Sprievodca AI promptmi pre obrázky

Väčšina ľudí prichádza s návykmi naučenými na SDXL: reťazec podstatných mien oddelených čiarkami, úvod zo slov o kvalite, pár váh v zátvorkách a negatívny prompt rovnako dlhý ako ten pozitívny. Tieto návyky boli pre dané modely správne a tu sú kontraproduktívne. Toto je krátka verzia toho, čo naozaj funguje — a keďže Shannon píše prompt na generovanie za vás a ukáže ho skôr, než sa čokoľvek vykreslí, je to rovnako sprievodca čítaním a opravovaním toho, čo Shannon navrhne.

01Prečo próza poráža značky: model číta ako jazykový model

Staršie difúzne modely, pre ktoré bola písaná väčšina rád o promptoch, používali textový enkodér, ktorý sa v praxi správal ako vrece pojmov: na gramatike takmer nezáležalo a víťaznou stratégiou bolo nakopiť relevantné podstatné mená a nakloniť ich váhami. Polievka zo značiek bola pre taký enkodér správnym tvarom promptu.

Obrazový model Shannonu takto nefunguje. Číta prompt tak, ako jazykový model číta text, takže syntax nesie význam. „Drží dáždnik opretý o rameno“ je vzťah medzi človekom, predmetom a časťou tela; „dáždnik, rameno“ sú dve veci, ktoré tam zhodou okolností sú. Predložky veci umiestňujú. Slovesá vytvárajú pózy. Vety pripájajú detail k správnemu podstatnému menu namiesto toho, aby ho nechali plávať po celom obrázku.

Tu je ten istý obrázok vypýtaný oboma spôsobmi.

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.

Pozrite sa, čo verzia so značkami nedokáže vyjadriť. Nikdy nehovorí, že dáždnik je držaný, takže môže skončiť položený na zemi. Nikdy nehovorí, že neón sa odráža v asfalte, len že oboje existuje, takže dostanete nápisy a mokrú ulicu bez akéhokoľvek optického vzťahu medzi nimi. Nikdy nehovorí, kam sa žena pozerá, takže jej póza je hod mincou. „Filmové osvetlenie“ je označenie nálady, nie zdroj svetla. A posledných päť slov je šum, prečítaný ako anglické slová o fotografii, nie ako ovládacie páky.

Prozaická verzia nie je dlhšia preto, že je kvetnatá. Je dlhšia preto, že odpovedá na otázky, ktoré verzia so značkami nechala otvorené. V tom spočíva celý trik.

02Aký dlhý má byť prompt pre obrázok?

Mierte na 30 až 80 slov. Nechoďte výrazne nad 100. Toto je najjednoduchšia páka kvality, akú máte k dispozícii, a záleží na oboch koncoch rozsahu.

Pod približne 30 slov ostáva kompozícia, svetlo a záber neurčené, takže model si vyberie to, čo je štatisticky najbežnejšie. „Žena v kaviarni“ je platný prompt, ktorý vytvorí nezapamätateľný obrázok, pretože ste delegovali každé zaujímavé rozhodnutie.

Nad zhruba 100 slov sa objavuje iné zlyhanie: neskoré vety súperia so skorými o tie isté oblasti obrázka a namiesto nabaľovania detailu dostanete zriedenie. Tretí opis osvetlenia ruší prvý a objekt, ktorý ste ustanovili v prvých ôsmich slovách, dostáva s každou pridanou vetou relatívne menej pozornosti. Dlhé prompty pôsobia dôkladne. Nevykreslia sa dôkladne.

Disciplína: napíšte prompt, aký chcete, a potom ho skráťte na vety, ktoré by po odstránení zmenili obrázok.

03Disciplína poradia: najdôležitejšia vec na začiatok

Keďže model číta postupne, poloha je dôraz: čo príde prvé, ukotvuje obrázok, čo príde posledné, ho doladí. Usporiadajte veci v poradí, v akom ich model potrebuje:

1. Objekt — kto alebo čo je na tomto obrázku, konkrétne.
2. Dej alebo póza — čo robí, ako je držaný.
3. Štýl alebo nálada — fotografia, olejomaľba, technická ilustrácia a poloha, v ktorej sa nachádza.
4. Prostredie a osvetlenie — kde sa to deje a aké svetlo naň dopadá.
5. Technika — záber, objektív, hĺbka ostrosti, farebné špecifiká.

Najčastejšie sebazranenie je začať technickou časťou. Otvorenie slovami „Filmový celok, anamorfný odlesk objektívu, modro-oranžový grading, muža čítajúceho noviny“ hovorí modelu, že objektom je vzhľad a muž je detail. Dostanete nádherný, prázdny záber s malou nezreteľnou postavou.

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.

Každý prvok z prvej verzie prežíva aj v druhej; nič sa nevynechalo. Model teraz jednoducho vie, o čom obrázok je, skôr než mu povieme, ako ho nasnímať — a už len toto prehodenie posúva objekt z okrajového na ústredný.

04Buďte konkrétni pri objekte

„Osoba“ nie je objekt, je to zástupný symbol — a model zástupné symboly vypĺňa priemerom všetkého, čo videl, čo je presne tam, odkiaľ pochádza ten hladký, bezvekový, bezcharakterný vzhľad. Konkrétnosť stojí päť slov a kúpi vám konkrétnu ľudskú bytosť:

Všimnite si vzorec: vek alebo doba, jedna štrukturálna črta, jedna odlišujúca nedokonalosť. Práve tá tretia položka spôsobí, že výsledok pôsobí odfotený, nie vygenerovaný. Odštiepený zub, obnosený lem, pretretý nápis — malé asymetrie sú najsilnejším dostupným signálom proti plastovému vzhľadu a z vášho rozpočtu slov stoja takmer nič.

05Fotorealizmus: napíšte požiadavku ako fotografiu

Fotorealizmus je predvolená poloha, pokiaľ nepožiadate o umenie, ilustráciu alebo anime. Slovo „fotorealistický“ však urobí málo práce. Fotografiu vytvorí opis samotného aktu fotografovania: skutočný fotoaparát, skutočný objektív a skutočný film alebo zdroj svetla.

Dôvod je priamočiary. Každý obrázok s popisom „Kodak Portra 400“ vznikol konkrétnym procesom s konkrétnou štruktúrou zrna, konkrétnym priebehom svetiel a konkrétnym podaním pleti a pomenovanie filmu privolá to všetko. „8k ultra detailed“ sa vyskytovalo len v spame stránok so stock fotkami, takže privolá spam zo stock stránok. Niekoľko spoľahlivých receptov, z ktorých každý dá zreteľne odlišný obrázok toho istého objektu:

Zlaďte ukotvenie s receptom — textúra pleti na úrovni pórov nič neznamená v 24mm celku, kde je tvár osemdesiat pixelov vysoká — a až potom ho pridajte. Ukotvujúci detail je dôkaz textúry, že toto naozaj zaznamenal objektív. Viditeľné póry a jemné chĺpky na tvári. Väzba ľanovej košele. Prachové čiastočky v prúde svetla. Odrenina na koženej čižme. Odstávajúce vlasy proti svetlému pozadiu. Dva alebo tri stačia a sú rozdielom medzi vykreslením človeka a jeho fotografiou.

06Vrstvené scény: popredie, stredný plán, pozadie

Keď má scéna hĺbku, opíšte tri plány osobitne a v poradí. Toto je najúčinnejšia technika pre obrázky, ktoré majú pôsobiť ako miesta, nie ako kulisy, a takmer nikto ju nepoužíva. Bez nej dostanete plochosť: všetko, čo prompt spomína, pristane približne v rovnakej vzdialenosti a súperí o rovnaký stredný pás záberu. Pomenovanie plánov dáva modelu rozpočet hĺbky, ktorý môže minúť.

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.

Dve spresnenia. Umiestnite do popredia niečo, čo je zámerne rozostrené — skutočné fotografie hlbokých scén ho takmer vždy majú a jeho absencia je bežná stopa. A povedzte, ktorý plán objekt zaberá: ak je kuriérka zmyslom obrázka, patrí do stredného plánu, inak sa s ňou budú veža a šálka kávy biť o záber.

07Presné farby: hex kódy pripojené k objektom

Pri práci so značkou, pri kontinuite kostýmov alebo všade tam, kde „červená“ nie je dosť presná, napíšte hex kód ako color #RRGGBB a pripojte ho k pomenovanému objektu:

...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...

Tri praktické pravidlá. Hex použite pre dve či tri farby, na ktorých naozaj záleží, a pre zvyšok bežné slová — prompt so šiestimi hex kódmi minie väčšinu rozpočtu na vzorkovník. Kód viažte na objekt s obrysmi, nikdy na „osvetlenie“ či „náladu“. A pamätajte, že určuje farbu objektu, nie výslednú hodnotu pixelov: kabát v #8B0000 v protisvetle zlatej hodiny sa vykreslí teplejšie než vzorka, presne ako by to bolo v skutočnosti.

08Voľba pomeru strán

K dispozícii je päť pomerov a ten správny zvyčajne vyplýva z objektu, no vaša výslovná požiadavka vždy vyhráva — vypýtajte si tapetu a dostanete tall bez ohľadu na to, čo naznačuje obsah.

Pokaziť to je škodlivejšie, než sa zdá. Postava v celej výške v zábere wide vám nedá malú postavu vo veľkom zábere — zvyčajne vám dá orezanú, pretože model vyplní šírku a hlava alebo nohy vypadnú zo záberu. Zlaďte záber s dominantnou osou objektu a väčšina sťažností na kompozíciu zmizne.

Dve správania, ktoré sa oplatí pamätať: úprava automaticky zachováva pomer strán zdrojového obrázka, takže úpravou nemôžete prerámovať, kým skladanie vám umožní zvoliť nové plátno — často najčistejší spôsob, ako zmeniť tvar niečoho, čo už máte.

09Chybné vzorce: čo prestať robiť

Slová o kvalite: „masterpiece, best quality, 8k, ultra detailed“

Boli to komunitou objavené páky pre konkrétne staršie tréningové rozdelenie, v ktorom určité frázy z popisov korelovali s určitými zdrojmi obrázkov. Neprenášajú sa. Tu sa čítajú ako bežné anglické slová, neprinášajú nič a ujedajú z rozpočtu slov, o ktorom vám už bolo povedané, že je tesný. Náhradou je povedať, ktorý detail chcete: nie „ultra detailed“, ale „viditeľná väzba látky kabáta a jemné strnisko pozdĺž čeľuste“ — rovnaký zámer vyjadrený ako niečo, čo model dokáže vykresliť.

Syntax váh: (word:1.3), [word], {{word}}

Nespracúva sa. Zátvorky, dvojbodky a čísla dopadnú ako doslovný text a ak vôbec niečo, sťažia čítanie okolitej vety. Ak chcete na niečo dať väčší dôraz, použite dve páky, ktoré fungujú: posuňte to vyššie v prompte a venujte tomu viac slov. „Karmínová hodvábna šatka, ktorej strapcové konce nadnáša vietor“ prevažuje „(red scarf:1.4)“ podľa každého merítka, na ktorom záleží.

Protirečivé pokyny

Miešanie nezlučiteľných pokynov ich nespojí; vytvorí nestabilný priemer, ktorý zvyčajne neuspokojí ani jeden. Časté hriechy:

• Médium — „fotorealistické“ plus „akvarel“; „olejomaľba“ plus „nasnímané na 85mm“. Vyberte si jedno a držte sa ho.
• Záber — „široký ustanovujúci záber“ plus „extrémny detail na jej oči“; „celá postava“ plus „detailné póry na tvári“.
• Osvetlenie — „ostré poludňajšie slnko“ plus „mäkká žiara zlatej hodiny“; „nízky kľúč, hlboké tiene“ plus „svetlé a vzdušné“.
• Doba — „filmová estetika 70. rokov“ plus „moderný minimalizmus“ plus „kyberpunk“.
• Vrstvenie štýlov — štyria autori alebo štyri žánre naraz. Dve príbuzné referencie môžu fungovať; štyri sa vyrušia do všeobecnosti.
• Rozvláčnosť — „rustikálne, zvetrané, staré, časom obnosené drevené dvere“ je jedna myšlienka napísaná štyrikrát a každé opakovanie riedi zvyšok promptu.

10Pri texte na obrázok neexistuje negatívny prompt

Toto je chyba, ktorá najtvrdšie zaskočí skúsených používateľov, pretože v starších systémoch bol negatívny prompt polovicou remesla.

Pre generovanie je pravidlo absolútne a mierne neintuitívne: napísať do promptu „žiadny text, žiadny vodoznak, žiadne prsty navyše“ robí tieto veci pravdepodobnejšími, nie menej pravdepodobnými. Model číta „žiadny text“ ako vetu obsahujúcu pojem text; negácia je slabý signál a podstatné meno je silný. V skutočnosti ste si vypýtali text. Namiesto toho vždy uveďte kladnú podobu:

Pri úprave a skladaní negatívny prompt existuje a mali by ste ho použiť — ale na artefakty, nie na obsah. Dobrý materiál: vodoznak, prekrytý text, zdvojené končatiny, pokrivené ruky, halá z preostrenia, JPEG blokovanie, švy pozdĺž hrany koláže. Zlý materiál: čokoľvek o tom, o čom obrázok je — to patrí do pokynu.

11Ako čítať prompt, ktorý Shannon napíše za vás

Tu je to, čo robí tohto sprievodcu okamžite použiteľným namiesto teoretického. Prompt na generovanie nemusíte písať sami. Opýtate sa bežnou rečou, v ľubovoľnom jazyku; Shannon rozpozná, že sa žiada obrázok, zostaví anglický prompt na generovanie a ukáže vám ho na potvrdzovacej karte skôr, než sa čokoľvek vykreslí. Nič sa nevygeneruje a nič sa neúčtuje, kým nepotvrdíte.

Zručnosť, ktorá sa vyplatí najviac, teda nie je písanie promptov od nuly — je to čítanie toho na karte. Prejdite si tento zoznam:

1. Je objekt konkrétny? Ak karta hovorí „osoba“ alebo „žena“, našli ste najväčšie dostupné zlepšenie. Dajte mu vek, postavu, nejakú črtu.
2. Je objekt na začiatku? Ak sa prompt otvára štýlom alebo fotoaparátom, vypýtajte si, aby viedol objekt.
3. Je v rozsahu? Pod 30 slov si vypýtajte viac konkrétnosti o svetle a prostredí. Nad 100 si vypýtajte skrátenie.
4. Je tam zdroj svetla? Nie slovo o nálade — skutočné svetlo: okno, pouličná lampa, blesk, zamračená obloha, softbox.
5. Nie sú tam rozpory? Prejdite prompt, či v ňom nie sú dve médiá, dva zábery alebo dve svetelné podmienky naraz.
6. Nie sú tam prepašované negácie? Ak karta obsahuje „bez“, „žiadny“ alebo „vyhni sa“, je to prompt text na obrázok, ktorý si pýta práve tú vec, ktorú menuje.
7. Sedí pomer strán k objektu? Postava v celej výške vo wide je klasický nesúlad.

Opravy sú konverzačné: „urob ju na začiatku tridsiatky s jazvou cez obočie, nasnímaj to na Portra na 85mm a použi portrait“ je úplne dobrý pokyn. Dostanete novú kartu a potvrdíte tú. Za iterovanie nie je žiadny postih, pretože sa ešte nič nevykreslilo.

A Shannon negeneruje bez vyzvania. Pozdrav, otázka ani fotka, ktorú priložíte na diskusiu, vykreslenie nespustia. Požiadať Shannona, aby sa na obrázok pozrel — opísal ho, prečítal, analyzoval — je bežná práca s videním, nie generovanie, a nestojí nič navyše.

12Ako sa remeslo mení pri úprave a skladaní

Pravidlá vyššie sú písané pre generovanie. Dva susedné režimy menia tvar promptu.

Úprava jedného obrázka

Prompt na úpravu je pokyn, nie opis: uveďte, čo sa mení a čo zostáva. Pomenovanie nemenných častí je najväčšou pákou kvality v produkte — „Zmeň pozadie na daždivú nočnú mestskú ulicu s neónovými odrazmi, ženu nechaj presne takú, aká je“ drží pohromade tam, kde tá istá požiadavka bez tejto vety potichu prekreslí jej tvár. Pri kotve buďte konkrétni: nechaj tvár, pózu, vlasy a oblečenie identické. Použije sa presne jeden zdrojový obrázok a výstup si zachová jeho pomer strán.

Skladanie dvoch alebo viacerých obrázkov

Vždy, keď prvky pochádzajú z viac než jedného obrázka — prenos oblečenia, objekt do scény, dvaja ľudia v jednom zábere, produkt na osobe, štýl z jedného obrázka s objektom z iného — prompt musí pomenovať úlohu každého obrázka v poradí: „Žena z prvého obrázka oblečená v červenom pletenom svetri z druhého obrázka, stojaca v tom istom parku.“ Prvý obrázok je hlavný objekt alebo scéna; neskoršie obrázky dodávajú prvky, ktoré sa privádzajú. Nezredukujte požiadavku s viacerými obrázkami na jeden zdroj plus textový opis — práve skladanie skutočných obrázkov zachováva, ako tie veci naozaj vyzerajú.

13Necenzurované prompty: povedzte, čo myslíte

Na ceste generovania nie je filter obsahu a na modeli, ktorý píše prompt, nie je vrstva odmietania. V tom je celý zmysel produktu: filtrované generátory rutinne odmietajú legitímnu prácu — umelecké akty, medicínsku a forenznú ilustráciu, obrázky pre bezpečnostný výskum, násilie vo fikcii, politickú satiru, prácu so značkou a podobizňou zo strany vlastníka práv. Polovicu remesla promptov na filtrovaných platformách tvorí inžinierstvo eufemizmov a eufemizmus je nepriateľom presného obrázka.

Na karte teda treba skontrolovať ešte jednu vec: či opisuje skutočný objekt bežnými slovami, a nie opatrníckym slovníkom, ktorý sa ľudia naučia od filtrovaných nástrojov. Forenzná ilustrácia rany má povedať, aká tá rana je. Opatrnícky jazyk vytvára horší obrázok všade, pretože model vykresľuje to, čo slová hovoria.

Schopnosť a úsudok sú dve rôzne veci. Shannon Lab LLC to prevádzkuje podľa zverejnených Pravidiel zodpovedného používania: generovanie bez filtrov je profesionálny nástroj a na to, čo vytvoríte, sa naďalej vzťahujú súhlas, práva aj zákon.

14Kam zapadá API

Jedno spresnenie pre čitateľov prichádzajúcich z vyhľadávania k API: generovanie, úprava a skladanie obrázkov žijú v chatovacej aplikácii Shannon, nie v /v1 API. API obsluhuje text a videnie — obrázky, ktoré mu pošlete, dokáže čítať, opisovať a analyzovať naprieč všetkými tromi dialektmi (/v1/chat/completions, /v1/messages, /v1/responses, všetky so streamovaním) — ale nevytvára ich. Ak staviate pipeline, ktorý musí rozumieť obrázkom, dokumentácia API je miesto, kde začať. Ak chcete obrázky tvoriť, to je chatovacia aplikácia a všetko v tomto sprievodcovi tam platí. Obrázky sa vykresľujú na našom vlastnom GPU klastri.

15Často kladené otázky

Súvisiace čítanie: Necenzurované generovanie obrázkov AI · Necenzurovaná úprava obrázkov AI · Pravidlá zodpovedného používania · Dokumentácia API · Všetok výskum Shannonu. Odporúčania tu vychádzajú z nášho vlastného testovania obrazového modelu Shannonu; rady písané pre staršie difúzne systémy sa spravidla neprenášajú.