепт:

Негіздеуді рецептке сәйкестендіріңіз — бет сексен пиксель биіктікте тұратын 24mm кең кадрда саңылау деңгейіндегі тері фактурасының мәні жоқ — содан кейін оны қосыңыз. Негіздеуші бөлшек дегеніміз — мұны шынымен объектив жазып алғанының фактуралық дәлелі. Көрінетін тері саңылаулары мен жіңішке бет түктері. Зығыр көйлектің тоқымасы. Жарық шоғырындағы шаң түйіршіктері. Былғары етіктегі сызат. Жарық фондағы бытыраңқы шаштар. Екеу-үшеуі жеткілікті, әрі олар адамның рендері мен адамның фотосуретінің арасындағы айырма.

06Қабатты көріністер: алдыңғы, орта, артқы жоспар

Көріністің тереңдігі болса, үш жоспарды бөлек әрі ретімен сипаттаңыз. Бұл — фон емес, шынайы орын сияқты сезілуге тиіс суреттер үшін ең тиімді әдіс, әрі оны ешкім дерлік қолданбайды. Онсыз сіз жалпақтық аласыз: промптта аталғанның бәрі шамамен бір қашықтықта тұрады да, кадрдың сол бір орта жолағы үшін бәсекелеседі. Жоспарларды атау модельге жұмсайтын тереңдік бюджетін береді.

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.

Екі нақтылау. Алдыңғы жоспарға әдейі фокустан тыс бір нәрсе қойыңыз — терең көріністердің нағыз фотосуреттерінде ондай әрқашан дерлік болады, ал оның жоқтығы жиі байқалатын белгі. Әрі тақырып қай жоспарда тұрғанын айтыңыз: егер велокурьер суреттің мәні болса, оның орны — орта жоспар, әйтпесе мұнара мен кофе стақаны кадр үшін онымен таласады.

07Дәл түстер: нысандарға бекітілген он алтылық кодтар

Брендпен жұмыс, костюм сабақтастығы немесе «қызыл» жеткілікті нақты болмайтын кез келген жағдай үшін он алтылық кодты color #RRGGBB түрінде жазып, оны аты аталған нысанға бекітіңіз:

...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...

Үш тәжірибелік ереже. Он алтылық кодты шынымен маңызды екі-үш түс үшін қолданыңыз да, қалғанын кәдімгі сөзбен жазыңыз — алты он алтылық коды бар промпт бюджетінің көбін бояу үлгілеріне жұмсайды. Кодты «жарыққа» немесе «көңіл күйге» емес, шекарасы бар нысанға бекітіңіз. Әрі ол соңғы пиксель мәнін емес, нысанның түсін көрсететінін ұмытпаңыз: алтын сағаттағы қарсы жарықтағы #8B0000 пальто үлгіден жылырақ рендерленеді, дәл өмірдегідей.

08Кадр арақатынасын таңдау

Бес арақатынас бар әрі дұрысы әдетте тақырыптан меңзеледі, бірақ сіздің тікелей сұранысыңыз әрқашан жеңеді — тұсқағаз сұрасаңыз, мазмұн нені меңзесе де tall аласыз.

Мұны қате таңдау көрінгеннен зияндырақ. wide кадрдағы толық бойлы тұрған фигура сізге үлкен кадрдағы кішкентай фигураны бермейді — ол әдетте кесілген фигураны береді, өйткені модель ені бойынша толтырады да, бас не аяқ кадрдан шығып кетеді. Кадрды тақырыптың басым осіне сәйкестендіріңіз, сонда композицияға қатысты шағымдардың көбі жоғалады.

Есте сақтауға тұрарлық екі мінез-құлық: өңдеу бастапқы суреттің кадр арақатынасын автоматты түрде сақтайды, сондықтан өңдеу арқылы қайта кадрлай алмайсыз, ал біріктіру жаңа кенеп таңдауға мүмкіндік береді — бұл көбіне бұрыннан бар нәрсенің пішінін өзгертудің ең таза жолы.

09Қателіктер: нені доғару керек

Сапа токендері: «masterpiece, best quality, 8k, ultra detailed»

Бұлар — қауымдастық тапқан, белгілі бір ескі оқыту үлестіріміне арналған тұтқалар еді, онда кейбір сипаттама тіркестері белгілі бір сурет көздерімен корреляцияланатын. Олар мұнда көшпейді. Мұнда олар кәдімгі ағылшын сөздері ретінде оқылады, ештеңе қоспайды әрі сізге тар екені айтылған сөз бюджетінің бір бөлігін жейді. Оның орнына қандай бөлшек керегін айтыңыз: «ultra detailed» емес, «пальто матасындағы көрінетін тоқыма және иек бойындағы жіңішке қылшық» — сол ниет, тек модель рендерлей алатын нәрсе ретінде айтылған.

Салмақ синтаксисі: (word:1.3), [word], {{word}}

Талданбайды. Жақшалар, тік жақшалар, қос нүктелер мен сандар нақты мәтін болып түседі әрі айналасындағы сөйлемшені оқуды қиындатады. Бір нәрсеге көбірек екпін керек болса, шынымен жұмыс істейтін екі тұтқаны қолданыңыз: оны промптта ертерек жылжытыңыз және оған көбірек сөз беріңіз. «A crimson silk scarf, its fringed ends lifting in the wind» маңызды әрбір өлшем бойынша «(red scarf:1.4)» дегеннен ауыр басады.

Қайшы нұсқаулар

Үйлеспейтін нұсқауларды араластыру оларды біріктірмейді; ол әдетте ешқайсысын қанағаттандырмайтын тұрақсыз орташа береді. Жиі кездесетіндері:

• Орындау тәсілі — «photorealistic» плюс «watercolor»; «oil painting» плюс «shot on 85mm». Біреуін таңдап, соған берік болыңыз.
• Кадрлау — «wide establishing shot» плюс «extreme close-up on her eyes»; «full body» плюс «detailed facial pores».
• Жарық — «harsh midday sun» плюс «soft golden hour glow»; «low key, deep shadows» плюс «bright and airy».
• Дәуір — «1970s film aesthetic» плюс «modern minimalist» плюс «cyberpunk».
• Стильдерді үю — бір мезгілде төрт суретші не төрт жанр. Екі жақын сілтеме жұмыс істей алады; төртеуі бірін-бірі жойып, жалпылама нәтиже береді.
• Шашыраңқылық — «rustic, weathered, ancient, timeworn wooden door» — төрт рет жазылған бір идея, әрі әр қайталау промптың қалғанын сұйылтады.

10Мәтіннен суретке теріс промпт жоқ

Бұл — тәжірибелі қолданушыларды ең қатты шатастыратын қателік, өйткені ескі стектерде теріс промпт шеберліктің жартысы еді.

Генерация үшін ереже абсолютті әрі сәл қарама-қайшы көрінеді: промптқа «мәтін жоқ, су белгісі жоқ, артық саусақ жоқ» деп жазу бұларды азайтпайды, көбейтеді. Модель «no text» дегенді text ұғымы бар сөйлем ретінде оқиды; терістеу — әлсіз сигнал, ал зат есім — күшті. Сіз іс жүзінде мәтін сұрадыңыз. Әрқашан оның орнына оң түрін айтыңыз:

Өңдеу мен біріктіру үшін теріс промпт бар әрі оны қолдану керек — бірақ мазмұн үшін емес, артефактілер үшін. Жарамды материал: су белгісі, мәтін қабаттамасы, қосарланған аяқ-қол, бұрмаланған қолдар, шамадан тыс өткірлеу ореолдары, JPEG блоктары, құрама шетіндегі жік сызықтары. Жарамсыз материал: суреттің не туралы екеніне қатысты кез келген нәрсе, оның орны — нұсқау.

11Shannon сіз үшін жазатын промптты оқу

Міне, осы нұсқаулықты теориялық емес, бірден пайдалы ететін нәрсе. Генерация промптын өзіңіз жазуыңыз міндетті емес. Сіз кез келген тілде, кәдімгі сөзбен сұрайсыз; Shannon сурет сұралып жатқанын таниды, ағылшын тіліндегі генерация промптын құрастырады әрі ештеңе рендерленбей тұрып оны сізге растау картасында көрсетеді. Сіз растамайынша ештеңе жасалмайды әрі ештеңе есептелмейді.

Сондықтан ең көп пайда әкелетін дағды — промптты нөлден жазу емес, картадағысын оқу. Мына тізім бойынша жүріп өтіңіз:

1. Тақырып нақты ма? Егер картада «a person» немесе «a woman» тұрса, сіз қолжетімді ең үлкен жақсартуды таптыңыз. Оған жас, дене бітімі, бір белгі беріңіз.
2. Тақырып бірінші тұр ма? Егер промпт стильден не камерадан басталса, оның орнына тақырыптан бастауын сұраңыз.
3. Ол аралықта ма? 30 сөзден аз болса, жарық пен орта туралы көбірек нақтылық сұраңыз. 100-ден асса, қысқартуды сұраңыз.
4. Жарық көзі бар ма? Көңіл күй сөзі емес — нақты жарық: терезе, көше шамы, жарқыл, бұлтты аспан, софтбокс.
5. Қайшылықтар бар ма? Бір промптта екі орындау тәсілін, екі кадрлауды не екі жарық жағдайын іздеп шығыңыз.
6. Жасырын терістеулер бар ма? Егер картада «without», «no» немесе «avoid» болса, бұл — өзі атаған нәрсені сұрап тұрған мәтіннен суретке промпты.
7. Арақатынас тақырыпқа сай ма? wide кадрдағы толық бойлы фигура — классикалық сәйкессіздік.

Түзетулер әңгіме түрінде жүреді: «оны отыз жастың басында, бір қасында тыртығы бар етіп жаса, Portra-да 85mm-мен түсір және portrait қолдан» — әбден жарамды нұсқау. Сіз жаңа карта аласыз да, соны растайсыз. Қайталауға айыппұл жоқ, өйткені әлі ештеңе рендерленген жоқ.

Әрі Shannon сұралмай генерацияламайды. Сәлемдесу, сұрақ немесе талқылау үшін тіркеген фотоңыз рендерді іске қоспайды. Shannon-нан суретке қарауды сұрау — сипаттау, оқу, талдау — генерация емес, кәдімгі көру жұмысы әрі ол қосымша ақы алмайды.

12Өңдеу мен біріктіруде шеберлік қалай өзгереді

Жоғарыдағы ережелер генерацияға жазылған. Екі көрші режим промптың пішінін өзгертеді.

Бір суретті өңдеу

Өңдеу промпты — сипаттама емес, нұсқау: не өзгеретінін әрі не қалатынын айтыңыз. Өзгермейтін бөліктерді атау — өнімдегі ең үлкен сапа тұтқасы: «Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is» деген нұсқау бүтін ұстайды, ал сол сөйлемшесіз дәл сол сұраныс оның бетін үнсіз қайта сызып шығады. Бекітпені нақтылаңыз: бет, поза, шаш және киім өзгеріссіз қалсын. Дәл бір бастапқы сурет пайдаланылады, ал шығыс оның кадр арақатынасын сақтайды.

Екі не одан көп суретті біріктіру

Элементтер бірден көп суреттен келетін кез келген жағдайда — киім ауыстыру, нысанды көрініске енгізу, бір кадрдағы екі адам, өнімді адамға кигізу, бір суреттің стилін екіншісінің тақырыбымен қосу — промпт әр суреттің рөлін ретімен атауы керек: «The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.» Бірінші сурет — негізгі тақырып не көрініс; кейінгі суреттер әкелінетін бөліктерді береді. Көп суретті сұранысты бір бастапқы сурет пен мәтіндік сипаттамаға сыйғызбаңыз — нағыз суреттерді біріктіру сол заттардың шын мәнінде қалай көрінетінін сақтайды.

13Цензурасыз промпт жазу: не меңзесеңіз, соны айтыңыз

Генерация жолында мазмұн сүзгісі жоқ әрі промпт жазатын модельде бас тарту қабаты жоқ. Өнімнің бүкіл мәні осы: сүзгіленген генераторлар заңды жұмыстан үнемі бас тартады — көркем жалаңаш дене, медициналық және сот-медициналық иллюстрация, қауіпсіздік зерттеулеріне арналған суреттер, көркем шығармадағы зорлық-зомбылық, саяси сатира, құқық иесінің брендімен әрі бейнесімен жұмысы. Сүзгіленген платформалардағы промпт шеберлігінің жартысы — эвфемизм инженериясы, ал эвфемизм — дәл суреттің жауы.

Сондықтан картадан тексеретін тағы бір нәрсе бар: ол нақты тақырыпты сүзгіленген құралдардан үйренілген сақ лексикамен емес, кәдімгі сөзбен сипаттай ма. Жараның сот-медициналық иллюстрациясы жараның не екенін айтуы керек. Сақтанған тіл барлық жерде нашар сурет береді, өйткені модель сөздер не айтса, соны рендерлейді.

Мүмкіндік пен пайым — бөлек нәрселер. Shannon Lab LLC мұны жарияланған Жауапты пайдалану саясаты аясында жүргізеді: сүзгісіз генерация — кәсіби құрал, ал келісім, құқықтар және заң сіз жасаған нәрсеге бәрібір қолданылады.

14API қай жерге келеді

API іздеуінен келген оқырмандар үшін бір нақтылық: сурет генерациясы, өңдеу және біріктіру /v1 API-да емес, Shannon чат қосымшасында тұрады. API мәтін мен көруге қызмет етеді — ол сіз жіберген суреттерді үш диалектінің бәрінде (/v1/chat/completions, /v1/messages, /v1/responses, бәрі ағынды) оқи, сипаттай әрі талдай алады — бірақ оларды жасамайды. Егер суреттерді түсінуі керек құбыр құрып жатсаңыз, бастайтын жер — API құжаттамасы. Ал сурет жасағыңыз келсе, ол — чат қосымшасы, әрі осы нұсқаулықтағының бәрі сонда қолданылады. Суреттер өз GPU кластерімізде рендерленеді.

15Жиі қойылатын сұрақтар

Қатысты оқу: Цензурасыз AI сурет генерациясы · Цензурасыз AI сурет өңдеу · Жауапты пайдалану саясаты · API құжаттамасы · Shannon зерттеулерінің бәрі. Мұндағы нұсқаулар Shannon-ның Сурет моделін өзіміз сынау нәтижесінен алынған; ертеректегі диффузия стектеріне жазылған кеңестер әдетте бұл жерге көшпейді.