Vodnik po pozivih za AI slike

Večina ljudi pride z navadami pisanja pozivov, priučenimi na SDXL: z vejicami ločen niz samostalnikov, uvod iz žetonov o kakovosti, nekaj uteži v oklepajih in negativni poziv, dolg kot pozitivni. Te navade so bile za tiste modele pravilne, tu pa so škodljive. To je kratka različica tega, kar dejansko deluje — in ker Shannon poziv za generiranje napiše namesto vas in vam ga pokaže, preden se karkoli izriše, je hkrati vodnik po branju in popravljanju tega, kar Shannon predlaga.

01Zakaj proza prekaša oznake: model bere kot jezikovni model

Starejši difuzijski modeli, za katere je bila napisana večina nasvetov o pozivih, so uporabljali besedilni kodirnik, ki se je v praksi vedel kot vreča pojmov: slovnica je komaj kaj štela, zmagovita strategija pa je bila nakopičiti ustrezne samostalnike in jih uravnati z utežmi. Juha iz oznak je bila za tak kodirnik pravilna oblika poziva.

Shannonov slikovni model tako ne deluje. Poziv bere tako, kot jezikovni model bere besedilo, zato skladnja nosi pomen. »Dežnik drži ob rami« je razmerje med osebo, predmetom in delom telesa; »dežnik, rama« sta dve stvari, ki sta pač obe prisotni. Predlogi umeščajo stvari. Glagoli ustvarjajo drže. Stavki podrobnost pripnejo pravemu samostalniku, namesto da bi ta lebdela čez celotno sliko.

Tu je ista slika, zahtevana na oba načina.

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.

Poglejte, česa različica z oznakami ne more izraziti. Nikjer ne pove, da je dežnik držan, zato lahko konča na tleh. Nikjer ne pove, da se neon odseva v asfaltu, le da obstajata oba, zato dobite napise in mokro ulico brez vsakršnega optičnega razmerja med njima. Nikjer ne pove, kam ženska gleda, zato je njena drža stvar kovanca. »Cinematic lighting« je oznaka razpoloženja, ne vir svetlobe. Zadnjih pet žetonov pa je šum, prebran kot angleške besede o fotografiji, ne kot krmilni ročaji.

Prozna različica ni daljša zato, ker bi bila cvetličasta. Daljša je zato, ker odgovarja na vprašanja, ki jih je različica z oznakami pustila odprta. V tem je celoten trik.

02Kako dolg naj bo poziv za sliko?

Ciljajte na 30 do 80 besed. Ne pojdite krepko čez 100. To je najlažji razpoložljivi vzvod kakovosti in pomembna sta oba konca razpona.

Pod približno 30 besedami kompozicija, svetloba in kadriranje niso določeni, zato model izbere tisto, kar je statistično najbolj običajno. »Ženska v kavarni« je veljaven poziv, ki proizvede pozabljivo sliko, ker ste vsako zanimivo odločitev prepustili drugim.

Nad približno 100 besedami se pojavi drugačna odpoved: pozni stavki tekmujejo z zgodnjimi za ista območja slike in namesto kopičenja podrobnosti dobite razredčitev. Tretji opis osvetlitve razveljavi prvega, motiv, ki ste ga postavili v prvih osmih besedah, pa z vsako dodano povedjo dobi razmeroma manj pozornosti. Dolgi pozivi se berejo kot temeljiti. Ne izrisujejo se kot temeljiti.

Disciplina: napišite poziv, kakršnega želite, nato pa ga skrčite na povedi, ki bi sliko spremenile, če bi jih odstranili.

03Disciplina vrstnega reda: najpomembnejše najprej

Ker model bere zaporedno, je položaj poudarek: kar pride prvo, sliko zasidra, kar pride zadnje, jo prilagodi. Postavite stvari v vrstni red, kakršnega model potrebuje:

1. Motiv — kdo ali kaj je na tej sliki, konkretno.
2. Dejanje ali drža — kaj počne, kako je postavljen.
3. Slog ali razpoloženje — fotografija, oljna slika, tehnična ilustracija in ton, v katerem je.
4. Prizorišče in osvetlitev — kje se to dogaja in kakšna svetloba pada nanj.
5. Tehnika — kadriranje, objektiv, globinska ostrina, barvne posebnosti.

Najpogostejša samopovzročena rana je začeti s tehničnim stavkom. Če začnete s »Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper«, modelu poveste, da je motiv videz, moški pa podrobnost. Dobite čudovit, prazen kader z majhno nerazločno figuro v njem.

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.

Vsak element iz prve različice preživi v drugi; nič ni bilo izpuščeno. Model zdaj preprosto ve, kaj je na sliki, preden mu povemo, kako naj jo posname — in že samo ta preureditev motiv premakne iz obrobnega v osrednjega.

04Bodite konkretni glede motiva

»Oseba« ni motiv, je nadomestno mesto — model pa nadomestna mesta zapolni s povprečjem vsega, kar je videl, in prav od tod prihaja tisti sijoči, brezstarostni videz brez značaja. Konkretnost stane pet besed in kupi konkretnega človeka:

Bodite pozorni na vzorec: starost ali obdobje, ena strukturna značilnost, ena razpoznavna nepopolnost. Prav tretja postavka naredi, da se rezultat zdi fotografiran in ne generiran. Okrušen zob, obrabljen rob, prepleskan napis — majhne asimetrije so najmočnejši razpoložljivi signal proti plastičnosti in v proračunu besed stanejo skoraj nič.

05Fotorealizem: zahtevo napišite kot fotografijo

Fotorealizem je privzeti register, razen če prosite za umetnost, ilustracijo ali anime. A beseda »fotorealističen« opravi malo dela. Fotografijo ustvari opis samega dejanja fotografiranja: resnična kamera, resničen objektiv in resničen filmski material ali vir svetlobe.

Razlog je preprost. Vsaka slika s podnapisom »Kodak Portra 400« je nastala po določenem postopku z določeno strukturo zrna, potekom svetlih tonov in prikazom kože, in poimenovanje materiala prikliče vse to. »8k ultra detailed« se je pojavljal le na neželeni vsebini spletnih zbirk fotografij, zato prikliče prav to. Nekaj zanesljivih receptov, od katerih vsak da izrazito drugačno sliko istega motiva:

Utemeljitev uskladite z receptom — tekstura kože na ravni por ne pomeni nič v širokem 24mm kadru, kjer je obraz visok osemdeset slikovnih pik — in jo šele nato dodajte. Utemeljitvena podrobnost je — teksturni dokaz, da je to res posnel objektiv. Vidne kožne pore in drobne dlačice na obrazu. Tkanje lanene srajce. Prašni delci v snopu svetlobe. Odrgnina na usnjenem škornju. Uhajajoči lasje pred svetlim ozadjem. Dve ali tri zadostujejo in prav te ločijo upodobitev osebe od fotografije osebe.

06Večplastni prizori: ospredje, srednji plan, ozadje

Kadar ima prizor globino, opišite tri plane ločeno in po vrsti. To je najučinkovitejša tehnika za slike, ki naj se zdijo kraji in ne kulise, in tega skoraj nihče ne počne. Brez tega dobite ploskost: vse, kar poziv omenja, pristane na približno isti razdalji in tekmuje za isti srednji pas kadra. Poimenovanje planov modelu da proračun globine, ki ga lahko porabi.

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 izboljšavi. V ospredje postavite nekaj, kar je namerno neostro — resnične fotografije globokih prizorov to skoraj vedno imajo in odsotnost tega je pogosto opazna. In povejte, kateri plan zaseda motiv: če je kolesarska kurirka poanta slike, sodi v srednji plan, sicer se bosta stolpnica in skodelica kave z njo borila za kader.

07Točne barve: šestnajstiške kode, pripete predmetom

Za delo z znamkami, skladnost kostumov ali povsod, kjer »rdeča« ni dovolj natančna, šestnajstiško kodo zapišite kot color #RRGGBB in jo pripnite poimenovanemu predmetu:

...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 pravila palca. Šestnajstiške kode uporabite za dve ali tri barve, ki res štejejo, za preostale pa navadne besede — poziv s šestimi šestnajstiškimi kodami večino proračuna porabi za barvne vzorčke. Kodo vežite na predmet z robovi, nikoli na »osvetlitev« ali »razpoloženje«. In ne pozabite, da določa barvo predmeta, ne končne vrednosti slikovne pike: plašč #8B0000 se v protisvetlobi zlate ure izriše topleje od vzorčka, natanko tako kot v resnici.

08Izbira razmerja stranic

Na voljo je pet razmerij in pravo je običajno nakazano z motivom, a vaša izrecna zahteva vedno zmaga — zaprosite za ozadje telefona in dobili boste tall, ne glede na to, kaj nakazuje vsebina.

Napaka tu je bolj škodljiva, kot je videti. Celopostavna stoječa figura v kadru wide vam ne da majhne figure v velikem kadru — običajno vam da odrezano, ker model zapolni širino, glava ali stopala pa zapustijo kader. Uskladite kader s prevladujočo osjo motiva in večina pritožb o kompoziciji izgine.

Dve vedenji, ki si ju velja zapomniti: urejanje samodejno ohrani razmerje stranic izvorne slike, zato z urejanjem ne morete prekadrirati, medtem ko združevanje omogoča izbiro novega platna — pogosto najčistejši način, da spremenite obliko nečesa, kar že imate.

09Protivzorci: kaj nehati početi

Žetoni o kakovosti: »masterpiece, best quality, 8k, ultra detailed«

To so bili v skupnosti odkriti ročaji za določeno starejšo učno porazdelitev, kjer so bile nekatere fraze iz podnapisov povezane z nekaterimi viri slik. Ne prenesejo se. Tu se berejo kot navadne angleške besede, ne prispevajo ničesar in požrejo del proračuna besed, za katerega ste že slišali, da je tesen. Nadomestek je, da poveste, katero podrobnost želite: ne »ultra detailed«, ampak »vidno tkanje v blagu plašča in drobna ščetina vzdolž čeljusti« — isti namen, izražen kot nekaj, kar model zna izrisati.

Skladnja uteži: (word:1.3), [word], {{word}}

Se ne razčleni. Oklepaji, oglati oklepaji, dvopičja in števila pristanejo kot dobesedno besedilo in okoliški stavek kvečjemu otežijo za branje. Če želite nekaj bolj poudariti, uporabite vzvoda, ki delujeta: premaknite to prej v poziv in namenite temu več besed. »Škrlatna svilena ruta, katere resasti konci se dvigajo v vetru« po vsakem pomembnem merilu prekaša »(red scarf:1.4)«.

Nasprotujoče si smernice

Mešanje nezdružljivih navodil jih ne zlije; ustvari nestabilno povprečje, ki običajno ne zadosti nobenemu. Pogosti kršitelji:

• Medij — »photorealistic« plus »watercolor«; »oil painting« plus »shot on 85mm«. Izberite eno in vztrajajte.
• Kadriranje — »wide establishing shot« plus »extreme close-up on her eyes«; »full body« plus »detailed facial pores«.
• Osvetlitev — »harsh midday sun« plus »soft golden hour glow«; »low key, deep shadows« plus »bright and airy«.
• Obdobje — »1970s film aesthetic« plus »modern minimalist« plus »cyberpunk«.
• Kopičenje slogov — štirje umetniki ali štiri zvrsti hkrati. Dve sorodni referenci lahko delujeta; štiri se izničijo v generično.
• Razraščanje — »rustična, obrabljena, starodavna, od časa načeta lesena vrata« je ena zamisel, napisana štirikrat, in vsaka ponovitev razredči preostanek poziva.

10Pri pretvorbi besedila v sliko negativnega poziva ni

To je protivzorec, ki najtrše ujame izkušene uporabnike, saj je bil pri starejših skladih negativni poziv polovica obrti.

Pri generiranju je pravilo absolutno in nekoliko protiintuitivno: če v poziv napišete »brez besedila, brez vodnega žiga, brez odvečnih prstov«, so te stvari bolj verjetne, ne manj. Model »brez besedila« prebere kot poved, ki vsebuje pojem besedilo; zanikanje je šibek signal, samostalnik pa močan. Pravzaprav ste zaprosili za besedilo. Namesto tega vedno navedite pozitivno obliko:

Pri urejanju in združevanju negativni poziv obstaja in ga velja uporabiti — a za artefakte, ne za vsebino. Dobro gradivo: vodni žig, prekrivno besedilo, podvojeni udi, popačene roke, obrobe zaradi prekomernega ostrenja, kockanje JPEG, šivi vzdolž roba sestavljanke. Slabo gradivo: karkoli o tem, kaj je na sliki, kar sodi v navodilo.

11Branje poziva, ki ga Shannon napiše namesto vas

Tu je tisto, zaradi česar je ta vodnik takoj uporaben in ne teoretičen. Poziva za generiranje vam ni treba pisati samim. Vprašate v vsakdanjem jeziku, v katerem koli jeziku; Shannon prepozna, da gre za zahtevo po sliki, sestavi angleški poziv za generiranje in vam ga pokaže na potrditveni kartici, preden se karkoli izriše. Nič se ne ustvari in nič se ne zaračuna, dokler ne potrdite.

Veščina, ki se najbolj obrestuje, torej ni pisanje pozivov iz nič — je branje tistega na kartici. Pretecite ta seznam:

1. Je motiv konkreten? Če kartica pravi »a person« ali »a woman«, ste našli največjo razpoložljivo izboljšavo. Dodajte starost, postavo, značilnost.
2. Je motiv na prvem mestu? Če se poziv začne s slogom ali kamero, zahtevajte, naj se namesto tega začne z motivom.
3. Je v razponu? Pod 30 besedami zahtevajte več natančnosti glede svetlobe in prizorišča. Nad 100 zahtevajte krajšanje.
4. Je naveden vir svetlobe? Ne beseda za razpoloženje — resnična svetloba: okno, ulična svetilka, bliskavica, oblačno nebo, softbox.
5. So kakšna nasprotja? Preglejte, ali sta v istem pozivu dva medija, dve kadriranji ali dve osvetlitvi.
6. So se prikradla zanikanja? Če kartica vsebuje »without«, »no« ali »avoid«, je to poziv za pretvorbo besedila v sliko, ki prosi prav za to, kar imenuje.
7. Je razmerje pravo za motiv? Celopostavna figura v wide je klasično neujemanje.

Popravki so pogovorni: »naj bo v zgodnjih tridesetih, z brazgotino čez obrv, posnemi to na Portri s 85mm in uporabi portrait« je povsem dobro navodilo. Dobite novo kartico in potrdite tisto. Za ponavljanje ni kazni, ker se še ni nič izrisalo.

In Shannon ne generira nepovabljen. Pozdrav, vprašanje ali fotografija, ki jo pripnete za pogovor, izrisa ne sprožijo. Prošnja, naj Shannon sliko pogleda — jo opiše, prebere, analizira — je običajno delo razumevanja slik, ne generiranje, in ne stane nič dodatnega.

12Kako se obrt spremeni pri urejanju in združevanju

Zgornja pravila so napisana za generiranje. Dva sosednja načina spremenita obliko poziva.

Urejanje ene slike

Poziv za urejanje je navodilo, ne opis: povejte, kaj se spremeni in kaj ostane. Poimenovanje nespremenjenih delov je največji posamični vzvod kakovosti v izdelku — »Zamenjaj ozadje z deževno nočno mestno ulico z neonskimi odsevi, žensko pusti natanko takšno, kot je« zdrži tam, kjer ista zahteva brez tega stavka tiho prerisuje njen obraz. Bodite natančni glede sidra: ohrani obraz, držo, lase in oblačila enake. Uporabljena je natanko ena izvorna slika, izhod pa ohrani njeno razmerje stranic.

Združevanje dveh ali več slik

Kadar koli elementi prihajajo z več kot ene slike — prenos oblačila, predmet v prizor, dve osebi v enem kadru, izdelek na osebi, slog z ene slike z motivom z druge — mora poziv po vrsti poimenovati vlogo vsake slike: »Ženska s prve slike, oblečena v rdeč pleten pulover z druge slike, stoji v istem parku.« Prva slika je glavni motiv ali prizor; poznejše slike prispevajo dele, ki jih vnašamo. Večslikovne zahteve ne skrčite na en vir plus besedni opis — prav združevanje resničnih slik ohrani, kako te stvari dejansko izgledajo.

13Necenzurirano pisanje pozivov: povejte, kar mislite

Na poti generiranja ni filtra vsebine in model, ki napiše poziv, nima sloja zavračanja. V tem je celotna poanta izdelka: filtrirani generatorji redno zavračajo legitimno delo — umetniške akte, medicinsko in forenzično ilustracijo, gradivo za varnostne raziskave, nasilje v leposlovju, politično satiro ter delo z znamkami in podobami, ki ga opravlja imetnik pravic. Polovica obrti pisanja pozivov na filtriranih platformah je inženiring olepševalnic, olepševalnica pa je sovražnik natančne slike.

Na kartici je torej treba preveriti še eno stvar: da dejanski motiv opisuje z navadnimi besedami in ne z ograjenim besediščem, ki se ga ljudje priučijo pri filtriranih orodjih. Forenzična ilustracija rane naj pove, kakšna rana je. Ograjeni jezik povsod ustvari slabšo sliko, ker model izriše to, kar povedo besede.

Zmožnost in presoja sta ločeni stvari. Shannon Lab LLC to upravlja po objavljeni Politiki odgovorne uporabe: nefiltrirano generiranje je strokovno orodje, privolitev, pravice in zakon pa še naprej veljajo za to, kar ustvarite.

14Kam sodi API

Ena natančnost za bralce, ki prihajajo z iskanja o API: generiranje, urejanje in združevanje slik živijo v klepetalni aplikaciji Shannon, ne v API /v1. API streže besedilo in razumevanje slik — slike, ki mu jih pošljete, zna brati, opisovati in analizirati po vseh treh narečjih (/v1/chat/completions, /v1/messages, /v1/responses, vsa s pretakanjem) — ne ustvarja pa jih. Če gradite postopek, ki mora slike razumeti, je pravo izhodišče dokumentacija API. Če želite slike ustvarjati, je to klepetalna aplikacija in vse iz tega vodnika velja tam. Slike se izrisujejo na našem lastnem grozdu GPU.

15Pogosta vprašanja

Sorodno branje: Necenzurirano generiranje slik z AI · Necenzurirano urejanje slik z AI · Politika odgovorne uporabe · Dokumentacija API · Vse raziskave Shannon. Napotki tukaj izhajajo iz našega lastnega preizkušanja Shannonovega slikovnega modela; nasveti, napisani za starejše difuzijske sklade, se praviloma ne prenesejo.