Guiden til AI-bildeprompter

De fleste kommer med promptvaner lært på SDXL: en kommaseparert streng av substantiver, en innledning med kvalitetstokens, noen vekter i parentes, og en negativ prompt like lang som den positive. De vanene var riktige for de modellene, og de er kontraproduktive her. Dette er kortversjonen av det som faktisk virker — og fordi Shannon skriver genereringsprompten for deg og viser den før noe rendres, er dette like mye en guide til å lese og korrigere det Shannon foreslår.

01Hvorfor prosa slår tagger: modellen leser som en språkmodell

De eldre diffusjonsmodellene som de fleste promptrådene ble skrevet for, brukte en tekstenkoder som i praksis oppførte seg som en pose med begreper: grammatikken betydde nesten ingenting, og vinnerstrategien var å stable opp relevante substantiver og vekte dem. Taggsuppe var den riktige promptformen for den enkoderen.

Shannons bildemodell fungerer ikke slik. Den leser en prompt slik en språkmodell leser tekst, så syntaksen bærer mening. «Holder en paraply inntil skulderen» er en relasjon mellom en person, et objekt og en kroppsdel; «paraply, skulder» er to ting som tilfeldigvis er til stede. Preposisjoner plasserer ting. Verb skaper positurer. Leddsetninger fester detaljer til riktig substantiv i stedet for å la dem flyte utover hele bildet.

Her er det samme bildet bestilt på begge måter.

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.

Se på hva taggversjonen ikke kan uttrykke. Den sier aldri at paraplyen holdes, så den kan ende opp med å ligge på bakken. Den sier aldri at neonlyset reflekteres i asfalten, bare at begge deler finnes, så du får skilt og en våt gate uten noen optisk relasjon mellom dem. Den sier aldri hvor kvinnen ser, så posituren hennes er myntkast. «Cinematic lighting» er en stemningsetikett, ikke en lyskilde. Og de siste fem tokenene er støy, lest som engelske ord om fotografi snarere enn som kontrollhåndtak.

Prosaversjonen er ikke lengre fordi den er blomstrende. Den er lengre fordi den besvarer spørsmål taggversjonen lot stå åpne. Det er hele trikset.

02Hvor lang bør en bildeprompt være?

Sikt på 30 til 80 ord. Ikke gå særlig over 100. Dette er den enkleste kvalitetsspaken du har tilgjengelig, og begge endene av spennet betyr noe.

Under omtrent 30 ord er komposisjon, lys og innramming uspesifisert, så modellen velger det som er mest statistisk alminnelig. «En kvinne på en kafé» er en gyldig prompt som gir et glemmelig bilde, fordi du delegerte hver eneste interessante beslutning.

Over rundt 100 ord dukker en annen svikt opp: sene ledd konkurrerer med tidlige om de samme områdene av bildet, og i stedet for å bygge opp detaljer får du utvanning. Den tredje lysbeskrivelsen opphever den første, og motivet du etablerte i de første åtte ordene, får mindre relativ oppmerksomhet for hver setning du legger til. Lange prompter leses som grundige. De rendres ikke som grundige.

Disiplinen: skriv prompten du vil ha, og kutt den så ned til de setningene som ville endret bildet hvis de ble fjernet.

03Rekkefølgedisiplinen: det viktigste først

Fordi modellen leser sekvensielt, er posisjon det samme som vektlegging: det som kommer først, forankrer bildet, og det som kommer sist, justerer det. Sett tingene i den rekkefølgen modellen trenger dem:

1. Motiv — hvem eller hva dette bildet er av, konkret.
2. Handling eller positur — hva de gjør, hvordan de holdes.
3. Stil eller stemning — fotografi, oljemaleri, teknisk illustrasjon, og hvilket register det er i.
4. Omgivelser og lys — hvor dette skjer og hvilket lys som faller på det.
5. Teknisk — innramming, objektiv, dybdeskarphet, fargedetaljer.

Det vanligste selvpåførte såret er å begynne med det tekniske leddet. Å åpne med «Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper» forteller modellen at utseendet er motivet og at mannen er en detalj. Du får en nydelig, tom ramme med en liten, utydelig figur i.

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.

Hvert element fra den første versjonen overlever i den andre; ingenting ble droppet. Modellen vet nå ganske enkelt hva bildet er av før den får vite hvordan det skal fotograferes — og den omrokeringen alene flytter motivet fra tilfeldig til sentralt.

04Vær konkret om motivet

«En person» er ikke et motiv, det er en plassholder — og modellen fyller plassholdere med gjennomsnittet av alt den har sett, og det er nøyaktig der det blanke, alderløse, karakterløse utseendet kommer fra. Konkretisering koster fem ord og kjøper deg et bestemt menneske:

Legg merke til mønsteret: alder eller epoke, ett strukturelt trekk, én særpreget ufullkommenhet. Det tredje punktet er det som får et resultat til å føles fotografert snarere enn generert. En avslått tann, en slitt fald, overmalt skilting — små asymmetrier er det sterkeste antiplastikk-signalet som finnes, og de koster nesten ingenting av ordbudsjettet ditt.

05Fotorealisme: skriv forespørselen som et fotografi

Fotorealisme er standardregisteret med mindre du ber om kunst, illustrasjon eller anime. Men ordet «fotorealistisk» gjør lite arbeid. Det som gir et fotografi, er å beskrive selve fotograferingen: et ekte kamera, et ekte objektiv, og en ekte filmtype eller lyskilde.

Grunnen er enkel. Hvert bilde som var merket «Kodak Portra 400», ble laget med en bestemt prosess med en bestemt kornstruktur, høylysavrunding og hudgjengivelse, og å navngi filmtypen henter inn alt sammen. «8k ultra detailed» dukket bare noen gang opp på bildebank-spam, så det henter inn bildebank-spam. Noen pålitelige oppskrifter, som hver gir et tydelig forskjellig bilde av det samme motivet:

Tilpass forankringen til oppskriften — hudtekstur på porenivå betyr ingenting i en 24mm vidvinkel der ansiktet er åtti piksler høyt — og legg den så til. Jordnære detaljer er teksturbevisene på at et objektiv faktisk registrerte dette. Synlige hudporer og fine ansiktshår. Vevet i en linskjorte. Støvkorn i en lysstripe. En skrape på en skinnstøvel. Løse hårstrå mot en lys bakgrunn. To eller tre holder, og de utgjør forskjellen mellom en gjengivelse av en person og et fotografi av en.

06Scener i lag: forgrunn, mellomgrunn, bakgrunn

Når en scene har dybde, beskriver du de tre planene hver for seg og i rekkefølge. Dette er den mest effektive teknikken for bilder som skal føles som steder snarere enn kulisser, og nesten ingen gjør det. Uten det får du flathet: alt prompten nevner, havner omtrent like langt unna, og konkurrerer om det samme midtre båndet i rammen. Å navngi planene gir modellen et dybdebudsjett å bruke.

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.

To forbedringer. Legg noe i forgrunnen som er bevisst uskarpt — ekte fotografier av dype scener har nesten alltid ett, og fraværet er et vanlig avslørende tegn. Og si hvilket plan motivet befinner seg i: hvis budet er poenget med bildet, hører hun hjemme i mellomgrunnen, ellers vil tårnet og kaffekoppen kjempe med henne om rammen.

07Eksakte farger: heksverdier, festet til objekter

For merkevarearbeid, kostymekontinuitet, eller overalt der «rød» ikke er presist nok, skriver du heksverdien som color #RRGGBB og fester den til et navngitt objekt:

...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...

Tre tommelfingerregler. Bruk heksverdier for de to eller tre fargene som virkelig betyr noe, og vanlige ord for resten — en prompt med seks heksverdier bruker mesteparten av budsjettet sitt på fargeprøver. Bind koden til et objekt med kanter, aldri til «lyssettingen» eller «stemningen». Og husk at den angir objektets farge, ikke den endelige pikselverdien: en frakk i #8B0000 i motlys i den gyldne timen rendres varmere enn fargeprøven, nøyaktig som den ville gjort i virkeligheten.

08Å velge bildeformat

Fem formater er tilgjengelige, og det riktige er som regel underforstått av motivet, men en uttrykkelig forespørsel fra deg vinner alltid — be om en bakgrunnsbilde, og du får tall uansett hva innholdet tilsier.

Å bomme på dette er mer skadelig enn det ser ut. En stående helfigur i en wide-ramme gir deg ikke en liten figur i en stor ramme — den gir deg som regel en beskåret en, fordi modellen fyller bredden og hodet eller føttene går ut av rammen. Tilpass rammen til motivets dominerende akse, så forsvinner de fleste komposisjonsklagene.

To atferder verdt å huske: redigering beholder kildebildets bildeformat automatisk, så du kan ikke ramme inn på nytt ved å redigere, mens sammenslåing lar deg velge et nytt lerret — ofte den reneste måten å endre fasongen på noe du allerede har.

09Antimønstre: hva du bør slutte med

Kvalitetstokens: «masterpiece, best quality, 8k, ultra detailed»

Dette var håndtak som miljøet oppdaget for en bestemt, eldre treningsfordeling, der visse bildetekstfraser korrelerte med visse bildekilder. De overføres ikke. Her leses de som helt vanlige engelske ord, bidrar ingenting, og spiser opp en del av et ordbudsjett du allerede har fått vite er trangt. Erstatningen er å si hvilken detalj du vil ha: ikke «ultra detailed», men «visible weave in the coat fabric and fine stubble along the jaw» — samme hensikt, uttrykt som noe modellen kan rendre.

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

Tolkes ikke. Parentesene, klammene, kolonene og tallene lander som ren tekst og gjør, om noe, leddet rundt dem vanskeligere å lese. Vil du legge mer vekt på noe, bruk de to spakene som faktisk virker: flytt det tidligere i prompten, og gi det flere ord. «A crimson silk scarf, its fringed ends lifting in the wind» slår «(red scarf:1.4)» på alle mål som betyr noe.

Motstridende føringer

Å blande uforenlige instruksjoner blander dem ikke sammen; det gir et ustabilt gjennomsnitt som vanligvis tilfredsstiller ingen av dem. De hyppige synderne:

• Medium — «fotorealistisk» pluss «akvarell»; «oljemaleri» pluss «tatt med 85mm». Velg én og stå ved den.
• Innramming — «bredt oversiktsbilde» pluss «ekstrem nærbilde av øynene hennes»; «helfigur» pluss «detaljerte hudporer i ansiktet».
• Lys — «hard middagssol» pluss «mykt gyllent kveldslys»; «low key, dype skygger» pluss «lyst og luftig».
• Epoke — «1970-talls filmestetikk» pluss «moderne minimalistisk» pluss «cyberpunk».
• Stilstabling — fire kunstnere eller fire sjangre på én gang. To beslektede referanser kan fungere; fire opphever hverandre til noe generisk.
• Ordflom — «rustikk, forvitret, eldgammel, tidsmerket tredør» er én idé skrevet fire ganger, og hver gjentakelse utvanner resten av prompten.

10Det finnes ingen negativ prompt i tekst-til-bilde

Dette er antimønsteret som rammer erfarne brukere hardest, fordi den negative prompten var halve håndverket på eldre stakker.

For generering er regelen absolutt og litt kontraintuitiv: å skrive «ingen tekst, ingen vannmerke, ingen ekstra fingre» inn i prompten gjør disse tingene mer sannsynlige, ikke mindre. Modellen leser «ingen tekst» som en setning som inneholder begrepet tekst; nektelse er et svakt signal og substantivet et sterkt. Du har i praksis bedt om tekst. Oppgi alltid den positive formen i stedet:

For redigering og sammenslåing finnes den negative prompten, og du bør bruke den — men til artefakter, ikke til innhold. Godt materiale: vannmerke, tekstoverlegg, doble lemmer, forvridde hender, glorier fra overskjerping, JPEG-blokker, sømlinjer langs en sammensatt kant. Dårlig materiale: alt som handler om hva bildet er av, som hører hjemme i instruksjonen.

11Å lese prompten Shannon skriver for deg

Her er det som gjør denne guiden umiddelbart brukbar snarere enn teoretisk. Du trenger ikke å skrive genereringsprompten selv. Du spør på vanlig språk, på hvilket som helst språk; Shannon gjenkjenner at det bes om et bilde, setter sammen den engelske genereringsprompten, og viser den til deg på et bekreftelseskort før noe rendres. Ingenting genereres og ingenting faktureres før du bekrefter.

Så ferdigheten som lønner seg mest, er ikke å skrive prompter fra bunnen av — det er å lese den som står på kortet. Gå gjennom denne listen:

1. Er motivet konkret? Hvis kortet sier «a person» eller «a woman», har du funnet den enkeltstående største forbedringen som er tilgjengelig. Gi det en alder, en kroppsbygning, et trekk.
2. Kommer motivet først? Hvis prompten åpner med en stil eller et kamera, be om at den heller innleder med motivet.
3. Er den innenfor spennet? Under 30 ord, be om mer presisjon på lys og omgivelser. Over 100, be om at den kuttes.
4. Finnes det en lyskilde? Ikke et stemningsord — et faktisk lys: vindu, gatelykt, blits, overskyet himmel, softboks.
5. Noen konflikter? Se etter to medier, to innramminger eller to lysforhold i den samme prompten.
6. Noen innsmuglede nektelser? Hvis kortet inneholder «without», «no» eller «avoid», er det en tekst-til-bilde-prompt som ber om nettopp det den navngir.
7. Passer formatet til motivet? Helfigur i wide er den klassiske feilmatchen.

Korrigeringer er samtalebaserte: «gjør henne til begynnelsen av trettiårene med et arr gjennom det ene øyenbrynet, ta det på Portra med 85mm, og bruk portrait» er en helt god instruksjon. Du får et nytt kort og bekrefter det i stedet. Det er ingen straff for å iterere, fordi ingenting har rendret ennå.

Og Shannon genererer ikke uoppfordret. En hilsen, et spørsmål eller et bilde du legger ved for å diskutere det, utløser ingen rendring. Å be Shannon se på et bilde — beskrive det, lese det, analysere det — er vanlig synsarbeid, ikke generering, og koster ingenting ekstra.

12Hvordan håndverket endrer seg ved redigering og sammenslåing

Reglene over er skrevet for generering. To tilgrensende moduser endrer promptens form.

Redigering av ett bilde

En redigeringsprompt er en instruksjon, ikke en beskrivelse: si hva som endres og hva som blir stående. Å navngi de uendrede delene er den enkeltstående største kvalitetsspaken i produktet — «Endre bakgrunnen til en regnvåt bygate om natten med neonrefleksjoner, behold kvinnen nøyaktig som hun er» holder sammen der den samme forespørselen uten det leddet stille tegner om ansiktet hennes. Vær konkret om forankringen: behold ansiktet, posituren, håret og klærne identiske. Nøyaktig ett kildebilde brukes, og resultatet beholder bildeformatet fra det.

Sammenslåing av to eller flere bilder

Når elementer kommer fra mer enn ett bilde — overføring av antrekk, et objekt inn i en scene, to personer i samme ramme, produkt-på-person, en stil fra ett bilde med et motiv fra et annet — må prompten navngi rollen til hvert bilde, i rekkefølge: «Kvinnen fra det første bildet iført den røde strikkegenseren fra det andre bildet, stående i den samme parken.» Det første bildet er hovedmotivet eller scenen; senere bilder leverer delene som hentes inn. Ikke slå sammen en flerbildeforespørsel til én kilde pluss en tekstbeskrivelse — det å slå sammen de virkelige bildene er det som bevarer hvordan de tingene faktisk ser ut.

13Usensurert prompting: si det du mener

Det finnes ingen innholdsfilter på genereringsveien og ingen avvisningslag på modellen som skriver prompten. Det er hele poenget med produktet: filtrerte generatorer avviser rutinemessig legitimt arbeid — kunstnerisk akt, medisinsk og rettsmedisinsk illustrasjon, bilder til sikkerhetsforskning, vold i fiksjon, politisk satire, merkevare- og likhetsarbeid utført av rettighetshaveren. Halve prompthåndverket på filtrerte plattformer er eufemismeteknikk, og eufemismer er fienden til et presist bilde.

Så det er én ting til å sjekke på kortet: at det beskriver det faktiske motivet med rene ord, snarere enn med det forbeholdne ordforrådet folk lærer seg av filtrerte verktøy. En rettsmedisinsk illustrasjon av et sår bør si hva såret er. Forbeholdent språk gir et dårligere bilde overalt, fordi modellen rendrer det ordene sier.

Evne og vurdering er to forskjellige ting. Shannon Lab LLC driver dette under en publisert policy for ansvarlig bruk: ufiltrert generering er et profesjonelt verktøy, og samtykke, rettigheter og loven gjelder fortsatt for det du lager.

14Hvor API-et passer inn

Ett presisjonspoeng for lesere som kommer fra et API-søk: bildegenerering, bilderedigering og sammenslåing bor i Shannon-chatappen, ikke på /v1-API-et. API-et betjener tekst og syn — det kan lese, beskrive og analysere bilder du sender det, på tvers av alle tre dialektene (/v1/chat/completions, /v1/messages, /v1/responses, alle med strømming) — men det lager dem ikke. Bygger du en pipeline som må forstå bilder, er API-dokumentasjonen stedet å begynne. Vil du lage bilder, er det chatappen, og alt i denne guiden gjelder der. Bilder rendres på vår egen GPU-klynge.

15Ofte stilte spørsmål

Videre lesning: Usensurert AI-bildegenerering · Usensurert AI-bilderedigering · Policy for ansvarlig bruk · API-dokumentasjon · All Shannon-forskning. Rådene her bygger på vår egen testing av Shannons bildemodell; råd skrevet for tidligere diffusjonsstakker overføres som regel ikke.