Посібник з промптів для зображень ШІ

Більшість людей приходить зі звичками промптингу, засвоєними на SDXL: рядок іменників через кому, преамбула з токенів якості, кілька ваг у дужках і негативний промпт завдовжки з позитивний. Для тих моделей ці звички були правильними, а тут вони шкодять. Ось коротка версія того, що справді працює, — і, оскільки Shannon пише промпт генерації за вас і показує його до будь-якого рендерингу, це водночас посібник з читання та виправлення того, що Shannon пропонує.

01Чому проза краща за теги: модель читає як мовна модель

Старіші дифузійні моделі, для яких писали більшість порад щодо промптів, використовували текстовий кодувальник, що на практиці поводився як мішок понять: граматика майже не мала значення, а виграшною стратегією було нагромадити доречні іменники й зсунути їх вагами. Для того кодувальника суп із тегів був правильною формою промпта.

Модель зображень Shannon працює інакше. Вона читає промпт так, як мовна модель читає текст, тож синтаксис несе зміст. «Тримає парасолю, спершу на плече» — це зв'язок між людиною, предметом і частиною тіла; «парасоля, плече» — це дві речі, які просто присутні. Прийменники розміщують предмети. Дієслова створюють пози. Підрядні речення прикріплюють деталь до потрібного іменника, а не дають їй розпливтися по всьому зображенню.

Ось те саме зображення, запитане обома способами.

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.

Подивіться, чого версія з тегами не здатна виразити. Вона ніде не каже, що парасолю тримають, тож та може опинитися на землі. Вона ніде не каже, що неон відбивається в асфальті, лише що існує і те, і те, — тож ви отримуєте вивіски й мокру вулицю без жодного оптичного зв'язку між ними. Вона ніде не каже, куди дивиться жінка, тож її поза — підкидання монети. «Cinematic lighting» — це ярлик настрою, а не джерело світла. А останні п'ять токенів є шумом, який читається як англійські слова про фотографію, а не як важелі керування.

Прозова версія довша не через квітчастість. Вона довша, бо відповідає на питання, які версія з тегами лишила відкритими. У цьому весь фокус.

02Якої довжини має бути промпт для зображення?

Орієнтуйтеся на 30–80 слів. Не заходьте набагато далі за 100. Це найпростіший доступний вам важіль якості, і обидва кінці діапазону мають значення.

Менш ніж на 30 словах композиція, світло й кадрування лишаються незаданими, тож модель бере те, що статистично найзвичайніше. «Жінка в кав'ярні» — цілком коректний промпт, який дає забутне зображення, бо ви делегували кожне цікаве рішення.

Понад приблизно 100 слів з'являється інша вада: пізні частини конкурують з ранніми за ті самі ділянки зображення, і замість накопичення деталей ви отримуєте розведення. Третій опис освітлення скасовує перший, а об'єкт, заданий у перших восьми словах, отримує дедалі менше відносної уваги з кожним доданим реченням. Довгі промпти читаються як ретельні. Але рендеряться вони не як ретельні.

Дисципліна така: напишіть промпт, який хочете, а тоді скоротіть його до тих речень, чиє видалення змінило б зображення.

03Дисципліна порядку: найважливіше першим

Оскільки модель читає послідовно, позиція є акцентом: те, що йде першим, закріплює зображення, те, що останнім, його підлаштовує. Розставляйте в тому порядку, який потрібен моделі:

1. Об'єкт — хто або що зображено, конкретно.
2. Дія або поза — що робить, як тримається.
3. Стиль або настрій — фотографія, олійний живопис, технічна ілюстрація й регістр, у якому це подано.
4. Обстановка й освітлення — де це відбувається і яке світло на це падає.
5. Технічні деталі — кадрування, об'єктив, глибина різкості, конкретика кольору.

Найпоширеніша самозаподіяна рана — почати з технічної частини. Початок на кшталт «Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper» каже моделі, що об'єктом є вигляд, а чоловік — деталь. Ви отримуєте розкішний порожній кадр із маленькою невиразною постаттю в ньому.

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.

Кожен елемент з першої версії вцілів у другій; нічого не викинуто. Просто тепер модель знає, що зображено, перш ніж їй скажуть, як це знімати, — і сама лише ця перестановка переводить об'єкт із випадкового в центральний.

04Будьте конкретні щодо об'єкта

«Людина» — це не об'єкт, а заповнювач, і модель заповнює такі місця усередненням усього, що бачила, — саме звідти й береться той глянцевий, безвіковий, безхарактерний вигляд. Конкретність коштує п'яти слів і купує вам конкретну людину:

Зверніть увагу на схему: вік або епоха, одна структурна ознака, одна вирізняльна недосконалість. Саме третій пункт робить результат таким, що здається знятим, а не згенерованим. Сколотий зуб, витертий поділ, замальована вивіска — дрібні асиметрії є найсильнішим доступним сигналом проти «пластмасовості», і в бюджеті слів вони коштують майже нічого.

05Фотореалізм: пишіть запит як фотографію

Фотореалізм є типовим регістром, якщо ви не просите арт, ілюстрацію чи аніме. Але слово «photorealistic» майже не працює. Фотографію породжує опис самого акту фотографування: справжня камера, справжній об'єктив і справжня плівка чи джерело світла.

Причина проста. Кожне зображення з підписом «Kodak Portra 400» було зроблене конкретним процесом із конкретною структурою зерна, спадом у світлах і передачею шкіри, і називання плівки залучає все це. «8k ultra detailed» траплялося лише у спамі фотостоків, тож воно й залучає спам фотостоків. Кілька надійних рецептів, кожен з яких дає виразно інше зображення того самого об'єкта:

Узгоджуйте заземлення з рецептом — текстура шкіри на рівні пор нічого не варта в ширококутнику 24mm, де обличчя заввишки вісімдесят пікселів, — а тоді додайте його. Заземлювальна деталь — це текстурний доказ того, що це справді записав об'єктив. Видимі пори шкіри й тонке волосся на обличчі. Плетіння лляної сорочки. Порошинки в промені світла. Потертість на шкіряному чоботі. Вибиті волосинки на світлому тлі. Двох-трьох достатньо, і саме вони є різницею між рендером людини та її фотографією.

06Багатопланові сцени: передній, середній і задній плани

Коли сцена має глибину, описуйте три плани окремо й по порядку. Це найдієвіша техніка для зображень, які мають відчуватися як місця, а не як задники, і майже ніхто цього не робить. Без неї ви отримуєте пласкість: усе згадане в промпті опиняється приблизно на одній відстані й конкурує за ту саму середню смугу кадру. Називання планів дає моделі бюджет глибини, який вона може витратити.

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.

Два уточнення. Помістіть на передній план щось навмисно розфокусоване — на справжніх фотографіях глибоких сцен таке є майже завжди, і його відсутність є типовою ознакою підробки. І скажіть, який план займає об'єкт: якщо кур'єрка є суттю зображення, їй місце на середньому плані, інакше вежа й стаканчик кави битимуться з нею за кадр.

07Точні кольори: шістнадцяткові коди, прив'язані до об'єктів

Для роботи з брендом, для сталості костюма чи всюди, де «червоний» недостатньо конкретно, пишіть шістнадцятковий код як color #RRGGBB і прив'язуйте його до названого об'єкта:

...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...

Три практичні правила. Використовуйте шістнадцяткові коди для двох-трьох кольорів, які справді мають значення, а решту описуйте звичайними словами — промпт із шістьма кодами витрачає більшу частину бюджету на зразки фарби. Прив'язуйте код до об'єкта з краями, ніколи до «освітлення» чи «настрою». І пам'ятайте, що він задає колір об'єкта, а не остаточне значення пікселя: пальто #8B0000 у контровому світлі золотої години відрендериться теплішим за зразок — точно так само, як це було б у житті.

08Вибір співвідношення сторін

Доступно п'ять співвідношень, і потрібне зазвичай випливає з об'єкта, але ваш явний запит завжди переважає — попросіть шпалери й отримаєте tall незалежно від того, на що натякає зміст.

Помилка тут шкодить більше, ніж здається. Фігура на повний зріст у кадрі wide дає вам не маленьку фігуру у великому кадрі — зазвичай вона дає обрізану, бо модель заповнює ширину, і голова чи ноги виходять за межі кадру. Узгодьте кадр із домінантною віссю об'єкта — і більшість нарікань на композицію зникне.

Дві поведінки, які варто пам'ятати: редагування автоматично зберігає співвідношення сторін вихідного зображення, тож перекадрувати редагуванням не вийде, тоді як поєднання дозволяє обрати нове полотно — часто це найчистіший спосіб змінити формат того, що у вас уже є.

09Антипатерни: від чого відмовитися

Токени якості: «masterpiece, best quality, 8k, ultra detailed»

Це були відкриті спільнотою важелі для конкретного старішого тренувального розподілу, де певні фрази підписів корелювали з певними джерелами зображень. Вони не переносяться. Тут їх читають як звичайні англійські слова, вони нічого не додають і з'їдають частину бюджету слів, про тісноту якого вам уже сказали. Заміна — сказати, яку саме деталь ви хочете: не «ultra detailed», а «видиме плетіння тканини пальта й тонка щетина вздовж щелепи» — той самий намір, виражений як щось, що модель може відрендерити.

Синтаксис ваг: (word:1.3), [word], {{word}}

Не розбирається. Дужки, квадратні дужки, двокрапки й числа потрапляють у промпт як буквальний текст і хіба що ускладнюють читання сусідньої частини. Якщо ви хочете більше акценту на чомусь, скористайтеся двома важелями, які працюють: перемістіть це раніше в промпті й дайте цьому більше слів. «A crimson silk scarf, its fringed ends lifting in the wind» переважує «(red scarf:1.4)» за кожним важливим показником.

Суперечливі вказівки

Змішування несумісних інструкцій їх не поєднує; воно дає нестійке усереднення, яке зазвичай не задовольняє жодної. Часті порушники:

• Медіум — «photorealistic» плюс «watercolor»; «oil painting» плюс «shot on 85mm». Оберіть одне й тримайтеся.
• Кадрування — «wide establishing shot» плюс «extreme close-up on her eyes»; «full body» плюс «detailed facial pores».
• Освітлення — «harsh midday sun» плюс «soft golden hour glow»; «low key, deep shadows» плюс «bright and airy».
• Епоха — «1970s film aesthetic» плюс «modern minimalist» плюс «cyberpunk».
• Нагромадження стилів — чотири художники або чотири жанри одночасно. Два споріднені орієнтири можуть спрацювати; чотири взаємно знищуються до загального місця.
• Розповзання — «rustic, weathered, ancient, timeworn wooden door» — це одна ідея, написана чотири рази, і кожен повтор розводить решту промпта.

10У «текст у зображення» негативного промпта немає

Це той антипатерн, який найдужче ловить досвідчених користувачів, бо на старіших стеках негативний промпт був половиною ремесла.

Для генерації правило абсолютне й трохи неінтуїтивне: написане в промпті «no text, no watermark, no extra fingers» робить ці речі ймовірнішими, а не менш імовірними. Модель читає «no text» як речення, що містить поняття текст; заперечення є слабким сигналом, а іменник — сильним. Фактично ви попросили текст. Натомість завжди формулюйте позитивно:

Для редагування та поєднання негативний промпт існує, і його варто використовувати — але для артефактів, а не для змісту. Добрий матеріал: водяний знак, накладений текст, здвоєні кінцівки, викривлені руки, ореоли надмірного різкості, блочність JPEG, лінії шва вздовж краю монтажу. Поганий матеріал: будь-що про те, що зображено, — це належить в інструкцію.

11Читання промпта, який Shannon пише за вас

Ось що робить цей посібник одразу застосовним, а не теоретичним. Вам не обов'язково писати промпт генерації самим. Ви просите звичайною мовою, будь-якою мовою; Shannon розпізнає, що йдеться про запит зображення, складає англійський промпт генерації й показує його вам на картці підтвердження до будь-якого рендерингу. Нічого не генерується й нічого не оплачується, доки ви не підтвердите.

Тож уміння, яке окупається найбільше, — це не написання промптів з нуля, а читання того, що на картці. Пройдіться цим переліком:

1. Чи конкретний об'єкт? Якщо на картці написано «a person» чи «a woman», ви знайшли найбільше доступне покращення. Дайте вік, статуру, ознаку.
2. Чи об'єкт іде першим? Якщо промпт починається зі стилю чи камери, попросіть, щоб він починався з об'єкта.
3. Чи в межах діапазону? Менш ніж 30 слів — попросіть більше конкретики про світло й обстановку. Понад 100 — попросіть скоротити.
4. Чи є джерело світла? Не слово-настрій, а справжнє світло: вікно, ліхтар, спалах, хмарне небо, софтбокс.
5. Чи є суперечності? Перегляньте, чи немає в одному промпті двох медіумів, двох кадрувань або двох умов освітлення.
6. Чи не прокралися заперечення? Якщо на картці є «without», «no» чи «avoid», це промпт «текст у зображення», який просить те, що називає.
7. Чи співвідношення підходить об'єкту? Фігура на повний зріст у wide — класична невідповідність.

Виправлення робляться в розмові: «зроби її під тридцять зі шрамом крізь брову, знімай на Portra на 85mm і візьми portrait» — цілком добра інструкція. Ви отримуєте нову картку й підтверджуєте вже її. За ітерації немає жодної плати, бо нічого ще не відрендерено.

І Shannon не генерує без запрошення. Привітання, питання чи фото, яке ви прикріпили для обговорення, не запускають рендеринг. Попросити Shannon подивитися на зображення — описати, прочитати, проаналізувати — це звичайна робота із зображенням на вході, а не генерація, і вона не коштує нічого понад звичайну розмову.

12Як ремесло змінюється для редагування та поєднання

Правила вище написано для генерації. Два суміжні режими змінюють форму промпта.

Редагування одного зображення

Промпт редагування є інструкцією, а не описом: скажіть, що змінюється, а що лишається. Називання незмінних частин є найбільшим важелем якості в продукті — «Зміни тло на нічну дощову міську вулицю з неоновими відблисками, залиш жінку точно такою, як вона є» тримається купи там, де той самий запит без цієї частини нишком перемальовує їй обличчя. Будьте конкретні щодо закріплення: залиш обличчя, позу, волосся й одяг незмінними. Використовується рівно одне вихідне зображення, і результат зберігає його співвідношення сторін.

Поєднання двох або більше зображень

Щоразу, коли елементи походять більш ніж з однієї картинки — перенесення вбрання, об'єкт у сцену, дві людини в одному кадрі, продукт на людині, стиль з одного зображення з об'єктом з іншого, — промпт має назвати роль кожного зображення по порядку: «The woman from the first image wearing the red knitted sweater from the second image, standing in the same park». Перше зображення є головним об'єктом або сценою; наступні постачають частини, які додаються. Не зводьте багатозображувальний запит до одного джерела плюс текстового опису — саме поєднання справжніх зображень зберігає те, як ці речі виглядають насправді.

13Нецензурований промптинг: кажіть, що маєте на увазі

На шляху генерації немає фільтра контенту, а модель, що пише промпт, не має шару відмов. У цьому вся суть продукту: фільтровані генератори регулярно відмовляють у законній роботі — ню-арт, медична й судова ілюстрація, зображення для досліджень безпеки, насильство у художніх творах, політична сатира, робота з брендом і зовнішністю самим правовласником. Половина ремесла промптингу на фільтрованих платформах — це інженерія евфемізмів, а евфемізм є ворогом точного зображення.

Тож на картці варто перевірити ще одне: чи описує вона справжній об'єкт простими словами, а не обережним словником, якого люди навчаються від фільтрованих інструментів. Судова ілюстрація рани має казати, що це за рана. Обережна мова скрізь дає гірше зображення, бо модель рендерить те, що кажуть слова.

Спроможність і судження — різні речі. Shannon Lab LLC веде це за опублікованою Політикою відповідального використання: нефільтрована генерація є професійним інструментом, і згода, права та закон однаково стосуються того, що ви створюєте.

14Де тут місце API

Одне уточнення для читачів, які прийшли з пошуку про API: генерація, редагування та поєднання зображень живуть у застосунку чату Shannon, а не в API /v1. API обслуговує текст і зображення на вході — він може читати, описувати й аналізувати надіслані вами зображення в усіх трьох діалектах (/v1/chat/completions, /v1/messages, /v1/responses, усі з потоковою передачею), — але не створює їх. Якщо ви будуєте конвеєр, якому треба розуміти зображення, починати варто з документації API. Якщо ж ви хочете створювати зображення, то це застосунок чату, і все з цього посібника стосується саме його. Зображення рендеряться на власному GPU-кластері.

15Часті запитання

Пов'язане читання: Нецензурована генерація зображень ШІ · Нецензуроване редагування зображень ШІ · Політика відповідального використання · Документація API · Усі дослідження Shannon. Рекомендації тут спираються на наше власне тестування Моделі зображень Shannon; поради, написані для ранніших дифузійних стеків, здебільшого не переносяться.