Ghidul de prompturi pentru imagini AI

Cei mai mulți oameni ajung aici cu obiceiuri de promptuire învățate pe SDXL: un șir de substantive separate prin virgulă, un preambul de tokenuri de calitate, câteva ponderi între paranteze și un prompt negativ la fel de lung ca cel pozitiv. Obiceiurile acelea erau corecte pentru modelele acelea și sunt contraproductive aici. Aceasta e varianta scurtă a ceea ce chiar funcționează — și, pentru că Shannon scrie promptul de generare în locul tău și ți-l arată înainte să se randeze ceva, e în egală măsură un ghid de citire și corectare a ceea ce îți propune Shannon.

01De ce proza bate etichetele: modelul citește ca un model de limbaj

Modelele de difuzie mai vechi, pentru care a fost scris aproape tot sfatul de promptuire existent, foloseau un encoder de text care se comporta, practic, ca un sac de concepte: gramatica aproape că nu conta, iar strategia câștigătoare era să îngrămădești substantive relevante și să le înclini cu ponderi. Supa de etichete era forma corectă de prompt pentru encoderul acela.

Modelul de Imagini al Shannon nu funcționează așa. Citește un prompt așa cum un model de limbaj citește text, deci sintaxa poartă sens. „Ținând o umbrelă sprijinită de umăr” e o relație între o persoană, un obiect și o parte a corpului; „umbrelă, umăr” sunt două lucruri care se întâmplă să fie prezente. Prepozițiile așază lucrurile. Verbele creează poziții. Propozițiile subordonate atașează detaliul substantivului potrivit, în loc să îl lase să plutească peste toată imaginea.

Iată aceeași imagine cerută în ambele feluri.

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.

Uită-te la ce nu poate exprima varianta cu etichete. Nu spune niciodată că umbrela e ținută, deci ea poate ajunge să zacă pe jos. Nu spune niciodată că neonul se reflectă în asfalt, doar că amândouă există, așa că obții firme și o stradă udă, fără nicio relație optică între ele. Nu spune niciodată unde se uită femeia, deci poziția ei e un dat cu banul. „Cinematic lighting” e o etichetă de atmosferă, nu o sursă de lumină. Iar ultimele cinci tokenuri sunt zgomot, citite ca niște cuvinte englezești despre fotografie, nu ca mânere de control.

Varianta în proză nu e mai lungă pentru că e înflorită. E mai lungă pentru că răspunde la întrebări pe care varianta cu etichete le-a lăsat deschise. În asta constă tot trucul.

02Cât de lung ar trebui să fie un prompt de imagine?

Țintește între 30 și 80 de cuvinte. Nu trece mult peste 100. E cea mai simplă pârghie de calitate pe care o ai la dispoziție și ambele capete ale intervalului contează.

Sub vreo 30 de cuvinte, compoziția, lumina și încadrarea rămân nespecificate, așa că modelul alege ce e statistic cel mai obișnuit. „O femeie într-o cafenea” e un prompt valid care produce o imagine care nu îți rămâne în minte, pentru că ai delegat fiecare decizie interesantă.

Peste vreo 100 de cuvinte apare un eșec diferit: propozițiile târzii concurează cu cele timpurii pentru aceleași regiuni ale imaginii și, în loc să acumulezi detaliu, obții diluție. A treia descriere a luminii o desface pe prima, iar subiectul pe care l-ai stabilit în primele opt cuvinte primește tot mai puțină atenție relativă cu fiecare propoziție adăugată. Prompturile lungi se citesc ca fiind riguroase. Nu se randează ca fiind riguroase.

Disciplina: scrie promptul pe care îl vrei, apoi taie-l până la propozițiile care ar schimba imaginea dacă ar fi scoase.

03Disciplina ordinii: lucrul cel mai important, primul

Pentru că modelul citește secvențial, poziția înseamnă accent: ce vine primul ancorează imaginea, ce vine ultimul o ajustează. Pune lucrurile în ordinea în care modelul are nevoie de ele:

1. Subiect — cine sau ce se află în imagine, concret.
2. Acțiune sau poziție — ce face, cum stă.
3. Stil sau atmosferă — fotografie, pictură în ulei, ilustrație tehnică, și registrul în care e.
4. Cadru și iluminare — unde se petrece asta și ce lumină cade peste ea.
5. Tehnic — încadrare, obiectiv, adâncime de câmp, precizări de culoare.

Rana cel mai des autoprovocată e să începi cu partea tehnică. Dacă deschizi cu „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper”, îi spui modelului că aspectul e subiectul, iar bărbatul e un detaliu. Obții un cadru superb și gol, cu o siluetă mică și nedeslușită în el.

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.

Fiecare element din prima variantă supraviețuiește în a doua; nimic nu a fost aruncat. Modelul știe pur și simplu acum despre ce e imaginea înainte să i se spună cum să o filmeze — iar reordonarea asta, singură, mută subiectul din periferic în central.

04Fii concret în privința subiectului

„O persoană” nu e un subiect, e un substituent — iar modelul umple substituenții cu media a tot ce a văzut, exact de unde vine acel aspect lucios, fără vârstă și fără caracter. Concretețea costă cinci cuvinte și îți cumpără o ființă umană anume:

Observă tiparul: vârstă sau epocă, o trăsătură structurală, o imperfecțiune distinctivă. Al treilea element e cel care face rezultatul să pară fotografiat, nu generat. Un dinte ciobit, un tiv uzat, o firmă acoperită de vopsea — asimetriile mici sunt cel mai puternic semnal anti-plastic disponibil și nu costă aproape nimic din bugetul tău de cuvinte.

05Fotorealism: formulează cererea ca pe o fotografie

Fotorealismul e registrul implicit, cu excepția cazului în care ceri artă, ilustrație sau anime. Dar cuvântul „fotorealistic” face prea puțin. Ce produce o fotografie e descrierea actului fotografic: o cameră reală, un obiectiv real și o peliculă reală sau o sursă de lumină reală.

Motivul e simplu. Fiecare imagine descrisă drept „Kodak Portra 400” a fost făcută printr-un proces anume, cu o structură de grăunte anume, o atenuare a luminilor anume și o redare a pielii anume, iar numirea peliculei recrutează tot pachetul. „8k ultra detailed” a apărut doar în spamul de pe site-urile de stock, deci recrutează spam de pe site-uri de stock. Câteva rețete de încredere, fiecare producând o imagine net diferită a aceluiași subiect:

Potrivește ancorarea cu rețeta — textura pielii la nivel de pori nu înseamnă nimic într-un cadru larg de 24mm, în care fața are optzeci de pixeli înălțime — și apoi adaug-o. Detaliul de ancorare este dovada de textură că un obiectiv chiar a înregistrat scena. Pori vizibili și fire fine de păr facial. Țesătura unei cămăși de in. Fire de praf într-un fascicul de lumină. O zgârietură pe o cizmă de piele. Fire de păr răzlețe pe un fundal luminos. Două sau trei sunt de ajuns și fac diferența dintre randarea unei persoane și fotografia unei persoane.

06Scene stratificate: prim-plan, plan median, fundal

Când o scenă are adâncime, descrie cele trei planuri separat și în ordine. E cea mai eficientă tehnică pentru imagini care ar trebui să pară locuri, nu decoruri, și aproape nimeni nu o folosește. Fără ea obții platitudine: tot ce menționează promptul ajunge cam la aceeași distanță, concurând pentru aceeași bandă de mijloc a cadrului. Numirea planurilor îi dă modelului un buget de adâncime pe care să îl cheltuiască.

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.

Două rafinări. Pune în prim-plan ceva care e deliberat în afara focusului — fotografiile reale ale scenelor adânci au aproape întotdeauna așa ceva, iar absența lui e un semn frecvent că imaginea e generată. Și spune ce plan ocupă subiectul: dacă poștașa pe bicicletă e miezul imaginii, locul ei e în planul median, altfel turnul și paharul de cafea se vor bate cu ea pe cadru.

07Culori exacte: coduri hex, atașate obiectelor

Pentru muncă de brand, continuitate de costum sau oriunde „roșu” nu e destul de precis, scrie codul hex sub forma color #RRGGBB și atașează-l unui obiect numit:

...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...

Trei reguli practice. Folosește hexul pentru cele două-trei culori care contează cu adevărat și cuvinte simple pentru rest — un prompt cu șase coduri hex își cheltuiește mai tot bugetul pe mostre de vopsea. Leagă codul de un obiect cu margini, niciodată de „iluminare” sau „atmosferă”. Și ține minte că el specifică culoarea obiectului, nu valoarea finală a pixelului: o haină #8B0000 în lumină de contre la ora de aur se randează mai cald decât mostra, exact cum s-ar întâmpla în realitate.

08Alegerea raportului de aspect

Sunt disponibile cinci rapoarte, iar cel potrivit e de obicei sugerat de subiect, dar o cerere explicită din partea ta câștigă întotdeauna — ceri un fundal de telefon și primești tall, indiferent ce sugerează conținutul.

Să greșești aici e mai dăunător decât pare. O figură în picioare, din cap până în picioare, într-un cadru wide nu îți dă o siluetă mică într-un cadru mare — de obicei îți dă una tăiată, pentru că modelul umple lățimea, iar capul sau picioarele ies din cadru. Potrivește cadrul cu axa dominantă a subiectului și mai toate reclamațiile legate de compoziție dispar.

Două comportamente de reținut: editarea păstrează automat raportul de aspect al imaginii sursă, deci nu poți reîncadra prin editare, în timp ce combinarea îți lasă să alegi o pânză nouă — adesea cel mai curat mod de a schimba forma a ceva ce ai deja.

09Antipatternuri: la ce să renunți

Tokenuri de calitate: „masterpiece, best quality, 8k, ultra detailed”

Acestea erau mânere descoperite de comunitate pentru o distribuție de antrenament mai veche, în care anumite formulări din descrieri se corelau cu anumite surse de imagini. Nu se transferă. Aici sunt citite ca niște cuvinte englezești obișnuite, nu contribuie cu nimic și mănâncă o parte dintr-un buget de cuvinte despre care ți s-a spus deja că e strâns. Înlocuitorul e să spui care detaliu îl vrei: nu „ultra detailed”, ci „țesătură vizibilă în materialul hainei și barbă nerasă fină de-a lungul maxilarului” — aceeași intenție, exprimată ca ceva ce modelul poate randa.

Sintaxa de ponderi: (word:1.3), [word], {{word}}

Nu e interpretată. Parantezele, parantezele drepte, două puncte și numerele ajung ca text literal și, dacă fac ceva, fac propoziția din jur mai greu de citit. Dacă vrei mai mult accent pe ceva, folosește cele două pârghii care chiar funcționează: mută-l mai devreme în prompt și dă-i mai multe cuvinte. „Un fular de mătase stacojiu, cu franjurii ridicați de vânt” cântărește mai greu decât „(red scarf:1.4)” după orice măsură care contează.

Indicații contradictorii

Amestecarea unor instrucțiuni incompatibile nu le combină; produce o medie instabilă, care de obicei nu satisface niciuna. Vinovații frecvenți:

• Mediu — „photorealistic” plus „watercolor”; „oil painting” plus „shot on 85mm”. Alege unul și ține-te de el.
• Încadrare — „wide establishing shot” plus „extreme close-up on her eyes”; „full body” plus „detailed facial pores”.
• Iluminare — „harsh midday sun” plus „soft golden hour glow”; „low key, deep shadows” plus „bright and airy”.
• Epocă — „1970s film aesthetic” plus „modern minimalist” plus „cyberpunk”.
• Stivuirea stilurilor — patru artiști sau patru genuri deodată. Două referințe înrudite pot funcționa; patru se anulează în generic.
• Împrăștiere — „rustic, weathered, ancient, timeworn wooden door” e o singură idee scrisă de patru ori, iar fiecare repetiție diluează restul promptului.

10Nu există prompt negativ în text-to-image

Acesta e antipatternul care îi prinde cel mai tare pe utilizatorii experimentați, pentru că pe stivele mai vechi promptul negativ era jumătate din meșteșug.

Pentru generare, regula e absolută și ușor contraintuitivă: dacă scrii „fără text, fără filigran, fără degete în plus” în prompt, lucrurile acelea devin mai probabile, nu mai puțin. Modelul citește „fără text” ca pe o propoziție care conține conceptul text; negația e un semnal slab, iar substantivul e unul puternic. Practic ai cerut text. Formulează întotdeauna în schimb varianta pozitivă:

Pentru editare și combinare promptul negativ există și ar trebui să îl folosești — dar pentru artefacte, nu pentru conținut. Material bun: filigran, text suprapus, membre duplicate, mâini deformate, halouri de supraclarificare, blocuri JPEG, linii de îmbinare de-a lungul unei margini compozite. Material prost: orice ține de ce reprezintă imaginea, lucru care aparține instrucțiunii.

11Cum citești promptul pe care Shannon îl scrie pentru tine

Iată ce face acest ghid imediat utilizabil, nu teoretic. Nu trebuie să scrii tu însuți promptul de generare. Ceri în limbaj obișnuit, în orice limbă; Shannon recunoaște că se cere o imagine, compune promptul de generare în engleză și ți-l arată pe un card de confirmare înainte să se randeze ceva. Nu se generează nimic și nu se facturează nimic până nu confirmi.

Așa că abilitatea cu cel mai mare randament nu e să scrii prompturi de la zero — e să îl citești pe cel de pe card. Parcurge lista asta:

1. E subiectul concret? Dacă pe card scrie „o persoană” sau „o femeie”, ai găsit cea mai mare îmbunătățire disponibilă. Dă-i o vârstă, o constituție, o trăsătură.
2. E subiectul primul? Dacă promptul se deschide cu un stil sau o cameră, cere-i să înceapă în schimb cu subiectul.
3. E în interval? Sub 30 de cuvinte, cere mai multă precizie pe lumină și cadru. Peste 100, cere să fie scurtat.
4. Există o sursă de lumină? Nu un cuvânt de atmosferă — o lumină reală: fereastră, felinar, blitz, cer acoperit, softbox.
5. Există contradicții? Caută două medii, două încadrări sau două condiții de iluminare în același prompt.
6. Există negații strecurate? Dacă pe card apar „fără”, „nu” sau „evită”, e un prompt text-to-image care cere exact lucrul pe care îl numește.
7. E raportul potrivit pentru subiect? O figură din cap până în picioare în wide e nepotrivirea clasică.

Corecturile se fac conversațional: „fă-o de vreo treizeci de ani, cu o cicatrice printr-o sprânceană, fotografiaz-o pe Portra la 85mm și folosește portrait” e o instrucțiune perfect bună. Primești un card nou și îl confirmi pe acela. Nu există nicio penalizare pentru iterare, pentru că încă nu s-a randat nimic.

Iar Shannon nu generează neinvitat. Un salut, o întrebare sau o poză pe care o atașezi ca să discutați despre ea nu declanșează o randare. Dacă îi ceri lui Shannon să se uite la o imagine — să o descrie, să o citească, să o analizeze — asta e muncă obișnuită de viziune, nu generare, și nu costă nimic în plus.

12Cum se schimbă meșteșugul la editare și combinare

Regulile de mai sus sunt scrise pentru generare. Două moduri învecinate schimbă forma promptului.

Editarea unei imagini

Un prompt de editare e o instrucțiune, nu o descriere: spune ce se schimbă și ce rămâne. Numirea părților neschimbate e cea mai mare pârghie de calitate din produs — „Schimbă fundalul într-o stradă de oraș ploioasă, noaptea, cu reflexii de neon, păstrează femeia exact așa cum e” ține, pe când aceeași cerere fără propoziția aceea îi redesenează pe tăcute fața. Fii precis în privința ancorei: păstrează identice fața, poziția, părul și hainele. Se folosește exact o singură imagine sursă, iar rezultatul își păstrează raportul de aspect.

Combinarea a două sau mai multe imagini

Ori de câte ori elementele vin din mai multe imagini — transfer de ținută, un obiect într-o scenă, două persoane într-un singur cadru, produs pe persoană, un stil dintr-o imagine cu un subiect din alta — promptul trebuie să numească rolul fiecărei imagini, în ordine: „Femeia din prima imagine purtând puloverul tricotat roșu din a doua imagine, stând în același parc.” Prima imagine e subiectul sau scena principală; imaginile ulterioare furnizează părțile aduse înăuntru. Nu comprima o cerere cu mai multe imagini într-o singură sursă plus o descriere textuală — tocmai combinarea imaginilor reale e cea care păstrează felul în care arată efectiv acele lucruri.

13Promptuire fără cenzură: spune ce vrei să spui

Nu există niciun filtru de conținut pe traseul de generare și niciun strat de refuz pe modelul care scrie promptul. Asta e toată ideea produsului: generatoarele filtrate refuză în mod curent muncă legitimă — nuduri artistice, ilustrație medicală și criminalistică, imagini pentru cercetarea de securitate, violență în ficțiune, satiră politică, muncă de brand și asemănare făcută de deținătorul drepturilor. Jumătate din meșteșugul de promptuire pe platformele filtrate e inginerie de eufemisme, iar eufemismul e dușmanul unei imagini exacte.

Deci mai e ceva de verificat pe card: că descrie subiectul real în cuvinte simple, nu în vocabularul precaut pe care oamenii îl învață de la uneltele filtrate. O ilustrație criminalistică a unei răni ar trebui să spună ce e rana. Limbajul precaut produce o imagine mai proastă peste tot, pentru că modelul randează ce spun cuvintele.

Capacitatea și judecata sunt lucruri separate. Shannon Lab LLC operează asta sub o Politică de utilizare responsabilă publicată: generarea nefiltrată e o unealtă profesională, iar consimțământul, drepturile și legea se aplică în continuare la tot ce faci.

14Unde se potrivește API-ul

O precizare pentru cititorii veniți dintr-o căutare despre API: generarea, editarea și combinarea de imagini trăiesc în aplicația de chat Shannon, nu în API-ul /v1. API-ul servește text și viziune — poate citi, descrie și analiza imaginile pe care i le trimiți, în toate cele trei dialecte (/v1/chat/completions, /v1/messages, /v1/responses, toate cu streaming) — dar nu le creează. Dacă construiești un flux care are nevoie să înțeleagă imagini, documentația API e locul de unde să pornești. Dacă vrei să faci imagini, aceea e aplicația de chat, iar tot ce e în acest ghid se aplică acolo. Imaginile se randează pe propriul nostru cluster GPU.

15Întrebări frecvente

Lecturi conexe: Generare de imagini AI fără cenzură · Editare de imagini AI fără cenzură · Politica de utilizare responsabilă · Documentația API · Toată cercetarea Shannon. Îndrumările de aici provin din testarea noastră a Modelului de Imagini al Shannon; sfaturile scrise pentru stive de difuzie mai vechi în general nu se transferă.