Udhëzuesi i prompteve të imazheve me IA

Shumica e njerëzve vijnë me zakone promptesh të mësuara në SDXL: një varg emrash të ndarë me presje, një hyrje me tokenë cilësie, ca pesha në kllapa dhe një prompt negativ po aq i gjatë sa ai pozitivi. Ato zakone ishin të sakta për ato modele dhe janë kundërproduktive këtu. Ky është versioni i shkurtër i asaj që funksionon vërtet — dhe meqë Shannon e shkruan promptin e gjenerimit për ju dhe jua tregon përpara se të renderohet ndonjë gjë, ky është njësoj edhe një udhëzues për ta lexuar dhe korrigjuar atë që propozon Shannon.

01Pse proza fiton ndaj etiketave: modeli lexon si model gjuhësor

Modelet më të vjetra të difuzionit, për të cilat u shkrua shumica e këshillave për promptet, përdornin një kodues teksti që sillej, në praktikë, si një thes konceptesh: gramatika mezi kishte rëndësi, dhe strategjia fituese ishte të grumbulloje emra të përshtatshëm dhe t'i anoje me pesha. Supa e etiketave ishte forma e saktë e promptit për atë kodues.

Modeli i Imazhit i Shannon-it nuk funksionon kështu. Ai e lexon një prompt ashtu siç lexon tekst një model gjuhësor, prandaj sintaksa mbart kuptim. "Holding an umbrella against her shoulder" është një marrëdhënie mes një personi, një objekti dhe një pjese trupi; "umbrella, shoulder" janë dy gjëra që rastësisht janë të pranishme. Parafjalët i vendosin gjërat. Foljet krijojnë poza. Fjalitë e nënrenditura e lidhin detajin me emrin e duhur në vend që ta lënë të notojë nëpër gjithë imazhin.

Ja e njëjta figurë e kërkuar në të dyja mënyrat.

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.

Shikoni çfarë nuk mund ta shprehë versioni me etiketa. Ai kurrë nuk thotë se çadra mbahet, prandaj ajo mund të përfundojë e shtrirë përtokë. Kurrë nuk thotë se neoni reflektohet në asfalt, vetëm se të dyja ekzistojnë, kështu që merrni tabela dhe një rrugë të lagësht pa asnjë marrëdhënie optike mes tyre. Kurrë nuk thotë se ku po shikon gruaja, prandaj poza e saj është short. "Cinematic lighting" është një etiketë atmosfere, jo një burim drite. Dhe pesë tokenët e fundit janë zhurmë, të lexuara si fjalë angleze për fotografinë e jo si doreza kontrolli.

Versioni në prozë nuk është më i gjatë sepse është i lulëzuar. Është më i gjatë sepse u përgjigjet pyetjeve që versioni me etiketa i la të hapura. Ky është i gjithë truku.

02Sa i gjatë duhet të jetë një prompt imazhi?

Synoni 30 deri në 80 fjalë. Mos kaloni shumë përtej 100. Kjo është leva e vetme më e lehtë e cilësisë që keni në dispozicion, dhe të dy skajet e diapazonit kanë rëndësi.

Nën rreth 30 fjalë, kompozimi, drita dhe kadrimi mbeten të papërcaktuara, prandaj modeli zgjedh atë që është statistikisht më e zakonshmja. "A woman in a coffee shop" është një prompt i vlefshëm që prodhon një imazh të harrueshëm, sepse ju delegoni çdo vendim interesant.

Mbi rreth 100 fjalë shfaqet një dështim tjetër: fjalitë e vona konkurrojnë me ato të hershmet për të njëjtat zona të imazhit, dhe në vend që të grumbulloni detaj, merrni hollim. Përshkrimi i tretë i dritës e zhbën të parin, dhe subjekti që ndërtuat në tetë fjalët e para merr gjithnjë e më pak vëmendje relative me çdo fjali që shtoni. Promptet e gjata lexohen si të plota. Ato nuk renderohen si të plota.

Disiplina: shkruajeni promptin që doni, pastaj prijeni deri te fjalitë që do ta ndryshonin figurën po të hiqeshin.

03Disiplina e renditjes: gjëja më e rëndësishme e para

Meqë modeli lexon në mënyrë sekuenciale, pozicioni është theksim: ajo që vjen e para e ankoron imazhin, ajo që vjen e fundit e rregullon. Vendosini gjërat në radhën që i duhen modelit:

1. Subjekti — kush ose çfarë është kjo figurë, konkretisht.
2. Veprimi ose poza — çfarë po bëjnë, si qëndrojnë.
3. Stili ose atmosfera — fotografi, pikturë me vaj, ilustrim teknik, dhe regjistri në të cilin është.
4. Mjedisi dhe ndriçimi — ku ndodh kjo dhe çfarë drite bie mbi të.
5. Teknika — kadrimi, objektivi, thellësia e fushës, specifikat e ngjyrës.

Plaga më e shpeshtë e vetëshkaktuar është fillimi me fjalinë teknike. Të nisësh me "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" i thotë modelit se pamja është subjekti dhe burri është detaj. Merrni një kuadër të mrekullueshëm e të zbrazët me një figurë të vogël e të paqartë brenda.

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.

Çdo element i versionit të parë mbijeton në të dytin; asgjë nuk u hoq. Modeli tani thjesht e di se për çfarë është figura përpara se t'i thuhet si ta xhirojë — dhe vetëm ajo rirenditje e zhvendos subjektin nga i rastësishëm në qendror.

04Jini konkretë për subjektin

"Një person" nuk është subjekt, është një vend bosh — dhe modeli i mbush vendet bosh me mesataren e gjithçkaje që ka parë, që është pikërisht prej nga vjen ajo pamje e lëmuar, pa moshë e pa karakter. Konkretësia kushton pesë fjalë dhe blen një qenie njerëzore specifike:

Vini re modelin: mosha ose epoka, një tipar strukturor, një papërsosmëri dalluese. Ai elementi i tretë është ai që e bën një rezultat të ndihet i fotografuar dhe jo i gjeneruar. Një dhëmb i thyer, një cep i konsumuar rrobe, një tabelë e mbivizatuar — asimetritë e vogla janë sinjali më i fortë kundër pamjes plastike që keni në dispozicion, dhe nuk kushtojnë pothuajse asgjë nga buxheti juaj i fjalëve.

05Fotorealizmi: shkruajeni kërkesën si fotografi

Fotorealizmi është regjistri i parazgjedhur nëse nuk kërkoni art, ilustrim ose anime. Por fjala "photorealistic" bën pak punë. Ajo që prodhon një fotografi është përshkrimi i vetë aktit të fotografimit: një kamerë reale, një objektiv real dhe një lloj filmi ose burim drite real.

Arsyeja është e thjeshtë. Çdo imazh me përshkrimin "Kodak Portra 400" u bë me një proces të caktuar me një strukturë të caktuar kokrrizash, me një rënie të caktuar dritash dhe një paraqitje të caktuar të lëkurës, dhe emërtimi i llojit të filmit i rekruton të gjitha ato. "8k ultra detailed" ka dalë vetëm në mbeturinat e faqeve me foto stok, prandaj rekruton mbeturina faqesh stok. Disa receta të besueshme, secila prodhon një imazh dukshëm të ndryshëm të të njëjtit subjekt:

Përputheni bazamentin me recetën — tekstura e lëkurës në nivel poresh nuk do të thotë asgjë në një kuadër të gjerë me 24mm ku fytyra është tetëdhjetë piksele e lartë — dhe pastaj shtojeni. Detaji i bazamentit është dëshmia e teksturës që tregon se një objektiv e regjistroi vërtet këtë. Pore lëkure të dukshme dhe qime të imëta fytyre. Thurja e një këmishe liri. Grimca pluhuri në një rreze drite. Një gërvishtje mbi një çizme lëkure. Fije flokësh të ngritura kundër një sfondi të ndritshëm. Dy a tri janë të mjafta, dhe ato janë ndryshimi mes një renderimi të një personi dhe një fotografie të tij.

06Skena me shtresa: plani i parë, i mesi, sfondi

Kur një skenë ka thellësi, përshkruajini tri planet veç e veç dhe sipas radhës. Kjo është teknika më efektive për imazhe që duhet të ndihen si vende dhe jo si sfonde, dhe pothuajse askush nuk e bën. Pa të merrni sheshim: gjithçka që përmend prompti bie afërsisht në të njëjtën largësi, duke konkurruar për të njëjtën brez të mesëm të kuadrit. Emërtimi i planeve i jep modelit një buxhet thellësie për ta shpenzuar.

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.

Dy përmirësime. Vendosni në planin e parë diçka që është qëllimisht jashtë fokusit — fotografitë e vërteta të skenave të thella pothuajse gjithmonë kanë një të tillë, dhe mungesa e saj është një shenjë e shpeshtë. Dhe thoni cilin plan zë subjekti: nëse korrierja është poenta e figurës, ajo i takon planit të mesëm, përndryshe kulla dhe filxhani i kafesë do ta luftojnë për kuadrin.

07Ngjyra të sakta: kode hex, të lidhura me objekte

Për punë me marka, vazhdimësi kostumesh ose kudo ku "e kuqe" nuk është mjaftueshëm specifike, shkruajeni kodin hex si color #RRGGBB dhe lidheni me një objekt të emërtuar:

...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 rregulla praktike. Përdorni hex-in për dy a tri ngjyrat që kanë vërtet rëndësi dhe fjalë të thjeshta për pjesën tjetër — një prompt me gjashtë kode hex e shpenzon pjesën më të madhe të buxhetit te mostrat e bojës. Lidheni kodin me një objekt që ka konture, kurrë me "ndriçimin" ose "atmosferën". Dhe mbani mend se ai specifikon ngjyrën e objektit, jo vlerën përfundimtare të pikselit: një pallto #8B0000 në dritë kundër në orën e artë renderohet më e ngrohtë se mostra, saktësisht siç do të ndodhte në jetë.

08Zgjedhja e raportit të pamjes

Janë të disponueshme pesë raporte dhe i duhuri zakonisht nënkuptohet nga subjekti, por një kërkesë e shprehur nga ju fiton gjithmonë — kërkoni një sfond telefoni dhe merrni tall pavarësisht se çfarë sugjeron përmbajtja.

Gabimi këtu është më dëmtues nga sa duket. Një figurë e plotë në këmbë në një kuadër wide nuk ju jep një figurë të vogël në një kuadër të madh — zakonisht ju jep një të prerë, sepse modeli e mbush gjerësinë dhe koka ose këmbët dalin jashtë kuadrit. Përputheni kuadrin me boshtin dominues të subjektit dhe shumica e ankesave për kompozimin zhduken.

Dy sjellje që ia vlen t'i mbani mend: redaktimi e ruan automatikisht raportin e pamjes së imazhit burimor, prandaj nuk mund të rikadroni duke redaktuar, ndërsa bashkimi ju lejon të zgjidhni një kanavacë të re — shpesh mënyra më e pastër për të ndryshuar formën e diçkaje që e keni tashmë.

09Antimodelet: çfarë duhet ndaluar

Tokenët e cilësisë: "masterpiece, best quality, 8k, ultra detailed"

Këto ishin doreza të zbuluara nga komuniteti për një shpërndarje stërvitore të caktuar e më të vjetër, ku disa fraza përshkrimi lidheshin me disa burime imazhesh. Ato nuk transferohen. Këtu lexohen si fjalë të zakonshme angleze, nuk kontribuojnë asgjë dhe hanë pjesë të një buxheti fjalësh që tashmë ju është thënë se është i ngushtë. Zëvendësimi është të thoni cilin detaj doni: jo "ultra detailed", por "visible weave in the coat fabric and fine stubble along the jaw" — i njëjti qëllim, i shprehur si diçka që modeli mund ta renderojë.

Sintaksa e peshës: (word:1.3), [word], {{word}}

Nuk analizohet. Kllapat, kllapat katrore, dy pikat dhe numrat mbërrijnë si tekst literal dhe, në rastin më të mirë, e bëjnë fjalinë përreth më të vështirë për t'u lexuar. Nëse doni më shumë theks te diçka, përdorni dy levat që funksionojnë vërtet: zhvendoseni më herët në prompt dhe jepini më shumë fjalë. "A crimson silk scarf, its fringed ends lifting in the wind" e tejkalon "(red scarf:1.4)" në çdo matje që ka rëndësi.

Drejtime kontradiktore

Përzierja e udhëzimeve të papajtueshme nuk i shkrin ato; ajo prodhon një mesatare të paqëndrueshme që zakonisht nuk plotëson asnjërën. Shkelësit e shpeshtë:

• Mediumi — "photorealistic" plus "watercolor"; "oil painting" plus "shot on 85mm". Zgjidhni një dhe qëndroni aty.
• Kadrimi — "wide establishing shot" plus "extreme close-up on her eyes"; "full body" plus "detailed facial pores".
• Ndriçimi — "harsh midday sun" plus "soft golden hour glow"; "low key, deep shadows" plus "bright and airy".
• Epoka — "1970s film aesthetic" plus "modern minimalist" plus "cyberpunk".
• Grumbullimi i stileve — katër artistë ose katër zhanre njëherësh. Dy referenca të afërta mund të funksionojnë; katër anulohen në gjenerike.
• Shpërndarja — "rustic, weathered, ancient, timeworn wooden door" është një ide e shkruar katër herë, dhe çdo përsëritje e hollon pjesën tjetër të promptit.

10Nuk ka prompt negativ në tekst-në-imazh

Ky është antimodeli që i kap më rëndë përdoruesit me përvojë, sepse në pirgjet më të vjetra prompti negativ ishte gjysma e mjeshtërisë.

Për gjenerimin rregulli është absolut dhe paksa kundërintuitiv: të shkruash "pa tekst, pa filigran, pa gishta shtesë" brenda promptit i bën ato gjëra më të mundshme, jo më pak. Modeli e lexon "pa tekst" si një fjali që përmban konceptin tekst; mohimi është sinjal i dobët dhe emri është i fortë. Ju në fakt keni kërkuar tekst. Shprehni gjithmonë formën pozitive në vend të tij:

Për redaktimin dhe bashkimin prompti negativ ekziston dhe duhet ta përdorni — por për artefakte, jo për përmbajtje. Material i mirë: filigran, mbishkrim mbi imazh, gjymtyrë të dyfishuara, duar të shtrembëruara, unaza nga mprehja e tepërt, blloqe JPEG, vija bashkimi përgjatë një cepi kompoziti. Material i keq: çdo gjë për atë se çfarë është figura, e cila i takon udhëzimit.

11Të lexosh promptin që Shannon shkruan për ty

Ja çfarë e bën këtë udhëzues menjëherë të përdorshëm dhe jo teorik. Nuk ju duhet ta shkruani vetë promptin e gjenerimit. Ju kërkoni me gjuhë të thjeshtë, në çfarëdo gjuhe; Shannon e njeh se po kërkohet një imazh, e harton promptin e gjenerimit në anglisht dhe jua tregon në një kartë konfirmimi përpara se të renderohet ndonjë gjë. Asgjë nuk gjenerohet dhe asgjë nuk faturohet derisa të konfirmoni.

Pra aftësia që shpërblehet më shumë nuk është shkrimi i prompteve nga e para — është leximi i atij në kartë. Kaloni nëpër këtë listë:

1. A është konkret subjekti? Nëse karta thotë "një person" ose "një grua", keni gjetur përmirësimin e vetëm më të madh në dispozicion. Jepini një moshë, një trup, një tipar.
2. A është subjekti i pari? Nëse prompti nis me një stil ose një kamerë, kërkoni që të nisë me subjektin.
3. A është brenda diapazonit? Nën 30 fjalë, kërkoni më shumë specifikë për dritën dhe mjedisin. Mbi 100, kërkoni ta shkurtojë.
4. A ka një burim drite? Jo një fjalë atmosfere — një dritë të vërtetë: dritare, fener rruge, blic, qiell me re, softbox.
5. Ka konflikte? Skanoni për dy mediume, dy kadrime ose dy kushte ndriçimi në të njëjtin prompt.
6. Ka mohime të futura fshehurazi? Nëse karta përmban "pa", "jo" ose "shmang", ky është një prompt tekst-në-imazh që po kërkon pikërisht gjënë që emërton.
7. A është raporti i duhur për subjektin? Figura e plotë në wide është mospërputhja klasike.

Korrigjimet bëhen bisedërisht: "bëje rreth të tridhjetave me një shenjë në njërën vetull, xhiroje me Portra në 85mm dhe përdor portrait" është një udhëzim krejt i mirë. Merrni një kartë të re dhe konfirmoni atë. Nuk ka asnjë ndëshkim për përsëritjen, sepse ende nuk është renderuar asgjë.

Dhe Shannon nuk gjeneron pa u ftuar. Një përshëndetje, një pyetje ose një foto që e bashkëngjitni për diskutim nuk nis një renderim. T'i kërkosh Shannon-it të shohë një imazh — ta përshkruajë, ta lexojë, ta analizojë — është punë e zakonshme shikimi, jo gjenerim, dhe nuk kushton asgjë shtesë.

12Si ndryshon mjeshtëria për redaktimin dhe bashkimin

Rregullat më sipër janë shkruar për gjenerimin. Dy mënyra fqinje e ndryshojnë formën e promptit.

Redaktimi i një imazhi

Një prompt redaktimi është një udhëzim, jo një përshkrim: thoni çfarë ndryshon dhe çfarë mbetet. Emërtimi i pjesëve të pandryshuara është leva e vetme më e madhe e cilësisë në produkt — "Ndryshoje sfondin në një rrugë qyteti në një natë me shi me reflekse neoni, mbaje gruan saktësisht siç është" qëndron aty ku e njëjta kërkesë pa atë fjali ia rivizaton fytyrën në heshtje. Jini specifikë për ankorën: mbaji fytyrën, pozën, flokët dhe veshjen identike. Përdoret saktësisht një imazh burimor, dhe dalja e ruan raportin e tij të pamjes.

Bashkimi i dy ose më shumë imazheve

Sa herë që elementët vijnë nga më shumë se një figurë — transferim veshjeje, një objekt në një skenë, dy persona në një kuadër, produkt-mbi-person, një stil nga një imazh me një subjekt nga një tjetër — prompti duhet ta emërtojë rolin e secilit imazh, sipas radhës: "Gruaja nga imazhi i parë duke veshur triko e kuqe të thurur nga imazhi i dytë, në këmbë në të njëjtin park." Imazhi i parë është subjekti ose skena kryesore; imazhet e mëvonshme japin pjesët që sillen brenda. Mos e reduktoni një kërkesë me shumë imazhe në një burim plus një përshkrim me tekst — bashkimi i imazheve të vërteta është ajo që ruan se si duken vërtet ato gjëra.

13Promptet e pacensuruara: thoni atë që keni ndër mend

Nuk ka filtër përmbajtjeje në rrugën e gjenerimit dhe as shtresë refuzimi te modeli që shkruan promptin. Kjo është e gjithë poenta e produktit: gjeneruesit e filtruar refuzojnë rregullisht punë legjitime — akte artistike, ilustrim mjekësor e forenzik, imazhe për kërkim sigurie, dhunë në trillim, satirë politike, punë me marka e fytyra nga vetë mbajtësi i të drejtave. Gjysma e mjeshtërisë së prompteve në platformat e filtruara është inxhinieri eufemizmash, dhe eufemizmi është armiku i një imazhi të saktë.

Pra ka edhe një gjë tjetër për ta kontrolluar në kartë: që ajo ta përshkruajë subjektin e vërtetë me fjalë të thjeshta e jo me fjalorin e kujdesshëm që njerëzit mësojnë nga mjetet e filtruara. Një ilustrim forenzik i një plage duhet të thotë se çfarë është plaga. Gjuha e kujdesshme prodhon një imazh më të keq kudo, sepse modeli renderon atë që thonë fjalët.

Aftësia dhe gjykimi janë gjëra të ndara. Shannon Lab LLC e vepron këtë sipas një Politike të publikuar të Përdorimit të Përgjegjshëm: gjenerimi i pafiltruar është një mjet profesional, dhe pëlqimi, të drejtat dhe ligji vlejnë ende për atë që krijoni.

14Ku hyn API-ja

Një pikë saktësie për lexuesit që mbërrijnë nga një kërkim për API: gjenerimi, redaktimi dhe bashkimi i imazheve jetojnë në aplikacionin e chat-it Shannon, jo në API-n /v1. API-ja shërben tekst dhe shikim — ajo mund t'i lexojë, përshkruajë dhe analizojë imazhet që i dërgoni përgjatë të tre dialekteve (/v1/chat/completions, /v1/messages, /v1/responses, të gjitha me transmetim) — por nuk i krijon. Nëse po ndërtoni një rrjedhë pune që duhet të kuptojë imazhe, dokumentacioni i API-t është vendi ku duhet nisur. Nëse doni të krijoni imazhe, ajo është aplikacioni i chat-it, dhe gjithçka në këtë udhëzues vlen atje. Imazhet renderohen në grupin tonë të GPU-ve.

15Pyetje të bëra shpesh

Lexim i lidhur: Gjenerimi i pacensuruar i imazheve me IA · Redaktimi i pacensuruar i imazheve me IA · Politika e Përdorimit të Përgjegjshëm · Dokumentacioni i API-t · Të gjitha kërkimet e Shannon. Udhëzimet këtu rrjedhin nga testimet tona të Modelit të Imazhit të Shannon-it; këshillat e shkruara për pirgje më të hershme difuzioni përgjithësisht nuk transferohen.