Ang Gabay sa AI Image Prompt

Karamihan sa mga tao ay dumarating na may mga gawi sa prompt na natutuhan sa SDXL: isang tuloy-tuloy na hanay ng pangngalang pinaghihiwalay ng kuwit, isang paunang salita ng mga quality token, ilang timbang sa loob ng panaklong, at isang negative prompt na kasinghaba ng positibo. Tama ang mga gawing iyon para sa mga model na iyon at kontra-produktibo ang mga ito rito. Ito ang maikling bersyon ng talagang gumagana — at dahil sinusulat ng Shannon ang generation prompt para sa iyo at ipinapakita ito bago mag-render ang kahit ano, gabay din ito sa pagbabasa at pagwawasto ng iminumungkahi ng Shannon.

01Bakit mas mahusay ang prosa kaysa tag: bumabasa ang model tulad ng language model

Ang mga mas lumang diffusion model na pinagsulatan ng karamihan sa payo tungkol sa prompt ay gumamit ng text encoder na kumilos, sa praktika, na parang isang supot ng konsepto: halos walang halaga ang gramatika, at ang panalong estratehiya ay magtambak ng may-kaugnayang pangngalan at kilingan sila ng timbang. Ang sabaw ng tag ang tamang hugis ng prompt para sa encoder na iyon.

Hindi ganoon gumagana ang Image Model ng Shannon. Binabasa nito ang prompt sa paraang binabasa ng language model ang teksto, kaya may dalang kahulugan ang syntax. Ang "Holding an umbrella against her shoulder" ay ugnayan ng isang tao, isang bagay at isang bahagi ng katawan; ang "umbrella, shoulder" ay dalawang bagay na nagkataong naroon. Naglalagay ng lugar ang mga pang-ukol. Lumilikha ng postura ang mga pandiwa. Ikinakabit ng mga sugnay ang detalye sa tamang pangngalan sa halip na hayaan itong lumutang sa buong larawan.

Narito ang parehong larawan na hiniling sa dalawang paraan.

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.

Tingnan ang hindi kayang ipahayag ng bersyong tag. Hindi nito kailanman sinasabing hawak ang payong, kaya baka nakahiga ito sa lupa. Hindi nito kailanman sinasabing nakasalamin ang neon sa aspalto, sinasabi lang nitong pareho silang umiiral, kaya nakukuha mo ang mga karatula at basang kalsada nang walang optikal na ugnayan sa pagitan nila. Hindi nito kailanman sinasabi kung saan nakatingin ang babae, kaya sabog ang postura niya. Ang "cinematic lighting" ay label ng damdamin, hindi pinagmumulan ng liwanag. At ang huling limang token ay ingay, na binabasa bilang mga salitang Ingles tungkol sa potograpiya sa halip na bilang hawakan ng kontrol.

Hindi mas mahaba ang bersyong prosa dahil mabulaklak ito. Mas mahaba ito dahil sinasagot nito ang mga tanong na iniwang bukas ng bersyong tag. Iyon lang ang buong sikreto.

02Gaano dapat kahaba ang isang image prompt?

Layunin ang 30 hanggang 80 salita. Huwag lumampas nang malayo sa 100. Ito ang pinakamadaling palanggana ng kalidad na mayroon ka, at mahalaga ang dalawang dulo ng saklaw.

Sa ilalim ng humigit-kumulang 30 salita ay hindi natutukoy ang komposisyon, liwanag at frame, kaya pinipili ng model ang pinaka-ordinaryo ayon sa estadistika. Ang "A woman in a coffee shop" ay tumpak na prompt na bumubuo ng malilimutang larawan, dahil ipinaubaya mo ang bawat kawili-wiling desisyon.

Higit sa halos 100 salita, lumilitaw ang ibang pagkabigo: nakikipagkumpitensya ang mga huling sugnay sa mga naunang sugnay para sa parehong bahagi ng larawan, at sa halip na maipon ang detalye ay nalalabnaw ito. Binabaligtad ng ikatlong paglalarawan ng liwanag ang una, at ang paksang itinatag mo sa unang walong salita ay nakakakuha ng mas kaunting kaugnay na atensyon sa bawat pangungusap na idinaragdag mo. Mukhang masinsinan ang mahahabang prompt. Hindi sila nire-render nang masinsinan.

Ang disiplina: isulat ang prompt na gusto mo, tapos putulin ito pabalik sa mga pangungusap na magbabago sa larawan kung tatanggalin.

03Ang disiplina sa pagkakasunod: una ang pinakamahalaga

Dahil sunod-sunod na bumabasa ang model, ang posisyon ay diin: ang nauuna ang nag-aangkla sa larawan, ang nahuhuli ang nag-aayos nito. Ilagay ang mga bagay sa pagkakasunod na kailangan ng model:

1. Paksa — sino o ano ang larawang ito, nang konkreto.
2. Kilos o postura — ano ang ginagawa nila, paano sila nakaanyo.
3. Istilo o damdamin — litrato, oil painting, teknikal na ilustrasyon, at ang antas nito.
4. Tagpuan at liwanag — saan ito nangyayari at anong liwanag ang dumadapo rito.
5. Teknikal — frame, lente, depth of field, tiyak na kulay.

Ang pinakakaraniwang sariling sugat ay ang pagsisimula sa teknikal na sugnay. Ang pagbubukas ng "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" ay nagsasabi sa model na ang hitsura ang paksa at ang lalaki ay isang detalye lang. Nakakakuha ka ng magandang frame na walang laman at may maliit at malabong pigura rito.

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.

Bawat elemento mula sa unang bersyon ay nakaligtas sa pangalawa; walang tinanggal. Alam na lang ngayon ng model kung tungkol saan ang larawan bago sabihin dito kung paano ito kukunan — at ang muling pagsasaayos na iyon lang ang naglilipat sa paksa mula sa pang-aksidente tungo sa sentro.

04Maging konkreto tungkol sa paksa

Ang "A person" ay hindi paksa, isa itong panakip-butas — at pinupunan ng model ang mga panakip-butas ng karaniwan ng lahat ng nakita nito, at doon mismo nanggagaling ang makintab, walang-edad at walang-katangiang hitsura. Ang pagiging konkreto ay nagkakahalaga ng limang salita at bumibili ng isang tiyak na tao:

Pansinin ang pattern: edad o panahon, isang istruktural na katangian, isang natatanging di-perpekto. Ang ikatlong bagay na iyon ang nagpaparamdam na kinunan ang resulta sa halip na ginawa. Isang basag na ngipin, isang gasgas na laylayan, isang pinintahang karatula — ang maliliit na asimetriya ang pinakamalakas na senyales laban sa plastik na hitsura, at halos wala silang halaga sa badyet mo ng salita.

05Photorealism: isulat ang kahilingan bilang litrato

Ang photorealism ang default na antas maliban kung humingi ka ng sining, ilustrasyon o anime. Pero kaunti lang ang nagagawa ng salitang "photorealistic". Ang bumubuo ng litrato ay ang paglalarawan sa gawain ng potograpiya: isang tunay na kamera, isang tunay na lente, at isang tunay na uri ng pelikula o pinagmumulan ng liwanag.

Simple ang dahilan. Bawat larawang may caption na "Kodak Portra 400" ay ginawa sa tiyak na proseso na may tiyak na istraktura ng butil, pag-ikot ng highlight at pagpapakita ng balat, at tinatawag ng pagpangalan sa uri ng pelikula ang lahat ng iyon. Ang "8k ultra detailed" ay lumitaw lang sa spam ng mga stock site, kaya spam ng stock site ang tinatawag nito. Ilang maaasahang resipe, bawat isa ay bumubuo ng kakaibang larawan ng parehong paksa:

Itugma ang pag-aangkla sa resipe — ang tekstura ng balat sa antas ng butas ay walang kahulugan sa 24mm wide kung saan walumpung pixel lang ang taas ng mukha — at saka idagdag ito. Ang nakakaangklang detalye ay ang ebidensya ng tekstura na talagang may lenteng nagtala nito. Nakikitang butas ng balat at pinong balahibo sa mukha. Ang hibla ng kamisadentrong lino. Alikabok sa sinag ng liwanag. Isang gasgas sa botang balat. Mga lipad na buhok laban sa maliwanag na background. Dalawa o tatlo ay sapat na, at sila ang pagkakaiba ng isang rendering ng tao at isang litrato ng tao.

06Mga eksenang may patong: harapan, gitna, likuran

Kapag may lalim ang eksena, ilarawan ang tatlong patong nang magkahiwalay at ayon sa pagkakasunod. Ito ang pinakaepektibong teknik para sa mga larawang dapat maramdamang lugar sa halip na telon, at halos walang gumagawa nito. Kung wala ito ay nakukuha mo ang pagiging patag: lahat ng binabanggit ng prompt ay dumadapo sa halos parehong layo, na naglalaban para sa parehong gitnang banda ng frame. Ang pagpangalan sa mga patong ay nagbibigay sa model ng badyet ng lalim na gagastusin.

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.

Dalawang pagpipino. Maglagay ng bagay sa harapan na sinadyang wala sa focus — halos palaging may ganoon ang tunay na litrato ng malalalim na eksena, at karaniwang palatandaan ang kawalan nito. At sabihin kung aling patong ang inuukupa ng paksa: kung ang courier ang punto ng larawan ay nabibilang siya sa gitna, kung hindi ay lalabanan siya ng tore at ng tasa ng kape para sa frame.

07Eksaktong kulay: hex code, nakakabit sa mga bagay

Para sa trabahong pang-brand, pagkakatuloy ng kasuotan, o saanman hindi sapat na tiyak ang "pula", isulat ang hex code bilang color #RRGGBB at ikabit ito sa isang pinangalanang bagay:

...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...

Tatlong pangkalahatang tuntunin. Gamitin ang hex para sa dalawa o tatlong kulay na talagang mahalaga at plain na salita para sa iba — ang prompt na may anim na hex code ay ginagastos ang halos buong badyet nito sa mga tipak ng pintura. Itali ang code sa bagay na may gilid, hindi kailanman sa "liwanag" o sa "damdamin". At tandaang tinutukoy nito ang kulay ng bagay, hindi ang huling halaga ng pixel: ang amerikanang #8B0000 sa backlight ng golden hour ay nire-render nang mas mainit kaysa sa swatch, gaya mismo ng mangyayari sa totoong buhay.

08Pagpili ng aspect ratio

Limang ratio ang available at ang tama ay kadalasang ipinapahiwatig na ng paksa, pero laging panalo ang tahasang hiling mo — humingi ng wallpaper at makukuha mo ang tall anuman ang ipinapahiwatig ng nilalaman.

Mas mapaminsala kaysa sa akala ang pagkakamali rito. Ang buong-katawang nakatayong pigura sa wide na frame ay hindi nagbibigay sa iyo ng maliit na pigura sa malaking frame — kadalasan ay nagbibigay ito ng putol na pigura, dahil pinupunan ng model ang lapad at lumalabas sa frame ang ulo o mga paa. Itugma ang frame sa nangingibabaw na aksis ng paksa at mawawala ang halos lahat ng reklamo sa komposisyon.

Dalawang gawi na sulit tandaan: awtomatikong pinapanatili ng pag-edit ang aspect ratio ng pinagmulang larawan, kaya hindi ka makakapag-frame muli sa pag-edit, samantalang hinahayaan ka ng pagsasama na pumili ng bagong canvas — kadalasan ang pinakamalinis na paraan para baguhin ang hugis ng mayroon ka na.

09Mga maling gawi: ano ang dapat itigil

Mga quality token: "masterpiece, best quality, 8k, ultra detailed"

Ang mga ito ay natuklasan ng komunidad bilang hawakan para sa isang tiyak at mas lumang distribusyon ng pagsasanay, kung saan may kaugnayan ang ilang parirala sa caption sa ilang pinagmulan ng larawan. Hindi sila naililipat. Dito ay binabasa sila bilang karaniwang salitang Ingles, walang naiaambag, at kinakain nila ang bahagi ng badyet ng salita na sinabi nang masikip. Ang kapalit ay sabihin kung aling detalye ang gusto mo: hindi "ultra detailed" kundi "visible weave in the coat fabric and fine stubble along the jaw" — parehong intensyon, ipinahayag bilang bagay na kayang i-render ng model.

Weight syntax: (word:1.3), [word], {{word}}

Hindi binabasa. Ang mga panaklong, bracket, tutuldok at numero ay dumadapo bilang literal na teksto at, kung mayroon man, ginagawa nilang mas mahirap basahin ang nakapaligid na sugnay. Kung gusto mo ng mas maraming diin sa isang bagay, gamitin ang dalawang palangganang talagang gumagana: ilipat ito nang mas maaga sa prompt, at bigyan ito ng mas maraming salita. Ang "A crimson silk scarf, its fringed ends lifting in the wind" ay lumalampas sa "(red scarf:1.4)" sa bawat sukatang mahalaga.

Magkasalungat na direksyon

Ang paghahalo ng hindi magkatugmang tagubilin ay hindi sila pinagsasama; bumubuo ito ng hindi matatag na karaniwan na kadalasang walang nabibigyang-kasiyahan. Ang mga madalas na lumalabag:

• Midyum — "photorealistic" kasama ang "watercolor"; "oil painting" kasama ang "shot on 85mm". Pumili ng isa at manindigan.
• Frame — "wide establishing shot" kasama ang "extreme close-up on her eyes"; "full body" kasama ang "detailed facial pores".
• Liwanag — "harsh midday sun" kasama ang "soft golden hour glow"; "low key, deep shadows" kasama ang "bright and airy".
• Panahon — "1970s film aesthetic" kasama ang "modern minimalist" kasama ang "cyberpunk".
• Pagsalansan ng istilo — apat na artista o apat na genre nang sabay. Puwedeng gumana ang dalawang magkaugnay na sanggunian; ang apat ay nagkakansela tungo sa pangkaraniwan.
• Pagkalat — ang "rustic, weathered, ancient, timeworn wooden door" ay isang ideyang isinulat nang apat na beses, at nilalabnaw ng bawat pag-uulit ang natitirang bahagi ng prompt.

10Walang negative prompt sa text-to-image

Ito ang maling gawing pinakamalakas na tumatama sa mga bihasang gumagamit, dahil sa mas lumang stack ay kalahati ng sining ang negative prompt.

Para sa paggawa, ganap at bahagyang kabaligtaran ng inaasahan ang tuntunin: ang pagsulat ng "no text, no watermark, no extra fingers" sa prompt ay nagpapalaki ng tsansang mangyari ang mga bagay na iyon, hindi nagpapaliit. Binabasa ng model ang "no text" bilang pangungusap na may konseptong text; mahina ang senyales ng pagtanggi at malakas ang pangngalan. Epektibo mong hiningi ang teksto. Palaging isulat ang positibong anyo:

Para sa pag-edit at pagsasama ay umiiral ang negative prompt at dapat mo itong gamitin — pero para sa mga artifact, hindi para sa nilalaman. Magandang materyal: watermark, nakapatong na teksto, dobleng paa't kamay, baluktot na kamay, halo mula sa sobrang pagpapatalas, JPEG blocking, mga linya ng tahi sa gilid ng pinagsamang larawan. Masamang materyal: anumang tungkol sa kung ano ang larawan, na nabibilang sa tagubilin.

11Pagbabasa sa prompt na isinusulat ng Shannon para sa iyo

Narito ang nagpapagamit agad sa gabay na ito sa halip na maging teoretikal. Hindi mo kailangang isulat mismo ang generation prompt. Humihiling ka sa payak na wika, sa anumang wika; nakikilala ng Shannon na may hinihiling na larawan, binubuo nito ang Ingles na generation prompt, at ipinapakita ito sa iyo sa isang confirmation card bago mag-render ang kahit ano. Walang ginagawa at walang sinisingil hangga't hindi ka kumukumpirma.

Kaya ang kasanayang pinakamabuting nagbubunga ay hindi ang pagsulat ng prompt mula sa wala — ito ay ang pagbabasa ng nasa card. Sundan ang listahang ito:

1. Konkreto ba ang paksa? Kung sinasabi ng card na "a person" o "a woman", nahanap mo ang pinakamalaking pagbuting available. Bigyan ito ng edad, pangangatawan, katangian.
2. Nauuna ba ang paksa? Kung nagbubukas ang prompt sa istilo o sa kamera, hilingin na paksa ang mangunguna.
3. Nasa saklaw ba ito? Kung mas mababa sa 30 salita, humingi ng mas maraming detalye sa liwanag at tagpuan. Kung lampas 100, hilingin na putulin ito.
4. May pinagmumulan ba ng liwanag? Hindi salita ng damdamin — isang tunay na liwanag: bintana, poste ng ilaw, flash, maulap na langit, softbox.
5. May salungatan ba? Hanapin ang dalawang midyum, dalawang frame, o dalawang kondisyon ng liwanag sa iisang prompt.
6. May naipuslit bang negatibo? Kung may "without", "no", o "avoid" ang card, iyon ay prompt na text-to-image na humihingi ng bagay na pinapangalanan nito.
7. Tama ba ang ratio para sa paksa? Ang buong-katawang pigura sa wide ang klasikong hindi pagkakatugma.

Pakikipag-usap lang ang pagwawasto: ang "gawin mo siyang nasa maagang tatlumpu na may peklat sa isang kilay, kunan gamit ang Portra sa 85mm, at gamitin ang portrait" ay ganap na maayos na tagubilin. Makakakuha ka ng bagong card at iyon ang kukumpirmahin mo. Walang parusa sa pag-uulit, dahil wala pang nire-render.

At hindi gumagawa ang Shannon nang hindi inanyayahan. Ang pagbati, ang tanong, o ang litratong ikinabit mo para pag-usapan ay hindi nagbubunsod ng render. Ang paghiling sa Shannon na tingnan ang isang larawan — ilarawan ito, basahin ito, suriin ito — ay karaniwang vision work, hindi paggawa, at walang dagdag na bayad.

12Paano nagbabago ang sining para sa pag-edit at pagsasama

Ang mga tuntunin sa itaas ay isinulat para sa paggawa. Dalawang katabing mode ang nagbabago sa hugis ng prompt.

Pag-edit ng isang larawan

Ang prompt sa pag-edit ay tagubilin, hindi paglalarawan: sabihin kung ano ang nagbabago at ano ang nananatili. Ang pagpangalan sa mga bahaging hindi nagbabago ay ang pinakamalaking palanggana ng kalidad sa produkto — ang "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" ay nagkakabuo kung saan tahimik na muling iginuguhit ng parehong kahilingan na walang sugnay na iyon ang mukha niya. Maging tiyak tungkol sa angkla: panatilihing magkapareho ang mukha, postura, buhok at damit. Eksaktong isang pinagmulang larawan ang ginagamit, at pinapanatili ng output ang aspect ratio nito.

Pagsasama ng dalawa o higit pang larawan

Tuwing galing sa higit sa isang larawan ang mga elemento — paglilipat ng damit, isang bagay tungo sa isang eksena, dalawang tao sa iisang frame, produkto-sa-tao, isang istilo mula sa isang larawan kasama ang paksa mula sa iba — kailangang pangalanan ng prompt ang papel ng bawat larawan, ayon sa pagkakasunod: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." Ang unang larawan ang pangunahing paksa o eksena; ang mga susunod na larawan ang nagbibigay ng mga bahaging idinadagdag. Huwag ipatong ang maramihang-larawang kahilingan sa iisang pinagmulan kasama ang tekstong paglalarawan — ang pagsasama ng tunay na mga larawan ang nagpapanatili kung paano talaga ang hitsura ng mga bagay na iyon.

13Uncensored na prompting: sabihin ang ibig mong sabihin

Walang content filter sa daanan ng generation at walang refusal layer sa model na sumusulat ng prompt. Iyon ang buong punto ng produkto: rutinang tinatanggihan ng mga may-filter na generator ang lehitimong trabaho — art nudes, medikal at forensic na ilustrasyon, larawan para sa security research, karahasan sa kathang-isip, political satire, trabaho sa brand at wangis ng mismong may-ari ng karapatan. Kalahati ng sining ng prompt sa mga plataporma na may filter ay inhenyeriya ng eupemismo, at ang eupemismo ang kaaway ng tumpak na larawan.

Kaya may isa pang bagay na susuriin sa card: na inilalarawan nito ang aktuwal na paksa sa payak na salita sa halip na sa maingat na bokabularyong natututuhan ng mga tao sa may-filter na kasangkapan. Ang forensic na ilustrasyon ng sugat ay dapat magsabi kung ano ang sugat. Bumubuo ng mas masamang larawan ang maingat na pananalita kahit saan, dahil nire-render ng model ang sinasabi ng mga salita.

Magkahiwalay na bagay ang kakayahan at ang paghatol. Pinapatakbo ito ng Shannon Lab LLC sa ilalim ng inilathalang Responsible Use Policy: ang generation na walang filter ay propesyonal na kasangkapan, at ang pahintulot, ang mga karapatan at ang batas ay umiiral pa rin sa ginagawa mo.

14Saan pumapasok ang API

Isang punto ng katumpakan para sa mga mambabasang nanggaling sa paghahanap tungkol sa API: ang paggawa, pag-edit at pagsasama ng larawan ay nasa Shannon chat app, hindi sa /v1 API. Naghahatid ang API ng teksto at vision — kaya nitong basahin, ilarawan at suriin ang mga larawang ipinapadala mo sa lahat ng tatlong dialect (/v1/chat/completions, /v1/messages, /v1/responses, lahat may streaming) — pero hindi ito gumagawa ng mga ito. Kung nagtatayo ka ng pipeline na kailangang umunawa ng larawan, ang dokumentasyon ng API ang simulan mo. Kung gusto mong gumawa ng larawan, ang chat app iyon, at lahat ng nasa gabay na ito ay para roon. Nire-render ang mga larawan sa sarili naming GPU cluster.

15Mga madalas itanong

Kaugnay na babasahin: Uncensored na AI image generation · Uncensored na pag-edit ng larawan gamit ang AI · Responsible Use Policy · Dokumentasyon ng API · Lahat ng Shannon research. Ang gabay dito ay hango sa sarili naming pagsubok sa Image Model ng Shannon; ang payong isinulat para sa mas lumang diffusion stack ay karaniwang hindi naililipat.