Водич за AI промптови за слики

Повеќето луѓе доаѓаат со навики за промптирање научени на SDXL: низа именки одвоени со запирки, вовед со токени за квалитет, неколку тежини во загради и негативен промпт долг колку и позитивниот. Тие навики беа точни за тие модели и се контрапродуктивни овде. Ова е кратката верзија на тоа што навистина работи — и бидејќи Shannon го пишува промптот за генерирање наместо тебе и ти го покажува пред нешто да се исцрта, ова е подеднакво и водич за читање и поправање на тоа што Shannon го предлага.

01Зошто прозата победува над етикетите: моделот чита како јазичен модел

Постарите дифузиски модели за кои беа напишани повеќето совети за промптирање користеа текстуален енкодер што во пракса се однесуваше како вреќа со поими: граматиката едвај имаше значење, а победничката стратегија беше да натрупаш релевантни именки и да ги пристрасниш со тежини. Супата од етикети беше точниот облик на промпт за тој енкодер.

Моделот за слики на Shannon не работи така. Тој го чита промптот онака како што јазичен модел чита текст, па синтаксата носи значење. „Holding an umbrella against her shoulder“ е однос меѓу човек, предмет и дел од тело; „umbrella, shoulder“ се две нешта што случајно се присутни. Предлозите ги распоредуваат нештата. Глаголите создаваат пози. Реченичните делови го закачуваат деталот на вистинската именка наместо да го остават да лебди низ целата слика.

Еве ја истата слика побарана на двата начина.

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.

Погледни што не може да изрази верзијата со етикети. Никаде не вели дека чадорот е држен, па може да заврши легнат на земја. Никаде не вели дека неонот се одразува во асфалтот, туку само дека и двете постојат, па добиваш натписи и мокра улица без оптички однос меѓу нив. Никаде не вели каде гледа жената, па нејзината поза е фрлање паричка. „Cinematic lighting“ е ознака за расположение, а не извор на светлина. А последните пет токени се шум, читани како англиски зборови за фотографија, а не како контролни рачки.

Верзијата со проза не е подолга затоа што е китнеста. Подолга е затоа што одговара на прашања што верзијата со етикети ги оставила отворени. Тоа е целиот трик.

02Колку долг треба да биде промптот за слика?

Целај на 30 до 80 зборови. Не оди многу над 100. Ова е најлесната достапна лост-рачка за квалитет, а важни се двата краја на опсегот.

Под околу 30 зборови композицијата, светлото и кадрирањето се незададени, па моделот избира што и да е статистички најобично. „A woman in a coffee shop“ е валиден промпт што произведува слика за заборавање, бидејќи си ја препуштил секоја интересна одлука.

Над отприлика 100 зборови се појавува друго откажување: подоцнежните делови се натпреваруваат со претходните за истите области од сликата, и наместо натрупување детал добиваш разводнување. Третиот опис на осветлувањето го поништува првиот, а субјектот што си го воспоставил во првите осум зборови добива сè помалку релативно внимание со секоја реченица што ја додаваш. Долгите промптови се читаат како темелни. Не се исцртуваат како темелни.

Дисциплината: напиши го промптот што го сакаш, па скрати го на речениците што би ја промениле сликата ако се отстранат.

03Дисциплината на редоследот: најважното прво

Бидејќи моделот чита секвенцијално, позицијата е нагласување: тоа што доаѓа прво ја закотвува сликата, тоа што доаѓа последно ја дотерува. Стави ги нештата по редоследот што му треба на моделот:

1. Субјект — кој или што е на оваа слика, конкретно.
2. Дејство или поза — што прават, како се држат.
3. Стил или расположение — фотографија, масло на платно, техничка илустрација, и во кој регистар е.
4. Амбиент и осветлување — каде се случува ова и какво светло паѓа врз него.
5. Техничко — кадрирање, објектив, длабочина на полето, конкретни бои.

Најчестата самонанесена рана е почнувањето со техничкиот дел. Отворањето со „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper“ му кажува на моделот дека изгледот е субјектот, а човекот е детал. Добиваш прекрасен, празен кадар со мала нејасна фигура во него.

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.

Секој елемент од првата верзија преживува во втората; ништо не е испуштено. Моделот сега едноставно знае на што е сликата пред да му се каже како да ја снима — а само тоа преуредување го поместува субјектот од споредно во централно.

04Биди конкретен за субјектот

„A person“ не е субјект, туку празно место — а моделот ги пополнува празните места со просекот од сè што видел, што е токму местото од каде доаѓа углазурениот, безвременски изглед без карактер. Конкретноста чини пет зборови и купува конкретно човечко суштество:

Забележи го образецот: возраст или епоха, една структурна одлика, една несовршеност што издвојува. Таа трета ставка е тоа што прави резултатот да изгледа фотографиран, а не генериран. Крунет заб, изветвен раб, натпис пребоен одозгора — малите асиметрии се најсилниот достапен сигнал против пластичниот изглед и речиси ништо не чинат од твојот буџет на зборови.

05Фотореализам: напиши го барањето како фотографија

Фотореализмот е стандардниот регистар освен ако не побараш уметност, илустрација или аниме. Но зборот „photorealistic“ прави малку. Она што произведува фотографија е опишувањето на самиот чин на фотографирање: вистинска камера, вистински објектив и вистинска филмска емулзија или извор на светлина.

Причината е едноставна. Секоја слика со опис „Kodak Portra 400“ била направена со конкретен процес со конкретна структура на зрно, спуштање на светлите тонови и приказ на кожа, и именувањето на емулзијата го регрутира сето тоа. „8k ultra detailed“ отсекогаш се појавувал само на спам од стоковни сајтови, па регрутира спам од стоковни сајтови. Неколку сигурни рецепти, секој од кој произведува препознатливо различна слика на истиот субјект:

Усогласи го заземјувањето со рецептот — текстура на кожа на ниво на пори не значи ништо кај широк 24mm каде што лицето е високо осумдесет пиксели — и потоа додај го. Деталот што заземјува е — доказот за текстура дека ова навистина го снимил објектив. Видливи пори на кожата и ситни влакненца. Ткаењето на ленена кошула. Прашинки во сноп светлина. Изгребано место на кожен чизам. Разлетани влакна наспроти светла позадина. Два или три се доволни, и тие се разликата помеѓу рендер на човек и фотографија на човек.

06Сцени со слоеви: преден план, среден план, позадина

Кога сцената има длабочина, опиши ги трите рамнини одделно и по редослед. Ова е најефикасната техника за слики што треба да изгледаат како места, а не како кулиси, и речиси никој не ја прави. Без неа добиваш рамнина: сè што промптот го спомнува паѓа на приближно исто растојание, натпреварувајќи се за истиот среден појас од кадарот. Именувањето на рамнините му дава на моделот буџет на длабочина што може да го троши.

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.

Две дотерувања. Стави нешто во преден план што е намерно расфокусирано — вистинските фотографии на длабоки сцени речиси секогаш имаат такво нешто, а неговото отсуство е чест знак. И кажи која рамнина ја зафаќа субјектот: ако курирката е поентата на сликата, таа спаѓа во средниот план, инаку кулата и чашата кафе ќе се борат со неа за кадарот.

07Точни бои: хекс кодови, закачени на предмети

За работа со брендови, континуитет на костими или каде и да е „црвено“ да не е доволно прецизно, напиши го хекс кодот како color #RRGGBB и закачи го на именуван предмет:

...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...

Три практични правила. Користи хекс за двете или трите бои што навистина се важни, а обични зборови за останатите — промпт со шест хекс кодови го троши најголемиот дел од буџетот на мостри од боја. Врзи го кодот за предмет со рабови, никогаш за „осветлувањето“ или „расположението“. И запомни дека тој ја задава бојата на предметот, а не конечната вредност на пикселот: палто во #8B0000 осветлено одзади во златниот час се исцртува потопло од мострата, точно како што би било и во животот.

08Избор на соодносот на страни

Достапни се пет соодноси, а вистинскиот обично е подразбран од субјектот, но изричното барање од тебе секогаш победува — побарај тапет и добиваш tall без оглед на тоа што сугерира содржината.

Погрешувањето овде е поштетно отколку што изгледа. Фигура во цел раст во кадар wide не ти дава мала фигура во голем кадар — обично ти дава отсечена, бидејќи моделот ја пополнува ширината, а главата или стапалата излегуваат од кадарот. Усогласи го кадарот со доминантната оска на субјектот и повеќето поплаки за композицијата исчезнуваат.

Две однесувања што вреди да се запомнат: уредувањето автоматски го задржува соодносот на страни на изворната слика, па не можеш да прекадрираш преку уредување, додека спојувањето ти дозволува да избереш ново платно — честопати најчистиот начин да го промениш обликот на нешто што веќе го имаш.

09Антиобрасци: што да престанеш да правиш

Токени за квалитет: „masterpiece, best quality, 8k, ultra detailed“

Ова беа рачки откриени од заедницата за конкретна постара тренинг дистрибуција, каде што одредени фрази од описите корелирале со одредени извори на слики. Тие не се пренесуваат. Овде се читаат како обични англиски зборови, не придонесуваат ништо и јадат дел од буџетот на зборови за кој веќе ти е кажано дека е тесен. Замената е да кажеш кој детал го сакаш: не „ultra detailed“, туку „visible weave in the coat fabric and fine stubble along the jaw“ — истата намера, изразена како нешто што моделот може да го исцрта.

Синтакса за тежини: (word:1.3), [word], {{word}}

Не се обработува. Заградите, аглестите загради, двоточките и бројките паѓаат како буквален текст и, ако веќе нешто прават, го отежнуваат читањето на околниот дел. Ако сакаш повеќе нагласок на нешто, користи ги двете рачки што навистина работат: помести го поназад кон почетокот на промптот и дај му повеќе зборови. „A crimson silk scarf, its fringed ends lifting in the wind“ го надминува „(red scarf:1.4)“ по секоја мерка што е важна.

Противречни насоки

Мешањето неспоиви инструкции не ги спојува; тоа произведува нестабилен просек што обично не задоволува ниту една. Честите престапници:

• Медиум — „photorealistic“ плус „watercolor“; „oil painting“ плус „shot on 85mm“. Избери едно и држи се до него.
• Кадрирање — „wide establishing shot“ плус „extreme close-up on her eyes“; „full body“ плус „detailed facial pores“.
• Осветлување — „harsh midday sun“ плус „soft golden hour glow“; „low key, deep shadows“ плус „bright and airy“.
• Епоха — „1970s film aesthetic“ плус „modern minimalist“ плус „cyberpunk“.
• Натрупување стилови — четворица уметници или четири жанра одеднаш. Две сродни референци можат да функционираат; четири се поништуваат во генеричко.
• Расфрлање — „rustic, weathered, ancient, timeworn wooden door“ е една идеја напишана четири пати, а секое повторување го разводнува остатокот од промптот.

10Кај текст-во-слика нема негативен промпт

Ова е антиобразецот што најтешко ги фаќа искусните корисници, бидејќи кај постарите стекови негативниот промпт беше половина од занаетот.

За генерирање правилото е апсолутно и малку контраинтуитивно: пишувањето „no text, no watermark, no extra fingers“ во промптот ги прави тие работи поверојатни, а не помалку. Моделот чита „no text“ како реченица што го содржи поимот text; негацијата е слаб сигнал, а именката е силен. Всушност си побарал текст. Наместо тоа, секогаш искажувај ја позитивната форма:

Кај уредувањето и спојувањето негативниот промпт постои и треба да го користиш — но за артефакти, а не за содржина. Добар материјал: воден жиг, текст врз сликата, удвоени екстремитети, искривени раце, ореоли од преизострување, JPEG блокови, шевови по работ на композицијата. Лош материјал: сè што се однесува на тоа на што е сликата, што спаѓа во инструкцијата.

11Читање на промптот што Shannon го пишува за тебе

Еве што го прави овој водич веднаш употреблив, а не теоретски. Не мораш сам да го пишуваш промптот за генерирање. Прашуваш на обичен јазик, на кој било јазик; Shannon препознава дека се бара слика, го составува англискиот промпт за генерирање и ти го покажува на картичка за потврда пред нешто да се исцрта. Ништо не се генерира и ништо не се наплаќа додека не потврдиш.

Затоа вештината што најмногу се исплаќа не е пишувањето промптови од нула — туку читањето на оној на картичката. Помини низ оваа листа:

1. Дали субјектот е конкретен? Ако картичката вели „a person“ или „a woman“, го најде најголемото достапно подобрување. Дај му возраст, градба, обележје.
2. Дали субјектот е прв? Ако промптот отвора со стил или камера, побарај да води со субјектот наместо тоа.
3. Дали е во опсегот? Под 30 зборови, побарај повеќе конкретност за светлото и амбиентот. Над 100, побарај да се скрати.
4. Има ли извор на светлина? Не збор за расположение — вистинско светло: прозорец, улична светилка, блиц, облачно небо, софтбокс.
5. Има ли противречности? Прегледај за два медиума, две кадрирања или два услови на осветлување во истиот промпт.
6. Има ли прошверцувани негации? Ако картичката содржи „without“, „no“ или „avoid“, тоа е промпт за текст-во-слика што го бара токму она што го именува.
7. Дали соодносот одговара на субјектот? Фигура во цел раст во wide е класичното несовпаѓање.

Поправките се разговорни: „направи ја во раните триесетти со лузна низ едната веѓа, снимај на Portra на 85mm и користи portrait“ е сосема добра инструкција. Добиваш нова картичка и ја потврдуваш неа наместо старата. Нема казна за повторување, бидејќи сè уште ништо не е исцртано.

И Shannon не генерира непоканет. Поздрав, прашање или фотографија што ја прикачуваш за разговор не активираат исцртување. Барањето Shannon да погледне слика — да ја опише, да ја прочита, да ја анализира — е обична работа со вид, а не генерирање, и не чини ништо дополнително.

12Како се менува занаетот кај уредувањето и спојувањето

Правилата погоре се напишани за генерирање. Два соседни режима го менуваат обликот на промптот.

Уредување на една слика

Промптот за уредување е инструкција, а не опис: кажи што се менува и што останува. Именувањето на непроменетите делови е најголемата лост-рачка за квалитет во производот — „Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is“ се држи заедно таму каде што истото барање без тој дел тивко ѝ го прецртува лицето. Биди конкретен за котвата: задржи ги лицето, позата, косата и облеката идентични. Се користи точно една изворна слика, а излезот го задржува нејзиниот сооднос на страни.

Спојување на две или повеќе слики

Секогаш кога елементите доаѓаат од повеќе од една слика — пренос на облека, предмет во сцена, двајца луѓе во еден кадар, производ на човек, стил од едната слика со субјект од другата — промптот мора да ја именува улогата на секоја слика, по редослед: „The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.“ Првата слика е главниот субјект или сцена; подоцнежните слики ги даваат деловите што се внесуваат. Не сведувај барање со повеќе слики на еден извор плус текстуален опис — спојувањето на вистинските слики е тоа што го зачувува вистинскиот изглед на тие нешта.

13Нецензурирано промптирање: кажи го тоа што го мислиш

Нема филтер на содржината на патеката за генерирање и нема слој за одбивање кај моделот што го пишува промптот. Тоа е целата поента на производот: филтрираните генератори редовно одбиваат легитимна работа — уметнички актови, медицинска и форензичка илустрација, слики за безбедносно истражување, насилство во фикција, политичка сатира, работа со бренд и лик од страна на носителот на правата. Половина од занаетот на промптирање на филтрираните платформи е инженеринг на еуфемизми, а еуфемизмот е непријател на точната слика.

Затоа има уште една работа за проверка на картичката: дали таа го опишува вистинскиот субјект со обични зборови, а не со оградениот речник што луѓето го учат од филтрираните алатки. Форензичка илустрација на рана треба да каже што е раната. Оградениот јазик насекаде произведува полоша слика, бидејќи моделот исцртува тоа што го велат зборовите.

Способноста и проценката се одделни работи. Shannon Lab LLC го води ова според објавена Политика за одговорна употреба: нефилтрираното генерирање е професионална алатка, а согласноста, правата и законот сè уште важат за тоа што го создаваш.

14Каде се вклопува API-то

Едно појаснување за читателите што доаѓаат од пребарување за API: генерирањето, уредувањето и спојувањето слики живеат во апликацијата за чет Shannon, а не на API-то /v1. API-то послужува текст и вид — може да чита, опишува и анализира слики што му ги испраќаш низ сите три дијалекти (/v1/chat/completions, /v1/messages, /v1/responses, сите со стриминг) — но не ги создава. Ако градиш процес што треба да разбира слики, документацијата за API е местото од каде да почнеш. Ако сакаш да правиш слики, тоа е апликацијата за чет и сè во овој водич важи таму. Сликите се исцртуваат на сопствен GPU кластер.

15Често поставувани прашања

Поврзано читање: Нецензурирано генерирање слики со AI · Нецензурирано уредување слики со AI · Политика за одговорна употреба · API документација · Сите истражувања на Shannon. Насоките овде произлегуваат од нашето сопствено тестирање на Моделот за слики на Shannon; советите напишани за постарите дифузиски стекови обично не се пренесуваат.