AI تصویری پرامپٹ گائیڈ

زیادہ تر لوگ SDXL پر سیکھی ہوئی پرامپٹ کی عادتوں کے ساتھ آتے ہیں: اسموں کی کوما سے جدا ایک لڑی، شروع میں معیار کے ٹوکن، چند قوسین والے وزن، اور مثبت کے برابر لمبا ایک منفی پرامپٹ۔ وہ عادتیں ان ماڈلز کے لیے درست تھیں اور یہاں الٹا نقصان دیتی ہیں۔ یہ اس کا مختصر بیان ہے جو واقعی کام کرتا ہے — اور چونکہ Shannon جنریشن پرامپٹ آپ کے لیے لکھتا ہے اور کچھ بھی رینڈر ہونے سے پہلے اسے دکھاتا ہے، اس لیے یہ اتنی ہی اس بات کی گائیڈ ہے کہ Shannon کی تجویز کو کیسے پڑھیں اور درست کریں۔

01نثر ٹیگ سے بہتر کیوں ہے: ماڈل لینگویج ماڈل کی طرح پڑھتا ہے

پرانے ڈفیوژن ماڈلز، جن کے لیے زیادہ تر پرامپٹ کے مشورے لکھے گئے، ایسا ٹیکسٹ اینکوڈر استعمال کرتے تھے جو عملاً تصورات کی ایک بوری کی طرح برتاؤ کرتا تھا: قواعد کی بمشکل کوئی اہمیت تھی، اور جیتنے والی حکمتِ عملی یہ تھی کہ متعلقہ اسم ڈھیر کر دیے جائیں اور انہیں وزن سے جھکا دیا جائے۔ اس اینکوڈر کے لیے ٹیگ کا شوربہ ہی پرامپٹ کی درست شکل تھی۔

Shannon کا Image Model اس طرح کام نہیں کرتا۔ یہ پرامپٹ کو اسی طرح پڑھتا ہے جیسے کوئی لینگویج ماڈل متن پڑھتا ہے، اس لیے نحو معنی رکھتی ہے۔ «Holding an umbrella against her shoulder» ایک شخص، ایک شے اور جسم کے ایک حصے کے درمیان رشتہ ہے؛ «umbrella, shoulder» محض دو چیزیں ہیں جو اتفاق سے موجود ہیں۔ حروفِ جار چیزوں کو جگہ دیتے ہیں۔ افعال انداز بناتے ہیں۔ فقرے تفصیل کو درست اسم کے ساتھ جوڑ دیتے ہیں، بجائے اس کے کہ وہ پوری تصویر پر تیرتی رہے۔

یہ رہی وہی تصویر، دونوں طریقوں سے مانگی ہوئی۔

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.

دیکھیے کہ ٹیگ والا نسخہ کیا بیان نہیں کر سکتا۔ وہ کبھی نہیں کہتا کہ چھتری تھامی ہوئی ہے، اس لیے وہ زمین پر پڑی بھی نکل سکتی ہے۔ وہ کبھی نہیں کہتا کہ نیون کا عکس تارکول میں پڑ رہا ہے، صرف یہ کہ دونوں موجود ہیں، اس لیے آپ کو سائن اور گیلی سڑک ملتی ہے مگر ان کے درمیان کوئی بصری رشتہ نہیں۔ وہ کبھی نہیں بتاتا کہ عورت کہاں دیکھ رہی ہے، اس لیے اس کا انداز محض قسمت کا کھیل ہے۔ «Cinematic lighting» ایک مزاج کا لیبل ہے، روشنی کا منبع نہیں۔ اور آخری پانچ ٹوکن شور ہیں، جو کنٹرول کے دستوں کے بجائے فوٹوگرافی کے بارے میں انگریزی الفاظ کے طور پر پڑھے جاتے ہیں۔

نثر والا نسخہ اس لیے لمبا نہیں کہ وہ آراستہ ہے۔ وہ اس لیے لمبا ہے کہ وہ ان سوالوں کا جواب دیتا ہے جو ٹیگ والا نسخہ کھلا چھوڑ گیا تھا۔ پورا نسخہ یہی ہے۔

02تصویری پرامپٹ کتنا لمبا ہونا چاہیے؟

30 سے 80 الفاظ کا ہدف رکھیں۔ 100 سے زیادہ آگے نہ جائیں۔ یہ آپ کے پاس موجود معیار کا سب سے آسان لیور ہے، اور اس حد کے دونوں سرے اہم ہیں۔

تقریباً 30 الفاظ سے کم میں ترکیب، روشنی اور فریم بندی غیر متعین رہتے ہیں، اس لیے ماڈل وہی چنتا ہے جو اعدادی طور پر سب سے عام ہو۔ «A woman in a coffee shop» ایک جائز پرامپٹ ہے جو ایک بھول جانے کے قابل تصویر بناتا ہے، کیونکہ آپ نے ہر دلچسپ فیصلہ سونپ دیا۔

تقریباً 100 الفاظ سے اوپر ایک مختلف ناکامی سامنے آتی ہے: بعد کے فقرے تصویر کے انہی حصوں کے لیے پہلے والوں سے مقابلہ کرنے لگتے ہیں، اور تفصیل جمع ہونے کے بجائے آپ کو رقّت ملتی ہے۔ روشنی کی تیسری تفصیل پہلی کو کالعدم کر دیتی ہے، اور جو موضوع آپ نے پہلے آٹھ الفاظ میں قائم کیا تھا، ہر اضافی جملے کے ساتھ اس کی نسبتی توجہ گھٹتی جاتی ہے۔ لمبے پرامپٹ پڑھنے میں مکمل لگتے ہیں۔ وہ رینڈر ہو کر مکمل نہیں نکلتے۔

ضبط یہ ہے: جو پرامپٹ آپ چاہتے ہیں وہ لکھیں، پھر اسے کاٹ کر صرف ان جملوں تک لے آئیں جن کے ہٹنے سے تصویر بدل جائے گی۔

03ترتیب کا ضبط: سب سے اہم چیز پہلے

چونکہ ماڈل ترتیب سے پڑھتا ہے، اس لیے مقام ہی زور ہے: جو پہلے آتا ہے وہ تصویر کو لنگر ڈالتا ہے، جو آخر میں آتا ہے وہ اسے ایڈجسٹ کرتا ہے۔ چیزوں کو اسی ترتیب میں رکھیں جس میں ماڈل کو ان کی ضرورت ہے:

1. موضوع — یہ تصویر کس کی یا کس چیز کی ہے، ٹھوس انداز میں۔
2. عمل یا انداز — وہ کیا کر رہے ہیں، کس حالت میں ہیں۔
3. اسلوب یا مزاج — تصویر، تیل کی پینٹنگ، تکنیکی خاکہ، اور اس کا لہجہ۔
4. مقام اور روشنی — یہ کہاں ہو رہا ہے اور اس پر کون سی روشنی پڑ رہی ہے۔
5. تکنیکی — فریم بندی، لینس، گہرائی کا میدان، رنگ کی تفصیلات۔

سب سے عام خود ساختہ زخم تکنیکی فقرے سے شروع کرنا ہے۔ «Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper» سے شروع کرنا ماڈل کو بتاتا ہے کہ ظاہری انداز ہی موضوع ہے اور آدمی محض ایک تفصیل۔ آپ کو ایک خوبصورت، خالی فریم ملتا ہے جس میں ایک چھوٹا سا دھندلا کردار ہوتا ہے۔

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.

پہلے نسخے کا ہر عنصر دوسرے میں بھی موجود ہے؛ کچھ بھی نہیں چھوڑا گیا۔ فرق صرف یہ ہے کہ اب ماڈل جانتا ہے کہ تصویر کس کی ہے، اس سے پہلے کہ اسے بتایا جائے کہ اسے کیسے کھینچنا ہے — اور تنہا یہی ترتیب موضوع کو ضمنی سے مرکزی بنا دیتی ہے۔

04موضوع کے بارے میں ٹھوس رہیں

«A person» موضوع نہیں، ایک خالی جگہ ہے — اور ماڈل خالی جگہوں کو ہر اُس چیز کی اوسط سے بھرتا ہے جو اس نے دیکھی ہے، اور عین یہیں سے وہ چمکیلا، بےعمر، بےکردار انداز پیدا ہوتا ہے۔ ٹھوس ہونے پر پانچ الفاظ خرچ ہوتے ہیں اور ایک مخصوص انسان ملتا ہے:

نمونہ نوٹ کریں: عمر یا دور، ایک ساختی خصوصیت، ایک امتیازی نقص۔ تیسری چیز ہی نتیجے کو کھینچی ہوئی تصویر جیسا محسوس کراتی ہے، بنائی ہوئی جیسا نہیں۔ ٹوٹا ہوا دانت، گھسا ہوا دامن، اوپر سے رنگ پھیرا ہوا سائن بورڈ — چھوٹی بےترتیبیاں دستیاب سب سے مضبوط ضدِ پلاسٹک اشارہ ہیں، اور آپ کے الفاظ کے بجٹ پر تقریباً کچھ خرچ نہیں کرتیں۔

05حقیقت نمائی: درخواست کو ایک تصویر کی طرح لکھیں

جب تک آپ آرٹ، تصویر کشی یا اینیمے نہ مانگیں، حقیقت نمائی ہی ڈیفالٹ لہجہ ہے۔ مگر لفظ «photorealistic» کچھ خاص کام نہیں کرتا۔ جو چیز تصویر پیدا کرتی ہے وہ خود عملِ فوٹوگرافی کا بیان ہے: ایک اصلی کیمرہ، ایک اصلی لینس، اور ایک اصلی فلم اسٹاک یا روشنی کا منبع۔

وجہ سیدھی ہے۔ «Kodak Portra 400» کا عنوان رکھنے والی ہر تصویر ایک مخصوص عمل سے بنی تھی جس کی ایک مخصوص دانہ داری، روشنی کے کناروں کی ڈھلان اور جلد کی پیشکش ہے، اور اسٹاک کا نام لینا یہ سب کچھ بلا لیتا ہے۔ «8k ultra detailed» کبھی اسٹاک سائٹ کے کچرے کے سوا کہیں نظر نہیں آیا، اس لیے وہ اسٹاک سائٹ کا کچرا ہی بلاتا ہے۔ یہ رہے چند بھروسے مند نسخے، جن میں سے ہر ایک اسی موضوع کی نمایاں طور پر مختلف تصویر دیتا ہے:

بنیاد سازی کو نسخے سے میل کھلائیں — 24mm چوڑے شاٹ میں جہاں چہرہ اسّی پکسل اونچا ہو، وہاں مسام کی سطح کی جلدی ساخت کا کوئی مطلب نہیں — اور پھر اسے جوڑیں۔ بنیاد سازی کی تفصیل وہ ساختی شہادت ہے — کہ اسے واقعی کسی لینس نے ریکارڈ کیا ہے۔ نظر آتے جلدی مسام اور باریک چہرے کے بال۔ کتان کی قمیض کی بُنائی۔ روشنی کی لکیر میں گرد کے ذرے۔ چمڑے کے بوٹ پر ایک خراش۔ روشن پس منظر کے سامنے اڑتے ہوئے بال۔ دو تین کافی ہیں، اور یہی کسی شخص کی تصویر کشی اور اس کی فوٹوگرافی کے درمیان فرق ہیں۔

06تہہ دار مناظر: پیش منظر، درمیانی منظر، پس منظر

جب کسی منظر میں گہرائی ہو، تو تینوں تہوں کو الگ الگ اور ترتیب سے بیان کریں۔ ان تصاویر کے لیے یہ سب سے مؤثر تکنیک ہے جنہیں پس منظر کے پردے کے بجائے اصل جگہ محسوس ہونا چاہیے، اور تقریباً کوئی یہ نہیں کرتا۔ اس کے بغیر آپ کو چپٹا پن ملتا ہے: پرامپٹ کی ذکر کردہ ہر چیز تقریباً ایک ہی فاصلے پر آ جاتی ہے، اور فریم کی اسی درمیانی پٹی کے لیے مقابلہ کرتی ہے۔ تہوں کے نام لینا ماڈل کو گہرائی کا ایک بجٹ دے دیتا ہے جسے وہ خرچ کر سکے۔

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.

دو مزید باریکیاں۔ پیش منظر میں کوئی ایسی چیز رکھیں جو جان بوجھ کر دھندلی ہو — گہرے مناظر کی حقیقی تصاویر میں تقریباً ہمیشہ ایک ہوتی ہے، اور اس کی غیر موجودگی ایک عام نشانی ہے۔ اور یہ بھی بتائیں کہ موضوع کون سی تہہ میں ہے: اگر تصویر کا مرکز وہ سائیکل سوار قاصد ہے تو اس کی جگہ درمیانی منظر ہے، ورنہ ٹاور اور کافی کا کپ فریم کے لیے اس سے لڑیں گے۔

07عین رنگ: hex کوڈ، اشیا کے ساتھ جڑے ہوئے

برانڈ کے کام، لباس کے تسلسل، یا جہاں بھی «سرخ» کافی مخصوص نہ ہو، وہاں hex کوڈ color #RRGGBB کی صورت میں لکھیں اور اسے کسی نام لی گئی شے سے جوڑیں:

...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...

تین کام کے اصول۔ hex ان دو تین رنگوں کے لیے استعمال کریں جو واقعی اہم ہیں اور باقی کے لیے سادہ الفاظ — چھ hex کوڈ والا پرامپٹ اپنے بجٹ کا بڑا حصہ رنگوں کے نمونوں پر خرچ کر دیتا ہے۔ کوڈ کو کناروں والی کسی شے سے باندھیں، کبھی «روشنی» یا «مزاج» سے نہیں۔ اور یاد رکھیں کہ یہ شے کا رنگ بتاتا ہے، حتمی پکسل کی قدر نہیں: سنہری گھڑی کی پچھلی روشنی میں #8B0000 کا کوٹ نمونے سے زیادہ گرم رینڈر ہوگا، بالکل ویسے جیسے حقیقی زندگی میں ہوتا۔

08Aspect ratio کا انتخاب

پانچ ratio دستیاب ہیں اور درست ratio عموماً موضوع سے ہی ظاہر ہو جاتا ہے، مگر آپ کی صریح درخواست ہمیشہ جیتتی ہے — وال پیپر مانگیں اور آپ کو tall ملے گا، چاہے مواد کچھ اور تجویز کرے۔

اسے غلط کرنا اس سے زیادہ نقصان دہ ہے جتنا لگتا ہے۔ wide فریم میں پورے قد کا کھڑا کردار آپ کو بڑے فریم میں چھوٹا کردار نہیں دیتا — عموماً وہ آپ کو کٹا ہوا کردار دیتا ہے، کیونکہ ماڈل چوڑائی بھرتا ہے اور سر یا پاؤں فریم سے باہر نکل جاتے ہیں۔ فریم کو موضوع کے غالب محور سے میل کھلائیں اور ترکیب کی زیادہ تر شکایتیں غائب ہو جاتی ہیں۔

دو رویّے یاد رکھنے کے قابل ہیں: تدوین خودبخود ماخذ تصویر کا aspect ratio برقرار رکھتی ہے، اس لیے آپ تدوین سے فریم نہیں بدل سکتے، جبکہ جوڑنا آپ کو نیا کینوس چننے دیتا ہے — جو اکثر پہلے سے موجود کسی چیز کی شکل بدلنے کا صاف ترین طریقہ ہوتا ہے۔

09غلط عادات: کیا کرنا چھوڑ دیں

معیار کے ٹوکن: «masterpiece, best quality, 8k, ultra detailed»

یہ کمیونٹی کے دریافت کردہ دستے تھے جو ایک مخصوص، پرانی تربیتی تقسیم کے لیے تھے، جہاں مخصوص عنوانی فقرے مخصوص تصویری مآخذ سے تعلق رکھتے تھے۔ یہ منتقل نہیں ہوتے۔ یہاں انہیں عام انگریزی الفاظ کے طور پر پڑھا جاتا ہے، یہ کچھ نہیں دیتے، اور اُس الفاظ کے بجٹ کا حصہ کھا جاتے ہیں جس کے تنگ ہونے کا آپ کو پہلے ہی بتایا جا چکا ہے۔ ان کا متبادل یہ ہے کہ بتائیں کون سی تفصیل آپ چاہتے ہیں: «ultra detailed» نہیں بلکہ «visible weave in the coat fabric and fine stubble along the jaw» — وہی مراد، مگر اس صورت میں بیان کی گئی جسے ماڈل رینڈر کر سکتا ہے۔

وزن کی نحو: (word:1.3)، [word]، {{word}}

پڑھی نہیں جاتی۔ قوسین، بریکٹ، وقفے اور اعداد لفظی متن کے طور پر گرتے ہیں اور اگر کچھ کرتے ہیں تو ارد گرد کے فقرے کو پڑھنا مشکل بنا دیتے ہیں۔ اگر آپ کسی چیز پر زیادہ زور چاہتے ہیں تو وہ دو لیور استعمال کریں جو واقعی کام کرتے ہیں: اسے پرامپٹ میں پہلے لے آئیں، اور اسے زیادہ الفاظ دیں۔ «A crimson silk scarf, its fringed ends lifting in the wind» ہر اہم پیمانے پر «(red scarf:1.4)» سے بھاری ہے۔

متضاد ہدایات

ناموافق ہدایات ملانے سے وہ آپس میں گھلتی نہیں؛ اس سے ایک غیر مستحکم اوسط بنتی ہے جو عموماً کسی کو بھی مطمئن نہیں کرتی۔ عام مجرم یہ ہیں:

• ذریعہ — «photorealistic» کے ساتھ «watercolor»؛ «oil painting» کے ساتھ «shot on 85mm»۔ ایک چنیں اور اسی پر رہیں۔
• فریم بندی — «wide establishing shot» کے ساتھ «extreme close-up on her eyes»؛ «full body» کے ساتھ «detailed facial pores»۔
• روشنی — «harsh midday sun» کے ساتھ «soft golden hour glow»؛ «low key, deep shadows» کے ساتھ «bright and airy»۔
• دور — «1970s film aesthetic» کے ساتھ «modern minimalist» اور «cyberpunk»۔
• اسلوب کی تہہ بندی — بیک وقت چار فنکار یا چار اصناف۔ دو متعلقہ حوالے کام کر سکتے ہیں؛ چار ایک دوسرے کو کاٹ کر عام سا نتیجہ دیتے ہیں۔
• پھیلاؤ — «rustic, weathered, ancient, timeworn wooden door» ایک ہی خیال چار بار لکھا ہوا ہے، اور ہر تکرار باقی پرامپٹ کو ہلکا کرتی ہے۔

10متن سے تصویر میں کوئی منفی پرامپٹ نہیں ہے

یہ وہ غلط عادت ہے جو تجربہ کار صارفین کو سب سے زیادہ پھنساتی ہے، کیونکہ پرانے نظاموں میں منفی پرامپٹ آدھا ہنر تھا۔

تصویر بنانے کے لیے اصول مطلق ہے اور ذرا الٹا محسوس ہوتا ہے: پرامپٹ میں «no text, no watermark, no extra fingers» لکھنا ان چیزوں کو کم نہیں بلکہ زیادہ ممکن بنا دیتا ہے۔ ماڈل «no text» کو ایسے جملے کے طور پر پڑھتا ہے جس میں text کا تصور موجود ہے؛ نفی ایک کمزور اشارہ ہے اور اسم ایک مضبوط۔ آپ نے عملاً متن ہی مانگ لیا۔ اس کے بجائے ہمیشہ مثبت شکل بیان کریں:

تدوین اور جوڑنے کے لیے منفی پرامپٹ موجود ہے اور آپ کو اسے استعمال کرنا چاہیے — مگر نقائص کے لیے، مواد کے لیے نہیں۔ اچھا مواد: واٹرمارک، متن کی تہہ، دوہرے اعضا، ٹیڑھے ہاتھ، ضرورت سے زیادہ تیزی کے ہالے، JPEG کے بلاک، مرکب کے کنارے پر جوڑ کی لکیریں۔ برا مواد: کوئی بھی ایسی بات کہ تصویر کس کی ہے، جس کی جگہ ہدایت ہے۔

11Shannon آپ کے لیے جو پرامپٹ لکھتا ہے، اسے پڑھنا

یہ رہی وہ بات جو اس گائیڈ کو نظری کے بجائے فوری طور پر قابلِ استعمال بناتی ہے۔ آپ کو جنریشن پرامپٹ خود لکھنے کی ضرورت نہیں۔ آپ سادہ زبان میں، کسی بھی زبان میں پوچھتے ہیں؛ Shannon پہچان لیتا ہے کہ تصویر مانگی جا رہی ہے، انگریزی جنریشن پرامپٹ بناتا ہے، اور کچھ بھی رینڈر ہونے سے پہلے اسے آپ کو ایک تصدیقی کارڈ پر دکھاتا ہے۔ آپ کی تصدیق تک نہ کچھ بنتا ہے اور نہ کوئی بل بنتا ہے۔

تو سب سے زیادہ فائدہ دینے والا ہنر خالی صفحے سے پرامپٹ لکھنا نہیں — بلکہ کارڈ پر موجود پرامپٹ کو پڑھنا ہے۔ اس فہرست پر نظر دوڑائیں:

1. کیا موضوع ٹھوس ہے؟ اگر کارڈ پر «a person» یا «a woman» لکھا ہے، تو آپ کو دستیاب سب سے بڑی بہتری مل گئی۔ اسے ایک عمر، ایک جسامت، ایک خصوصیت دیں۔
2. کیا موضوع پہلے ہے؟ اگر پرامپٹ کسی اسلوب یا کیمرے سے شروع ہوتا ہے، تو کہیں کہ اسے موضوع سے شروع کیا جائے۔
3. کیا یہ حد کے اندر ہے؟ 30 الفاظ سے کم ہو تو روشنی اور مقام پر مزید تفصیل مانگیں۔ 100 سے زیادہ ہو تو کاٹنے کو کہیں۔
4. کیا کوئی روشنی کا منبع ہے؟ مزاج کا لفظ نہیں — ایک اصل روشنی: کھڑکی، سڑک کی بتی، فلیش، ابر آلود آسمان، سافٹ باکس۔
5. کوئی تضاد؟ ایک ہی پرامپٹ میں دو ذرائع، دو فریم بندیاں، یا روشنی کی دو حالتیں تلاش کریں۔
6. کوئی چوری چھپے آئی نفی؟ اگر کارڈ میں «without»، «no» یا «avoid» موجود ہے، تو یہ ایک ایسا متن-سے-تصویر پرامپٹ ہے جو وہی چیز مانگ رہا ہے جس کا وہ نام لے رہا ہے۔
7. کیا ratio موضوع کے لیے درست ہے؟ wide میں پورے قد کا کردار کلاسک بےجوڑی ہے۔

تصحیحیں گفتگو کے انداز میں ہوتی ہیں: «اسے تیس کے شروع کی عمر کا بنا دو، ایک ابرو میں سے گزرتے زخم کے نشان کے ساتھ، اسے Portra پر 85mm سے کھینچو، اور portrait استعمال کرو» ایک بالکل درست ہدایت ہے۔ آپ کو نیا کارڈ ملتا ہے اور آپ اسی کی تصدیق کرتے ہیں۔ دہرانے پر کوئی سزا نہیں، کیونکہ ابھی کچھ رینڈر ہوا ہی نہیں۔

اور Shannon بن مانگے تصویر نہیں بناتا۔ سلام، سوال، یا بحث کے لیے منسلک کی گئی تصویر کوئی رینڈر نہیں چھیڑتی۔ Shannon سے کسی تصویر کو دیکھنے کو کہنا — اسے بیان کرنا، پڑھنا، تجزیہ کرنا — عام وژن کا کام ہے، جنریشن نہیں، اور اس پر کوئی اضافی خرچ نہیں آتا۔

12تدوین اور جوڑنے کے لیے ہنر کیسے بدلتا ہے

اوپر کے اصول تصویر بنانے کے لیے لکھے گئے ہیں۔ دو ملحقہ طریقے پرامپٹ کی شکل بدل دیتے ہیں۔

ایک تصویر کی تدوین

تدوین کا پرامپٹ ایک ہدایت ہے، تفصیل نہیں: بتائیں کہ کیا بدلے گا اور کیا وہی رہے گا۔ نہ بدلنے والے حصوں کا نام لینا مصنوع میں معیار کا سب سے بڑا لیور ہے — «Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is» وہاں جڑا رہتا ہے جہاں اس فقرے کے بغیر وہی درخواست خاموشی سے اس کا چہرہ دوبارہ بنا دیتی ہے۔ لنگر کے بارے میں مخصوص رہیں: چہرہ، انداز، بال اور لباس بالکل ویسے ہی رکھیں۔ بالکل ایک ماخذ تصویر استعمال ہوتی ہے، اور نتیجہ اسی کا aspect ratio برقرار رکھتا ہے۔

دو یا زیادہ تصاویر جوڑنا

جب بھی عناصر ایک سے زیادہ تصویر سے آ رہے ہوں — لباس کی منتقلی، کسی شے کو منظر میں ڈالنا، ایک فریم میں دو لوگ، مصنوع کسی شخص پر، ایک تصویر کا اسلوب دوسری کے موضوع کے ساتھ — تو پرامپٹ کو ہر تصویر کا کردار، ترتیب سے بتانا ضروری ہے: «The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.» پہلی تصویر بنیادی موضوع یا منظر ہے؛ بعد کی تصاویر وہ اجزا دیتی ہیں جو لائے جا رہے ہیں۔ کئی تصاویر والی درخواست کو ایک ماخذ اور ایک متنی تفصیل میں مت سمیٹیں — اصل تصاویر کو جوڑنا ہی وہ چیز ہے جو ان کی حقیقی شکل محفوظ رکھتی ہے۔

13بغیر سنسر شپ پرامپٹنگ: جو مراد ہے وہی کہیں

جنریشن کے راستے پر کوئی مواد کی چھلنی نہیں اور پرامپٹ لکھنے والے ماڈل پر کوئی انکار کی پرت نہیں۔ مصنوع کا پورا نکتہ یہی ہے: فلٹر شدہ جنریٹر معمول کے مطابق جائز کام سے انکار کرتے ہیں — آرٹ برہنہ خاکے، طبی اور فرانزک تصویر کشی، سلامتی تحقیق کی تصاویر، افسانے میں تشدد، سیاسی طنز، اور حق دار کی طرف سے برانڈ اور شبیہ کا کام۔ فلٹر شدہ پلیٹ فارمز پر آدھا پرامپٹ کا ہنر نرم الفاظ کی انجینئرنگ ہے، اور نرم الفاظ ایک درست تصویر کے دشمن ہیں۔

تو کارڈ پر ایک اور چیز جانچنے کی ہے: کہ وہ اصل موضوع کو سادہ الفاظ میں بیان کرے، نہ کہ اُس لگی لپٹی لغت میں جو لوگ فلٹر شدہ اوزاروں سے سیکھتے ہیں۔ کسی زخم کی فرانزک تصویر کشی کو یہ بتانا چاہیے کہ زخم کیا ہے۔ لگی لپٹی زبان ہر جگہ خراب تصویر پیدا کرتی ہے، کیونکہ ماڈل وہی رینڈر کرتا ہے جو الفاظ کہتے ہیں۔

صلاحیت اور فیصلہ الگ الگ چیزیں ہیں۔ Shannon Lab LLC یہ سب ایک شائع شدہ ذمہ دارانہ استعمال کی پالیسی کے تحت چلاتی ہے: بغیر فلٹر تصویر سازی ایک پیشہ ورانہ اوزار ہے، اور رضامندی، حقوق اور قانون آپ کی بنائی ہوئی ہر چیز پر بدستور لاگو ہوتے ہیں۔

14API کہاں آتا ہے

API کی تلاش سے آنے والے قارئین کے لیے درستگی کا ایک نکتہ: تصویر سازی، تدوین اور جوڑنا Shannon چیٹ ایپ میں ہیں، /v1 API پر نہیں۔ API متن اور وژن فراہم کرتا ہے — یہ تینوں طرزوں (/v1/chat/completions، /v1/messages، /v1/responses، سب سٹریمنگ کے ساتھ) پر آپ کی بھیجی ہوئی تصاویر پڑھ، بیان کر اور ان کا تجزیہ کر سکتا ہے — مگر انہیں بناتا نہیں۔ اگر آپ ایسا پائپ لائن بنا رہے ہیں جسے تصاویر سمجھنی ہیں، تو API دستاویزات شروع کرنے کی جگہ ہیں۔ اگر آپ تصاویر بنانا چاہتے ہیں، تو وہ چیٹ ایپ ہے، اور اس گائیڈ کی ہر بات وہاں لاگو ہوتی ہے۔ تصاویر ہمارے اپنے GPU کلسٹر پر رینڈر ہوتی ہیں۔

15اکثر پوچھے جانے والے سوالات

متعلقہ مطالعہ: بغیر سنسر شپ AI تصویر سازی · بغیر سنسر شپ AI تصویری تدوین · ذمہ دارانہ استعمال کی پالیسی · API دستاویزات · تمام Shannon ریسرچ۔ یہاں کی رہنمائی Shannon کے Image Model پر ہماری اپنی جانچ سے اخذ کی گئی ہے؛ پرانے ڈفیوژن نظاموں کے لیے لکھے گئے مشورے عموماً منتقل نہیں ہوتے۔