Vodič za AI upite za slike

Većina ljudi dolazi sa navikama za upite naučenim na SDXL-u: niz imenica razdvojenih zarezima, uvod od tokena za kvalitet, nekoliko težina u zagradama i negativan upit dug koliko i pozitivan. Te navike bile su ispravne za te modele, a ovde su kontraproduktivne. Ovo je kratka verzija onoga što zaista funkcioniše — a pošto Shannon piše upit za generisanje umesto vas i pokazuje ga pre nego što se išta iscrta, ovo je isto toliko vodič za čitanje i ispravljanje onoga što Shannon predloži.

01Zašto proza pobeđuje oznake: model čita kao jezički model

Stariji difuzioni modeli za koje je pisana većina saveta o upitima koristili su tekstualni koder koji se u praksi ponašao kao vreća pojmova: gramatika je jedva nešto značila, a pobednička strategija bila je nagomilati bitne imenice i pojačati ih težinama. Supa od oznaka bila je ispravan oblik upita za taj koder.

Shannon-ov Model za slike ne radi tako. On čita upit onako kako jezički model čita tekst, pa sintaksa nosi značenje. „Drži kišobran naslonjen na rame” jeste odnos između osobe, predmeta i dela tela; „kišobran, rame” su dve stvari koje se prosto zateknu tu. Predlozi smeštaju stvari. Glagoli stvaraju poze. Rečenice kače detalj uz pravu imenicu umesto da mu dopuste da lebdi preko cele slike.

Evo iste slike zatražene 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.

Pogledajte šta verzija sa oznakama ne može da izrazi. Nigde ne kaže da se kišobran drži, pa može završiti na zemlji. Nigde ne kaže da se neon ogleda u asfaltu, samo da oboje postoje, pa dobijate natpise i mokru ulicu bez ikakvog optičkog odnosa među njima. Nigde ne kaže kuda žena gleda, pa je njena poza bacanje novčića. „Cinematic lighting” je oznaka raspoloženja, a ne izvor svetla. A poslednjih pet tokena je šum, pročitan kao engleske reči o fotografiji, a ne kao upravljačke ručke.

Prozna verzija nije duža zato što je kićena. Duža je zato što odgovara na pitanja koja je verzija sa oznakama ostavila otvorenim. To je ceo trik.

02Koliko dug treba da bude upit za sliku?

Ciljajte 30 do 80 reči. Nemojte mnogo preko 100. Ovo je najlakša poluga kvaliteta koja vam je na raspolaganju, a oba kraja raspona su bitna.

Ispod otprilike 30 reči kompozicija, svetlo i kadriranje su neodređeni, pa model bira ono što je statistički najobičnije. „Žena u kafiću” jeste ispravan upit koji daje sliku koja se ne pamti, jer ste svaku zanimljivu odluku prepustili drugom.

Iznad otprilike 100 reči javlja se drugačije otkazivanje: kasne rečenice takmiče se sa ranijima za iste delove slike, pa umesto gomilanja detalja dobijate razblaživanje. Treći opis osvetljenja poništava prvi, a motiv koji ste postavili u prvih osam reči dobija sve manje relativne pažnje sa svakom dodatom rečenicom. Dugi upiti deluju temeljno. Ne iscrtavaju se temeljno.

Disciplina: napišite upit koji želite, pa ga skratite na rečenice koje bi promenile sliku ako biste ih uklonili.

03Disciplina redosleda: najvažnije prvo

Pošto model čita redom, položaj je naglasak: ono što dolazi prvo usidruje sliku, a ono što dolazi poslednje je podešava. Poređajte stvari onim redom kojim ih model traži:

1. Motiv — ko je ili šta je na ovoj slici, konkretno.
2. Radnja ili poza — šta radi, kako je držano.
3. Stil ili raspoloženje — fotografija, ulje na platnu, tehnička ilustracija, i u kom je registru.
4. Ambijent i osvetljenje — gde se ovo dešava i kakvo svetlo pada na to.
5. Tehnički detalji — kadriranje, objektiv, dubinska oštrina, pojedinosti o boji.

Najčešća samonanesena rana jeste početi od tehničke rečenice. Otvaranje sa „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper” govori modelu da je izgled motiv, a čovek pojedinost. Dobijate prelep, prazan kadar sa malom nejasnom figurom u njemu.

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.

Svaki element iz prve verzije preživeo je u drugoj; ništa nije izostavljeno. Model sada prosto zna šta je na slici pre nego što mu se kaže kako da je snimi — a samo to preuređenje pomera motiv iz uzgrednog u središnji.

04Budite konkretni u pogledu motiva

„Osoba” nije motiv, to je čuvar mesta — a model čuvare mesta popunjava prosekom svega što je video, i odatle tačno potiče onaj sjajni, bezvremeni izgled bez karaktera. Konkretnost košta pet reči i kupuje vam određeno ljudsko biće:

Primetite obrazac: doba ili epoha, jedna strukturna odlika, jedna prepoznatljiva nesavršenost. Ta treća stavka je ono što čini da rezultat deluje fotografisano, a ne generisano. Okrznut zub, izlizan porub, preslikan natpis — male asimetrije su najjači signal protiv plastičnog izgleda koji vam stoji na raspolaganju, a jedva nešto koštaju u budžetu reči.

05Fotorealizam: napišite zahtev kao fotografiju

Fotorealizam je podrazumevani registar osim ako ne tražite umetnost, ilustraciju ili anime. Ali reč „photorealistic” malo toga radi. Ono što daje fotografiju jeste opisivanje samog čina fotografisanja: stvarna kamera, stvaran objektiv i stvarna vrsta filma ili izvor svetla.

Razlog je jednostavan. Svaka slika sa natpisom „Kodak Portra 400” nastala je određenim postupkom sa određenom strukturom zrna, opadanjem svetlih tonova i prikazom kože, a imenovanje filma priziva sve to. „8k ultra detailed” pojavljivalo se samo u spamu sa sajtova sa fotografijama, pa priziva spam sa sajtova sa fotografijama. Nekoliko pouzdanih recepata, od kojih svaki daje izrazito drugačiju sliku istog motiva:

Uskladite utemeljenje sa receptom — tekstura kože na nivou pora ništa ne znači u širokom kadru od 24 mm gde je lice visoko osamdeset piksela — a onda ga dodajte. Pojedinosti koje utemeljuju jesu dokazi teksture da je ovo zaista zabeležio objektiv. Vidljive pore na koži i sitne dlačice na licu. Tkanje lanene košulje. Čestice prašine u snopu svetla. Ogrebotina na kožnoj čizmi. Odbegle vlasi kose naspram svetle pozadine. Dovoljne su dve ili tri, i one su razlika između prikaza osobe i fotografije osobe.

06Slojevite scene: prvi plan, srednji plan, pozadina

Kada scena ima dubinu, opišite tri plana odvojeno i redom. To je najdelotvornija tehnika za slike koje treba da deluju kao mesta, a ne kao kulise, i skoro niko je ne koristi. Bez nje dobijate plošnost: sve što upit pominje sleti na približno istu udaljenost i takmiči se za isti srednji pojas kadra. Imenovanje planova daje modelu budžet dubine koji može da potroši.

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.

Dva poboljšanja. Stavite u prvi plan nešto što je namerno neizoštreno — stvarne fotografije dubokih scena skoro uvek to imaju, a njegovo odsustvo je čest znak. I recite koji plan zauzima motiv: ako je kurirka poenta slike, ona pripada srednjem planu, inače će se toranj i šolja kafe boriti sa njom za kadar.

07Tačne boje: heksadecimalni kodovi, prikačeni uz predmete

Za rad sa brendom, doslednost kostima ili svuda gde „crveno” nije dovoljno određeno, napišite heksadecimalni kôd kao color #RRGGBB i prikačite ga uz imenovan predmet:

...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 praktična pravila. Koristite heks za dve ili tri boje koje zaista nešto znače, a za ostalo obične reči — upit sa šest heksadecimalnih kodova troši većinu budžeta na uzorke boje. Vežite kôd za predmet koji ima ivice, nikada za „osvetljenje” ili „raspoloženje”. I zapamtite da on određuje boju predmeta, a ne konačnu vrednost piksela: kaput #8B0000 u kontrasvetlu zlatnog sata iscrtaće se toplije od uzorka, tačno kao što bi i u stvarnosti.

08Izbor odnosa stranica

Dostupno je pet odnosa, a pravi je obično nagovešten motivom, ali izričit zahtev sa vaše strane uvek pobeđuje — tražite pozadinu za telefon i dobijate tall bez obzira na to šta sadržaj nagoveštava.

Greška ovde šteti više nego što izgleda. Figura u punoj visini u kadru wide ne daje vam malu figuru u velikom kadru — obično vam daje odsečenu, jer model popunjava širinu, pa glava ili stopala izlaze iz kadra. Uskladite kadar sa dominantnom osom motiva i većina primedbi na kompoziciju nestaje.

Dva ponašanja koja vredi zapamtiti: uređivanje automatski zadržava odnos stranica izvorne slike, pa ne možete promeniti kadar uređivanjem, dok vam spajanje omogućava izbor novog platna — često najčistiji način da promenite oblik nečega što već imate.

09Loše navike: šta prestati da radite

Tokeni kvaliteta: „masterpiece, best quality, 8k, ultra detailed”

To su bile ručke koje je zajednica otkrila za određenu stariju raspodelu obuke, gde su određene fraze iz natpisa bile u vezi sa određenim izvorima slika. Ne prenose se. Ovde se čitaju kao obične engleske reči, ništa ne doprinose i jedu deo budžeta reči za koji vam je već rečeno da je tesan. Zamena je da kažete koji detalj želite: ne „ultra detailed” nego „vidljivo tkanje u tkanini kaputa i sitne čekinje duž vilice” — ista namera, izražena kao nešto što model može da iscrta.

Sintaksa težina: (word:1.3), [word], {{word}}

Ne tumači se. Zagrade, uglaste zagrade, dvotačke i brojevi stižu kao doslovan tekst i, ako išta, otežavaju čitanje okolne rečenice. Ako želite veći naglasak na nečemu, koristite dve poluge koje zaista rade: pomerite to ranije u upitu i dajte tome više reči. „A crimson silk scarf, its fringed ends lifting in the wind” nadmašuje „(red scarf:1.4)” po svakom merilu koje je bitno.

Protivrečna uputstva

Mešanje nespojivih uputstava ih ne stapa; daje nestabilan prosek koji obično ne zadovoljava nijedno. Česti prestupnici:

• Medij — „photorealistic” plus „watercolor”; „oil painting” plus „shot on 85mm”. Izaberite jedno i držite ga se.
• Kadriranje — „wide establishing shot” plus „extreme close-up on her eyes”; „full body” plus „detailed facial pores”.
• Osvetljenje — „harsh midday sun” plus „soft golden hour glow”; „low key, deep shadows” plus „bright and airy”.
• Epoha — „1970s film aesthetic” plus „modern minimalist” plus „cyberpunk”.
• Slaganje stilova — četiri umetnika ili četiri žanra odjednom. Dve srodne reference mogu da rade; četiri se poništavaju u uopšteno.
• Raspričanost — „rustic, weathered, ancient, timeworn wooden door” je jedna ideja napisana četiri puta, a svako ponavljanje razblažuje ostatak upita.

10Nema negativnog upita kod pretvaranja teksta u sliku

Ovo je loša navika koja najteže pogađa iskusne korisnike, jer je na starijim sistemima negativan upit bio pola zanata.

Za generisanje pravilo je apsolutno i pomalo neintuitivno: pisanje „no text, no watermark, no extra fingers” u upit čini te stvari verovatnijim, a ne manje verovatnim. Model čita „no text” kao rečenicu koja sadrži pojam text; negacija je slab signal, a imenica jak. Vi ste zapravo tražili tekst. Umesto toga uvek navedite pozitivan oblik:

Kod uređivanja i spajanja negativan upit postoji i treba ga koristiti — ali za artefakte, a ne za sadržaj. Dobar materijal: vodeni žig, natpis preko slike, udvojeni udovi, izobličene šake, oreoli od preteranog izoštravanja, JPEG blokovi, šavovi duž ivice montaže. Loš materijal: bilo šta o tome šta je na slici, što pripada uputstvu.

11Čitanje upita koji Shannon napiše umesto vas

Evo šta ovaj vodič čini odmah upotrebljivim, a ne teorijskim. Ne morate sami da pišete upit za generisanje. Pitate običnim jezikom, na bilo kom jeziku; Shannon prepozna da se traži slika, sastavi engleski upit za generisanje i pokaže vam ga na kartici potvrde pre nego što se išta iscrta. Ništa se ne generiše i ništa se ne naplaćuje dok ne potvrdite.

Zato veština koja se najviše isplati nije pisanje upita ni iz čega — nego čitanje onog na kartici. Prođite kroz ovu listu:

1. Da li je motiv konkretan? Ako kartica kaže „osoba” ili „žena”, našli ste najveće moguće poboljšanje. Dajte tome doba, građu, neku odliku.
2. Da li je motiv prvi? Ako upit počinje stilom ili kamerom, tražite da počne od motiva.
3. Da li je u rasponu? Ispod 30 reči tražite više određenosti o svetlu i ambijentu. Preko 100, tražite skraćivanje.
4. Postoji li izvor svetla? Ne reč o raspoloženju — stvarno svetlo: prozor, ulična lampa, blic, oblačno nebo, softboks.
5. Ima li protivrečnosti? Potražite dva medija, dva kadriranja ili dva uslova osvetljenja u istom upitu.
6. Ima li prokrijumčarenih negacija? Ako kartica sadrži „bez”, „ne” ili „izbegni”, to je upit za pretvaranje teksta u sliku koji traži baš ono što imenuje.
7. Da li odnos odgovara motivu? Figura u punoj visini u wide je klasičan nesklad.

Ispravke su razgovorne: „neka bude u ranim tridesetim sa ožiljkom kroz obrvu, snimi to na Portra sa 85mm i koristi portrait” savršeno je dobro uputstvo. Dobijate novu karticu i potvrđujete tu. Nema kazne za ponavljanje, jer se još ništa nije iscrtalo.

I Shannon ne generiše nepozvan. Pozdrav, pitanje ili fotografija koju priložite radi razgovora ne pokreću iscrtavanje. Tražiti od Shannon-a da pogleda sliku — opiše je, pročita, analizira — običan je vizuelni posao, a ne generisanje, i ne košta ništa dodatno.

12Kako se zanat menja kod uređivanja i spajanja

Gornja pravila pisana su za generisanje. Dva srodna režima menjaju oblik upita.

Uređivanje jedne slike

Upit za uređivanje je uputstvo, a ne opis: navedite šta se menja, a šta ostaje. Imenovanje nepromenjenih delova najveća je poluga kvaliteta u proizvodu — „Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is” drži se zajedno tamo gde isti zahtev bez te rečenice tiho iznova iscrtava njeno lice. Budite određeni u pogledu sidra: neka lice, poza, kosa i odeća ostanu istovetni. Koristi se tačno jedna izvorna slika, a izlaz zadržava njen odnos stranica.

Spajanje dve ili više slika

Kad god elementi dolaze sa više od jedne slike — prenos odeće, predmet u scenu, dve osobe u jednom kadru, proizvod na osobi, stil sa jedne slike sa motivom sa druge — upit mora da imenuje ulogu svake slike, redom: „The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.” Prva slika je glavni motiv ili scena; kasnije slike daju delove koji se unose. Nemojte svoditi zahtev sa više slika na jedan izvor plus tekstualni opis — spajanje stvarnih slika je ono što čuva kako te stvari zaista izgledaju.

13Upiti bez cenzure: recite šta mislite

Nema filtera sadržaja na putanji generisanja ni sloja odbijanja na modelu koji piše upit. To je cela poenta proizvoda: filtrirani generatori redovno odbijaju legitiman posao — umetničke aktove, medicinsku i forenzičku ilustraciju, slike za bezbednosna istraživanja, nasilje u fikciji, političku satiru, rad sa brendom i likom od strane nosioca prava. Pola zanata pisanja upita na filtriranim platformama jeste inženjering eufemizama, a eufemizam je neprijatelj tačne slike.

Zato treba proveriti još jednu stvar na kartici: da li opisuje stvarni motiv običnim rečima, a ne ograđenim rečnikom koji ljudi nauče od filtriranih alata. Forenzička ilustracija rane treba da kaže kakva je rana. Ograđen jezik svuda daje lošiju sliku, jer model iscrtava ono što reči kažu.

Sposobnost i procena su odvojene stvari. Shannon Lab LLC ovo vodi po objavljenoj Politici odgovorne upotrebe: nefiltrirano generisanje je profesionalni alat, a pristanak, prava i zakon i dalje važe za ono što napravite.

14Gde se uklapa API

Jedna napomena radi tačnosti za čitaoce koji dolaze iz pretrage o API-ju: generisanje, uređivanje i spajanje slika žive u Shannon aplikaciji za ćaskanje, a ne na /v1 API-ju. API služi za tekst i vizuelni ulaz — može da čita, opisuje i analizira slike koje mu pošaljete kroz sva tri dijalekta (/v1/chat/completions, /v1/messages, /v1/responses, svi sa strimingom) — ali ih ne stvara. Ako gradite tok koji treba da razume slike, API dokumentacija je mesto za početak. Ako želite da pravite slike, to je aplikacija za ćaskanje, i sve u ovom vodiču važi tamo. Slike se iscrtavaju na našem sopstvenom GPU klasteru.

15Često postavljana pitanja

Srodno štivo: Generisanje slika bez cenzure · Uređivanje slika bez cenzure · Politika odgovorne upotrebe · API dokumentacija · Sva Shannon istraživanja. Smernice ovde potiču iz našeg sopstvenog testiranja Shannon-ovog Modela za slike; saveti pisani za ranije difuzione sisteme uglavnom se ne prenose.