AI attēlu uzvedņu ceļvedis

Lielākā daļa cilvēku ierodas ar uzvedņu ieradumiem, kas apgūti uz SDXL: ar komatiem atdalīta lietvārdu virkne, kvalitātes tokenu ievads, daži iekavās ielikti svari un negatīvā uzvedne tikpat gara kā pozitīvā. Šie ieradumi tiem modeļiem bija pareizi, un šeit tie ir kaitīgi. Šī ir īsā versija tam, kas patiešām strādā — un, tā kā Shannon ģenerēšanas uzvedni uzraksta jūsu vietā un parāda to pirms renderēšanas, tas ir arī ceļvedis tam, kā lasīt un labot to, ko Shannon piedāvā.

01Kāpēc proza pārspēj birkas: modelis lasa kā valodas modelis

Vecākie difūzijas modeļi, kuriem lielākā daļa uzvedņu padomu tika rakstīti, izmantoja teksta kodētāju, kas praksē uzvedās kā jēdzienu maiss: gramatikai gandrīz nebija nozīmes, un uzvarošā stratēģija bija sakraut atbilstošus lietvārdus un tos noslogot ar svariem. Birku zupa tam kodētājam bija pareizā uzvednes forma.

Shannon Attēlu modelis tā nestrādā. Tas lasa uzvedni tāpat, kā valodas modelis lasa tekstu, tāpēc sintakse nes nozīmi. „Turot lietussargu pie pleca” ir attiecība starp cilvēku, priekšmetu un ķermeņa daļu; „lietussargs, plecs” ir divas lietas, kas nejauši atrodas turpat. Prievārdi novieto lietas. Darbības vārdi rada pozas. Frāzes piesaista detaļu pareizajam lietvārdam, nevis ļauj tai peldēt pa visu attēlu.

Lūk viens un tas pats attēls, pieprasīts abos veidos.

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.

Paskatieties, ko birku versija nespēj izteikt. Tā nekad nepasaka, ka lietussargs tiek turēts, tāpēc tas var nonākt guļam uz zemes. Tā nekad nepasaka, ka neons atspoguļojas asfaltā, tikai to, ka abi pastāv, tāpēc jūs saņemat izkārtnes un slapju ielu bez jebkādas optiskas saiknes starp tām. Tā nekad nepasaka, kurp sieviete skatās, tāpēc viņas poza ir monētas mešana. „Cinematic lighting” ir noskaņas etiķete, nevis gaismas avots. Un pēdējie pieci tokeni ir troksnis, nolasīti kā angļu vārdi par fotografēšanu, nevis kā vadības rokturi.

Prozas versija nav garāka izpušķojuma dēļ. Tā ir garāka tāpēc, ka atbild uz jautājumiem, kurus birku versija atstāja atvērtus. Tas arī ir viss triks.

02Cik garai jābūt attēla uzvednei?

Tiecieties uz 30 līdz 80 vārdiem. Neejiet daudz pāri 100. Šis ir vienkāršākais pieejamais kvalitātes svirs, un abi diapazona gali ir svarīgi.

Zem apmēram 30 vārdiem kompozīcija, gaisma un kadrējums nav norādīti, tāpēc modelis izvēlas to, kas ir statistiski visparastākais. „Sieviete kafejnīcā” ir derīga uzvedne, kas rada aizmirstamu attēlu, jo jūs deleģējāt katru interesanto lēmumu.

Virs aptuveni 100 vārdiem parādās cita kļūda: vēlākās frāzes konkurē ar agrākajām par tiem pašiem attēla apgabaliem, un detaļu uzkrāšanās vietā jūs saņemat atšķaidījumu. Trešais apgaismojuma apraksts atceļ pirmo, un subjekts, ko iedibinājāt pirmajos astoņos vārdos, ar katru pievienoto teikumu saņem mazāk relatīvās uzmanības. Garas uzvednes lasās kā rūpīgas. Tās nerenderējas kā rūpīgas.

Disciplīna: uzrakstiet uzvedni, ko gribat, un pēc tam nogrieziet to līdz tiem teikumiem, kuru izņemšana mainītu attēlu.

03Secības disciplīna: vissvarīgākais pirmais

Tā kā modelis lasa secīgi, pozīcija ir uzsvars: kas nāk pirmais, noenkuro attēlu; kas nāk pēdējais, to pieregulē. Lieciet lietas tādā secībā, kādā modelim tās vajag:

1. Subjekts — kas vai par ko ir šis attēls, konkrēti.
2. Darbība vai poza — ko viņi dara, kā viņi tur sevi.
3. Stils vai noskaņa — fotogrāfija, eļļas glezna, tehniska ilustrācija un tās reģistrs.
4. Vide un apgaismojums — kur tas notiek un kāda gaisma uz to krīt.
5. Tehniskais — kadrējums, objektīvs, asuma dziļums, krāsu konkrētika.

Visbiežākā pašnodarītā brūce ir sākt ar tehnisko frāzi. Sākums ar „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper” pasaka modelim, ka izskats ir subjekts un vīrietis ir detaļa. Jūs saņemat skaistu, tukšu kadru ar mazu, neskaidru figūru tajā.

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.

Katrs pirmās versijas elements otrajā ir saglabāts; nekas netika izmests. Modelis vienkārši tagad zina, par ko attēls ir, pirms tam pasaka, kā to nofilmēt — un jau šī pārkārtošana vien pārvieto subjektu no nejauša uz centrālu.

04Esiet konkrēti par subjektu

„Kāda persona” nav subjekts, tas ir vietturis — un modelis vietturus aizpilda ar visa redzētā vidējo, un tieši no turienes nāk tas gluds, bezvecuma, bezrakstura izskats. Konkrētība maksā piecus vārdus un nopērk konkrētu cilvēku:

Ievērojiet shēmu: vecums vai laikmets, viena strukturāla iezīme, viena atšķiroša nepilnība. Trešais punkts ir tas, kas liek rezultātam justies nofotografētam, nevis uzģenerētam. Apskaldīts zobs, nodilusi apmale, pārkrāsota izkārtne — nelielas asimetrijas ir spēcīgākais pieejamais pretplastmasas signāls, un vārdu budžetā tās maksā gandrīz neko.

05Fotoreālisms: rakstiet pieprasījumu kā fotogrāfiju

Fotoreālisms ir noklusējuma reģistrs, ja vien nelūdzat mākslu, ilustrāciju vai anime. Taču vārds „photorealistic” izdara maz. To, kas rada fotogrāfiju, rada fotografēšanas akta apraksts: īsta kamera, īsts objektīvs un īsta filma vai gaismas avots.

Iemesls ir vienkāršs. Katrs attēls ar parakstu „Kodak Portra 400” tapa konkrētā procesā ar konkrētu graudainības struktūru, gaišo toņu noritējumu un ādas atveidojumu, un filmas nosaukšana savervē to visu. „8k ultra detailed” jebkad parādījās tikai fotobanku spamā, tāpēc tas savervē fotobanku spamu. Dažas uzticamas receptes, katra no kurām dod izteikti citādu attēlu vienam un tam pašam subjektam:

Pielāgojiet iezemējumu receptei — poru līmeņa ādas faktūra neko nenozīmē 24mm platkadrā, kur seja ir astoņdesmit pikseļus augsta — un tad pievienojiet to. Iezemējošā detaļa ir — faktūras pierādījums, ka objektīvs to tiešām ir ierakstījis. Redzamas ādas poras un smalki sejas matiņi. Lina krekla pinums. Putekļu daļiņas gaismas starā. Skrāpējums uz ādas zābaka. Izlēkuši mati pret gaišu fonu. Divas vai trīs ir pietiekami, un tās ir atšķirība starp cilvēka renderējumu un cilvēka fotogrāfiju.

06Slāņainas ainas: priekšplāns, vidusplāns, fons

Kad ainai ir dziļums, aprakstiet trīs plānus atsevišķi un secībā. Tā ir visiedarbīgākā tehnika attēliem, kam būtu jājūtas kā vietām, nevis fona dekorācijām, un gandrīz neviens to nedara. Bez tā jūs saņemat plakanumu: viss, ko uzvedne piemin, nonāk aptuveni vienā attālumā, konkurējot par vienu un to pašu kadra vidusjoslu. Plānu nosaukšana dod modelim dziļuma budžetu, ko tērēt.

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.

Divi precizējumi. Ielieciet priekšplānā kaut ko, kas ir apzināti ārpus fokusa — īstās dziļu ainu fotogrāfijās gandrīz vienmēr tāds ir, un tā trūkums ir izplatīta pazīme. Un pasakiet, kuru plānu aizņem subjekts: ja kurjere ir attēla jēga, viņa pieder vidusplānā, citādi tornis un kafijas glāze ar viņu cīnīsies par kadru.

07Precīzas krāsas: hex kodi, piesaistīti objektiem

Zīmola darbam, kostīmu nepārtrauktībai vai visur, kur „sarkans” nav pietiekami konkrēts, rakstiet hex kodu formā color #RRGGBB un piesaistiet to nosauktam objektam:

...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...

Trīs īkšķa likumi. Lietojiet hex divām vai trim krāsām, kas patiešām ir svarīgas, un pārējām — vienkāršus vārdus; uzvedne ar sešiem hex kodiem lielāko daļu sava budžeta iztērē krāsu paraugiem. Piesaistiet kodu objektam ar malām, nekad „apgaismojumam” vai „noskaņai”. Un atcerieties, ka tas norāda objekta krāsu, nevis galīgo pikseļa vērtību: #8B0000 mētelis zeltainās stundas pretgaismā renderējas siltāks nekā krāsu paraugs — tieši tāpat kā dzīvē.

08Malu attiecības izvēle

Pieejamas ir piecas attiecības, un pareizo parasti norāda pats subjekts, taču jūsu tiešs pieprasījums vienmēr uzvar — palūdziet fona attēlu telefonam, un saņemsiet tall neatkarīgi no tā, ko iesaka saturs.

Šeit kļūdīties ir postošāk, nekā izskatās. Pilnā augumā stāvoša figūra wide kadrā nedod mazu figūru lielā kadrā — tā parasti dod apgrieztu figūru, jo modelis aizpilda platumu un galva vai kājas iziet ārpus kadra. Pieskaņojiet kadru subjekta dominējošajai asij, un lielākā daļa sūdzību par kompozīciju pazūd.

Divas uzvedības, ko vērts atcerēties: rediģēšana automātiski saglabā avota attēla malu attiecību, tāpēc ar rediģēšanu pārkadrēt nevar, savukārt apvienošana ļauj izvēlēties jaunu audeklu — bieži tas ir tīrākais veids, kā mainīt formu kaut kam, kas jums jau ir.

09Antipraugumi: ko pārstāt darīt

Kvalitātes tokeni: „masterpiece, best quality, 8k, ultra detailed”

Tie bija kopienas atklāti rokturi konkrētam vecākam apmācības sadalījumam, kurā noteiktas parakstu frāzes korelēja ar noteiktiem attēlu avotiem. Tie nepārnesas. Šeit tie tiek nolasīti kā parasti angļu vārdi, neko nedod un apēd daļu no vārdu budžeta, par kura šaurumu jums jau ir teikts. Aizvietojums ir pateikt, kuru detaļu gribat: nevis „ultra detailed”, bet „redzams auduma pinums mētelī un smalka bārdas rugāja līnija gar žokli” — tas pats nolūks, izteikts kā kaut kas, ko modelis var renderēt.

Svaru sintakse: (word:1.3), [word], {{word}}

Netiek nolasīta. Iekavas, kvadrātiekavas, koli un skaitļi nonāk kā burtisks teksts un, ja jau kaut ko, tad apgrūtina apkārtējās frāzes lasīšanu. Ja gribat kaut ko izcelt vairāk, izmantojiet abus svirus, kas strādā: pārvietojiet to agrāk uzvednē un dodiet tam vairāk vārdu. „A crimson silk scarf, its fringed ends lifting in the wind” pārsver „(red scarf:1.4)” pēc katra svarīgā mēra.

Pretrunīgi norādījumi

Nesavienojamu norādījumu jaukšana tos nesapludina; tā rada nestabilu vidējo, kas parasti neapmierina nevienu. Biežākie pārkāpēji:

• Medijs — „photorealistic” plus „watercolor”; „oil painting” plus „shot on 85mm”. Izvēlieties vienu un turieties pie tā.
• Kadrējums — „wide establishing shot” plus „extreme close-up on her eyes”; „full body” plus „detailed facial pores”.
• Apgaismojums — „harsh midday sun” plus „soft golden hour glow”; „low key, deep shadows” plus „bright and airy”.
• Laikmets — „1970s film aesthetic” plus „modern minimalist” plus „cyberpunk”.
• Stilu krāvums — četri mākslinieki vai četri žanri vienlaikus. Divas radniecīgas atsauces var strādāt; četras savstarpēji izdziest par vispārīgumu.
• Izplešanās — „rustic, weathered, ancient, timeworn wooden door” ir viena ideja, uzrakstīta četras reizes, un katrs atkārtojums atšķaida pārējo uzvedni.

10Teksts-uz-attēlu režīmā nav negatīvās uzvednes

Šis ir antipraugums, kas vissmagāk noķer pieredzējušus lietotājus, jo vecākajos stekos negatīvā uzvedne bija puse no amata.

Ģenerēšanai noteikums ir absolūts un mazliet pretintuitīvs: rakstot uzvednē „bez teksta, bez ūdenszīmes, bez liekiem pirkstiem”, jūs šīs lietas padarāt ticamākas, nevis mazāk ticamas. Modelis lasa „bez teksta” kā teikumu, kas satur jēdzienu teksts; noliegums ir vājš signāls, bet lietvārds — spēcīgs. Jūs faktiski esat lūdzis tekstu. Vienmēr izsakiet pozitīvo formu:

Rediģēšanai un apvienošanai negatīvā uzvedne pastāv, un jums to vajadzētu izmantot — taču artefaktiem, nevis saturam. Labs materiāls: ūdenszīme, uzlikts teksts, dublētas ekstremitātes, izkropļotas rokas, pārasināšanas oreoli, JPEG bloki, šuvju līnijas gar salikuma malu. Slikts materiāls: viss, kas ir par to, par ko attēls ir — tas pieder norādījumā.

11Kā lasīt uzvedni, ko Shannon uzraksta jūsu vietā

Lūk, kas šo ceļvedi padara uzreiz lietojamu, nevis teorētisku. Jums ģenerēšanas uzvedne nav jāraksta pašam. Jūs lūdzat ikdienišķā valodā, jebkurā valodā; Shannon atpazīst, ka tiek prasīts attēls, sacer anglisko ģenerēšanas uzvedni un parāda to jums apstiprinājuma kartītē pirms kaut kas tiek renderēts. Nekas netiek ģenerēts un nekas netiek norēķināts, kamēr neapstiprināt.

Tāpēc prasme, kas visvairāk atmaksājas, nav uzvedņu rakstīšana no nulles — tā ir tās lasīšana, kas ir kartītē. Izejiet cauri šim sarakstam:

1. Vai subjekts ir konkrēts? Ja kartītē rakstīts „a person” vai „a woman”, esat atradis lielāko pieejamo uzlabojumu. Dodiet tam vecumu, augumu, iezīmi.
2. Vai subjekts ir pirmais? Ja uzvedne sākas ar stilu vai kameru, palūdziet, lai tā sāk ar subjektu.
3. Vai tā ir diapazonā? Zem 30 vārdiem lūdziet vairāk konkrētības par gaismu un vidi. Pāri 100 — lūdziet to saīsināt.
4. Vai ir gaismas avots? Nevis noskaņas vārds — īsta gaisma: logs, ielas laterna, zibspuldze, apmākušās debesis, softbokss.
5. Vai nav pretrunu? Pārskatiet, vai vienā uzvednē nav divi mediji, divi kadrējumi vai divi apgaismojuma apstākļi.
6. Vai nav iekontrabandēti noliegumi? Ja kartītē ir „without”, „no” vai „avoid”, tā ir teksts-uz-attēlu uzvedne, kas lūdz tieši to, ko nosauc.
7. Vai attiecība atbilst subjektam? Pilna auguma figūra wide kadrā ir klasiskā neatbilstība.

Labojumi ir sarunveida: „padari viņu ap trīsdesmit ar rētu caur vienu uzaci, uzņem to uz Portra ar 85mm un lieto portrait” ir pilnīgi laba pamācība. Jūs saņemat jaunu kartīti un apstiprināt to. Par iterēšanu nav soda, jo nekas vēl nav renderēts.

Un Shannon neģenerē neaicināts. Sasveicināšanās, jautājums vai fotogrāfija, ko pievienojat apspriešanai, renderēšanu neizraisa. Palūgt Shannon paskatīties uz attēlu — aprakstīt to, izlasīt, analizēt — ir parasts attēlu lasīšanas darbs, nevis ģenerēšana, un tas nemaksā neko papildus.

12Kā amats mainās rediģēšanai un apvienošanai

Iepriekšējie noteikumi ir rakstīti ģenerēšanai. Divi blakus esošie režīmi maina uzvednes formu.

Viena attēla rediģēšana

Rediģēšanas uzvedne ir norādījums, nevis apraksts: pasakiet, kas mainās un kas paliek. Nemainīgo daļu nosaukšana ir lielākais kvalitātes svirs visā produktā — „Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is” turas kopā tur, kur tas pats pieprasījums bez šīs frāzes klusi pārzīmē viņas seju. Esiet konkrēti par enkuru: saglabājiet seju, pozu, matus un apģērbu identiskus. Tiek izmantots tieši viens avota attēls, un rezultāts saglabā tā malu attiecību.

Divu vai vairāku attēlu apvienošana

Ikreiz, kad elementi nāk no vairāk nekā viena attēla — apģērba pārnese, objekts ainā, divi cilvēki vienā kadrā, produkts uz cilvēka, viena attēla stils ar cita subjektu —, uzvednei jānosauc katra attēla loma pēc kārtas: „The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.” Pirmais attēls ir galvenais subjekts vai aina; vēlākie attēli piegādā ienesamās daļas. Nesabruciniet vairāku attēlu pieprasījumu vienā avotā plus teksta aprakstā — tieši īsto attēlu apvienošana saglabā to, kā šīs lietas patiesībā izskatās.

13Necenzētas uzvednes: sakiet, ko domājat

Ģenerēšanas ceļā nav satura filtra, un modelim, kas raksta uzvedni, nav atteikuma slāņa. Tā ir visa produkta jēga: filtrēti ģeneratori regulāri atsaka likumīgu darbu — mākslinieciskus aktus, medicīnisko un tiesu ekspertīzes ilustrāciju, drošības pētniecības attēlus, vardarbību daiļliteratūrā, politisko satīru, zīmola un līdzības darbu, ko veic pats tiesību turētājs. Puse no uzvedņu amata filtrētās platformās ir eifēmismu inženierija, un eifēmisms ir precīza attēla ienaidnieks.

Tāpēc kartītē jāpārbauda vēl viena lieta: ka tā aprakstu subjektu vienkāršos vārdos, nevis mīkstinātā vārdu krājumā, ko cilvēki apgūst no filtrētiem rīkiem. Brūces tiesu ekspertīzes ilustrācijai vajadzētu pateikt, kas ir šī brūce. Mīkstināta valoda visur rada sliktāku attēlu, jo modelis renderē to, ko saka vārdi.

Spējas un spriedums ir atsevišķas lietas. Shannon Lab LLC to uztur saskaņā ar publicētu Atbildīgas lietošanas politiku: nefiltrēta ģenerēšana ir profesionāls rīks, un piekrišana, tiesības un likums joprojām attiecas uz to, ko radāt.

14Kur iederas API

Viens precizējums lasītājiem, kas ieradušies no API meklējuma: attēlu ģenerēšana, rediģēšana un apvienošana dzīvo Shannon čata lietotnē, nevis /v1 API. API apkalpo tekstu un attēlu lasīšanu — tas var lasīt, aprakstīt un analizēt attēlus, ko tam sūtāt, visos trīs dialektos (/v1/chat/completions, /v1/messages, /v1/responses, visi ar straumēšanu) —, bet tos nerada. Ja būvējat konveijeru, kam attēli jāsaprot, API dokumentācija ir vieta, ar ko sākt. Ja gribat attēlus radīt, tā ir čata lietotne, un viss šajā ceļvedī tur attiecas. Attēli tiek renderēti mūsu paša GPU klasterī.

15Biežāk uzdotie jautājumi

Saistītā lasāmviela: Necenzēta AI attēlu ģenerēšana · Necenzēta AI attēlu rediģēšana · Atbildīgas lietošanas politika · API dokumentācija · Visi Shannon pētījumi. Šeit sniegtie norādījumi izriet no mūsu pašu Shannon Attēlu modeļa testēšanas; padomi, kas rakstīti agrākiem difūzijas stekiem, parasti nepārnesas.