دليل مطالبات الصور بالذكاء الاصطناعي

يصل معظم الناس بعادات كتابة تعلّموها على SDXL: سلسلة أسماء مفصولة بفواصل، ومقدمة من رموز الجودة، وبضعة أوزان بين قوسين، ومطالبة سلبية بطول المطالبة الإيجابية. كانت تلك العادات صحيحة لتلك النماذج وهي هنا عكسية الأثر. وهذه هي النسخة المختصرة لما ينجح فعلًا — ولأن Shannon يكتب مطالبة التوليد نيابةً عنك ويعرضها قبل أن يُرسم أي شيء، فهي أيضًا دليل إلى قراءة وتصحيح ما يقترحه Shannon.

01لماذا يتفوق النثر على الوسوم: النموذج يقرأ كنموذج لغوي

كانت نماذج الانتشار الأقدم، التي كُتبت لها معظم نصائح المطالبات، تستخدم مرمّز نصّ يتصرف عمليًا كحقيبة مفاهيم: فالقواعد النحوية بالكاد كانت تهمّ، والاستراتيجية الرابحة كانت تكديس الأسماء ذات الصلة وترجيحها بأوزان. وكان حساء الوسوم هو الشكل الصحيح للمطالبة عند ذلك المرمّز.

ولا يعمل نموذج الصور في Shannon بتلك الطريقة. فهو يقرأ المطالبة كما يقرأ نموذج لغوي النصّ، ولذا يحمل التركيب النحوي معنى. فعبارة «تُمسك مظلة مسنِدةً إياها إلى كتفها» علاقة بين شخص وجسم وجزء من الجسد؛ أما «مظلة، كتف» فشيئان يصادف وجودهما. وحروف الجرّ تضع الأشياء في أماكنها. والأفعال تخلق الأوضاع. والجُمل الفرعية تُلحق التفصيل بالاسم الصحيح بدل تركه يسبح عبر الصورة كلها.

وإليك الصورة نفسها مطلوبة بالطريقتين.

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.

انظر إلى ما لا تستطيع نسخة الوسوم التعبير عنه. فهي لا تقول قط إن المظلة مُمسَكة، فقد ينتهي بها الأمر ملقاة على الأرض. ولا تقول إن النيون منعكس في الأسفلت، بل إن كليهما موجود فقط، فتحصل على لافتات وشارع مبلَّل بلا علاقة بصرية بينهما. ولا تقول إلى أين تنظر المرأة، فوضعيتها رمية عملة. و«الإضاءة السينمائية» تسمية مزاج لا مصدر ضوء. والرموز الخمسة الأخيرة ضجيج، تُقرأ ككلمات إنجليزية عن التصوير لا كمقابض تحكّم.

ونسخة النثر ليست أطول لأنها منمّقة. بل لأنها تجيب عن أسئلة تركتها نسخة الوسوم مفتوحة. وهذه هي الحيلة كلها.

02كم ينبغي أن يكون طول مطالبة الصورة؟

استهدف 30 إلى 80 كلمة. ولا تتجاوز 100 بكثير. هذه أسهل رافعة جودة متاحة لك، وطرفا النطاق كلاهما مهمّان.

فتحت نحو 30 كلمة يبقى التركيب والضوء والتأطير غير محدَّد، فيختار النموذج ما هو الأكثر اعتيادية إحصائيًا. فـ«امرأة في مقهى» مطالبة صحيحة تنتج صورة منسيّة، لأنك فوّضت كل قرار مثير للاهتمام.

وفوق 100 كلمة تقريبًا يظهر إخفاق مختلف: فالجُمل المتأخرة تزاحم الجُمل المبكرة على المناطق نفسها من الصورة، وبدل تراكم التفاصيل تحصل على تخفيف. فوصف الإضاءة الثالث ينقض الأول، والموضوع الذي أرسيته في الكلمات الثماني الأولى يحصل على انتباه نسبي أقل مع كل جملة تضيفها. المطالبات الطويلة تُقرأ بوصفها شاملة. لكنها لا تُرسم شاملة.

والانضباط: اكتب المطالبة التي تريدها، ثم قلّصها إلى الجُمل التي لو حُذفت لتغيّرت الصورة.

03انضباط الترتيب: الأهم أولًا

لأن النموذج يقرأ بالتتابع، فالموضع تشديد: ما يأتي أولًا يرسي الصورة، وما يأتي آخرًا يعدّلها. فضع الأشياء بالترتيب الذي يحتاجه النموذج:

1. الموضوع — مَن أو ما هذه الصورة عنه، بشكل ملموس.
2. الفعل أو الوضعية — ماذا يفعل، وكيف هو ممسَك.
3. الأسلوب أو المزاج — صورة فوتوغرافية، أو لوحة زيتية، أو رسم تقني، وأي سجلّ تعبيري هو فيه.
4. المكان والإضاءة — أين يحدث هذا وأي ضوء يقع عليه.
5. التقني — التأطير، والعدسة، وعمق الميدان، وتفاصيل اللون.

وأشيع جرح ذاتي هو البدء بالعبارة التقنية. فالافتتاح بـ«لقطة عريضة سينمائية، وهج عدسة أناموريفي، وتدريج لوني أزرق مخضرّ وبرتقالي، لرجل يقرأ صحيفة» يخبر النموذج بأن المظهر هو الموضوع وأن الرجل تفصيل. فتحصل على إطار بديع وفارغ فيه شخص صغير غير واضح.

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.

كل عنصر من النسخة الأولى باقٍ في الثانية؛ ولم يُحذف شيء. غاية ما في الأمر أن النموذج صار يعرف الآن عمّ تتحدث الصورة قبل أن يُقال له كيف يصوّرها — وإعادة الترتيب هذه وحدها تنقل الموضوع من عرَضي إلى مركزي.

04كن محدَّدًا في الموضوع

«شخص» ليس موضوعًا، بل عنصر نائب — والنموذج يملأ العناصر النائبة بمتوسط كل ما رآه، وهو تحديدًا مصدر ذلك المظهر اللامع بلا عمر ولا شخصية. والتحديد يكلّف خمس كلمات ويشتري إنسانًا بعينه:

ولاحظ النمط: العمر أو الحقبة، وسمة بنيوية واحدة، وعيب مميّز واحد. والعنصر الثالث هو ما يجعل النتيجة تبدو مصوَّرة لا مولَّدة. فالسنّ المكسورة، والحاشية البالية، واللافتة المطليّة فوقها — اللاتماثلات الصغيرة أقوى إشارة مضادّة للمظهر البلاستيكي متاحة، ولا تكاد تكلّف شيئًا من ميزانية كلماتك.

05الواقعية الفوتوغرافية: اكتب الطلب بوصفه صورة فوتوغرافية

الواقعية الفوتوغرافية هي السجلّ الافتراضي ما لم تطلب فنًا أو رسمًا توضيحيًا أو أنمي. لكن كلمة «واقعي فوتوغرافيًا» تؤدي عملًا ضئيلًا. فالذي ينتج صورة فوتوغرافية هو وصف فعل التصوير: كاميرا حقيقية، وعدسة حقيقية، وخام فيلم حقيقي أو مصدر ضوء حقيقي.

والسبب مباشر. فكل صورة موسومة بـ«Kodak Portra 400» صُنعت بعملية بعينها لها بنية حبيبات بعينها وانحدار إبرازات ومعالجة لألوان البشرة، وتسمية الخام تستدعي ذلك كله. أما «8k ultra detailed» فلم تظهر قط إلا في سبام مواقع الصور الجاهزة، فهي تستدعي سبام مواقع الصور الجاهزة. وإليك بضع وصفات موثوقة، كلٌّ منها ينتج صورة مختلفة تمامًا للموضوع نفسه:

وطابق التأريض مع الوصفة — فملمس الجلد على مستوى المسام لا يعني شيئًا في لقطة عريضة بعدسة 24mm يبلغ فيها الوجه ثمانين بكسلًا — ثم أضفه. فـتفصيل التأريض هو دليل الملمس على أن عدسة سجّلت هذا فعلًا. مسام جلد ظاهرة وشعر وجه رفيع. نسج قميص كتّاني. ذرات غبار في عمود ضوء. خدش على حذاء جلدي. خصلات شعر متطايرة أمام خلفية ساطعة. اثنان أو ثلاثة يكفون، وهم الفرق بين تصيير لشخص وصورة فوتوغرافية له.

06المشاهد متعددة الطبقات: المقدمة والوسط والخلفية

حين يكون للمشهد عمق، صف المستويات الثلاثة منفصلةً وبالترتيب. وهذه أنجع تقنية للصور التي ينبغي أن تبدو أماكن لا خلفيات، ولا يكاد أحد يفعلها. وبدونها تحصل على تسطّح: فكل ما تذكره المطالبة يقع على المسافة نفسها تقريبًا، متزاحمًا على الشريط الأوسط نفسه من الإطار. وتسمية المستويات تمنح النموذج ميزانية عمق ينفقها.

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.

وتنقيحان. ضع في المقدمة شيئًا خارج البؤرة عن قصد — فالصور الفوتوغرافية الحقيقية للمشاهد العميقة تكاد دائمًا تحوي واحدًا، وغيابه علامة شائعة. وقل أي مستوى يشغله الموضوع: فإن كانت ساعية الدراجة هي مقصد الصورة فمكانها الوسط، وإلا نازعها البرج وكوب القهوة على الإطار.

07الألوان الدقيقة: أكواد ست عشرية مثبَّتة على أجسام

لأعمال العلامات التجارية، أو اتساق الأزياء، أو أي موضع لا تكفي فيه كلمة «أحمر»، اكتب الكود الست عشري بصيغة color #RRGGBB وثبّته على جسم مسمّى:

...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...

وثلاث قواعد عملية. استخدم الست عشري للّونين أو الثلاثة التي تهمّ فعلًا وكلمات عادية لبقيتها — فالمطالبة التي فيها ستة أكواد تنفق معظم ميزانيتها على رقاقات دهان. واربط الكود بجسم له حدود، لا بـ«الإضاءة» ولا بـ«المزاج». وتذكّر أنه يحدّد لون الجسم لا قيمة البكسل النهائية: فمعطف بلون #8B0000 في إضاءة خلفية ساعة ذهبية يُرسم أدفأ من العيّنة، تمامًا كما سيكون في الواقع.

08اختيار نسبة الأبعاد

تتوفر خمس نسب، والصحيحة منها يوحي بها الموضوع عادةً، لكن طلبك الصريح يفوز دائمًا — اطلب خلفية هاتف فتحصل على tall بصرف النظر عمّا يوحي به المحتوى.

والخطأ هنا أشدّ ضررًا مما يبدو. فالشخصية الواقفة بكامل طولها في إطار wide لا تعطيك شخصية صغيرة في إطار كبير — بل تعطيك عادةً شخصية مقتطعة، لأن النموذج يملأ العرض فيخرج الرأس أو القدمان من الإطار. طابق الإطار مع المحور المهيمن للموضوع تختفِ معظم شكاوى التركيب.

وسلوكان يستحقان التذكّر: التحرير يحتفظ بنسبة أبعاد الصورة المصدر تلقائيًا، فلا تستطيع إعادة التأطير بالتحرير، بينما الدمج يتيح لك اختيار لوحة جديدة — وهو غالبًا أنظف طريقة لتغيير شكل شيء تملكه أصلًا.

09العادات الخاطئة: ما ينبغي التوقف عنه

رموز الجودة: «masterpiece, best quality, 8k, ultra detailed»

كانت هذه مقابض اكتشفها المجتمع لتوزيع تدريبي أقدم بعينه، حيث ارتبطت عبارات وسم معيّنة بمصادر صور معيّنة. وهي لا تنتقل. فهنا تُقرأ ككلمات إنجليزية عادية، ولا تسهم بشيء، وتلتهم جزءًا من ميزانية كلمات قيل لك أصلًا إنها ضيّقة. والبديل أن تقول أي تفصيل تريد: لا «ultra detailed» بل «نسج ظاهر في قماش المعطف وشعيرات دقيقة على طول الفكّ» — النية نفسها، معبَّرًا عنها بما يستطيع النموذج رسمه.

صياغة الأوزان: (word:1.3) و[word] و{{word}}

غير محلَّلة. فالأقواس والمعقوفات والنقطتان والأرقام تصل كنصّ حرفي، بل إنها تجعل العبارة المحيطة أصعب قراءة. وإن أردت تشديدًا أكبر على شيء، فاستخدم الرافعتين اللتين تعملان: قدّمه في المطالبة، وامنحه كلمات أكثر. فعبارة «وشاح حرير قرمزي، أطرافه المهدّبة ترتفع في الريح» ترجح على «(red scarf:1.4)» بكل مقياس يهمّ.

الاتجاهات المتضاربة

خلط التعليمات المتنافرة لا يمزجها؛ بل ينتج متوسطًا غير مستقر لا يرضي أيًّا منها عادةً. والمخالفون المتكررون:

• الوسيط — «واقعي فوتوغرافيًا» مع «ألوان مائية»؛ و«لوحة زيتية» مع «مصوَّرة بعدسة 85mm». اختر واحدًا والتزم به.
• التأطير — «لقطة تأسيسية عريضة» مع «لقطة قريبة جدًا لعينيها»؛ و«الجسد كاملًا» مع «مسام وجه مفصّلة».
• الإضاءة — «شمس ظهيرة قاسية» مع «توهّج ساعة ذهبية ناعم»؛ و«مفتاح منخفض، ظلال عميقة» مع «ساطع وهوائي».
• الحقبة — «جمالية فيلم السبعينيات» مع «بساطة حديثة» مع «سايبربانك».
• تكديس الأساليب — أربعة فنانين أو أربعة أنواع دفعةً واحدة. مرجعان متقاربان قد ينجحان؛ وأربعة يلغي بعضها بعضًا فتنتهي إلى العموم.
• الترهّل — «باب خشبي ريفي، متآكل، عتيق، عليه أثر الزمن» فكرة واحدة مكتوبة أربع مرات، وكل تكرار يخفّف بقية المطالبة.

10لا توجد مطالبة سلبية في تحويل النص إلى صورة

هذه هي العادة الخاطئة التي توقع المستخدمين المخضرمين أشدّ إيقاع، لأن المطالبة السلبية في المنظومات الأقدم كانت نصف الحرفة.

وفي التوليد تكون القاعدة قاطعة وغير بديهية قليلًا: كتابة «بلا نصّ، بلا علامة مائية، بلا أصابع زائدة» داخل المطالبة تجعل تلك الأشياء أرجح لا أقلّ. فالنموذج يقرأ «بلا نصّ» بوصفها جملة تحوي مفهوم النصّ؛ والنفي إشارة ضعيفة والاسم إشارة قوية. وقد طلبت النصّ فعليًا. فاذكر دائمًا الصيغة الإيجابية بدلًا من ذلك:

أما في التحرير والدمج فالمطالبة السلبية موجودة وينبغي أن تستخدمها — لكن للشوائب لا للمحتوى. مادة جيدة: علامة مائية، طبقة نصّ، أطراف مكرّرة، أيدٍ مشوّهة، هالات إفراط في الحدّة، تكتّل JPEG، خطوط لحام على حافة تركيب. مادة سيئة: أي شيء عمّا تدور حوله الصورة، فذلك ينتمي إلى التعليمة.

11قراءة المطالبة التي يكتبها Shannon لك

وإليك ما يجعل هذا الدليل قابلًا للاستخدام فورًا لا نظريًا. لست مضطرًا لكتابة مطالبة التوليد بنفسك. فأنت تطلب بلغة عادية، وبأي لغة؛ ويتعرّف Shannon على أن هناك طلب صورة، ويؤلّف مطالبة التوليد بالإنجليزية، ويعرضها عليك في بطاقة تأكيد قبل أن يُرسم أي شيء. ولا يُولَّد شيء ولا يُحاسَب شيء حتى تؤكّد.

ولذا فالمهارة الأعلى مردودًا ليست كتابة المطالبات من الصفر — بل قراءة ما في البطاقة. راجع هذه القائمة:

1. هل الموضوع محدَّد؟ إن قالت البطاقة «شخص» أو «امرأة»، فقد وجدت أكبر تحسين متاح. امنحه عمرًا وبنية وسمة.
2. هل الموضوع أولًا؟ إن افتتحت المطالبة بأسلوب أو كاميرا، فاطلب أن تبدأ بالموضوع بدلًا من ذلك.
3. هل هي ضمن النطاق؟ تحت 30 كلمة، اطلب مزيدًا من التحديد للضوء والمكان. وفوق 100، اطلب تقليصها.
4. هل هناك مصدر ضوء؟ لا كلمة مزاج — بل ضوء فعلي: نافذة، أو عمود إنارة، أو فلاش، أو سماء غائمة، أو صندوق إضاءة.
5. أي تعارض؟ افحص بحثًا عن وسيطين، أو تأطيرين، أو حالتَي إضاءة في المطالبة نفسها.
6. أي نفي مهرَّب؟ إن احتوت البطاقة «بدون» أو «بلا» أو «تجنّب»، فتلك مطالبة نصّ إلى صورة تطلب الشيء الذي تسمّيه.
7. هل النسبة مناسبة للموضوع؟ شخصية بكامل طولها في wide هي عدم التطابق الكلاسيكي.

والتصحيحات محادثة عادية: «اجعلها في أوائل الثلاثينيات مع ندبة تشقّ أحد حاجبيها، وصوّرها على Portra بعدسة 85mm، واستخدم portrait» تعليمة جيدة تمامًا. فتحصل على بطاقة جديدة وتؤكّد تلك بدلًا منها. ولا عقوبة على التكرار، لأن شيئًا لم يُرسم بعد.

ولا يولّد Shannon دون طلب. فالتحية أو السؤال أو صورة ترفقها للنقاش لا تشغّل رسمًا. وطلب النظر في صورة من Shannon — وصفها أو قراءتها أو تحليلها — عمل رؤية عادي لا توليد، ولا يكلّف شيئًا إضافيًا.

12كيف تتغيّر الحرفة في التحرير والدمج

القواعد أعلاه مكتوبة للتوليد. ووضعان مجاوران يغيّران شكل المطالبة.

تحرير صورة واحدة

مطالبة التحرير تعليمة لا وصف: اذكر ما الذي يتغير وما الذي يبقى. وتسمية الأجزاء الثابتة أكبر رافعة جودة منفردة في المنتج — فعبارة «غيّر الخلفية إلى شارع مدينة ليلي ممطر بانعكاسات نيون، وأبقِ المرأة كما هي تمامًا» تتماسك حيث يعيد الطلب نفسه بلا تلك العبارة رسم وجهها بهدوء. وكن محدَّدًا في المرساة: أبقِ الوجه والوضعية والشعر والملابس متطابقة. وتُستخدم صورة مصدر واحدة بالضبط، ويحتفظ الناتج بنسبة أبعادها.

دمج صورتين أو أكثر

كلما جاءت العناصر من أكثر من صورة — نقل زيّ، أو جسم داخل مشهد، أو شخصان في إطار واحد، أو منتج على شخص، أو أسلوب من صورة مع موضوع من أخرى — وجب أن تسمّي المطالبة دور كل صورة، بالترتيب: «المرأة من الصورة الأولى ترتدي السترة الصوفية الحمراء من الصورة الثانية، واقفة في الحديقة نفسها». فالصورة الأولى هي الموضوع أو المشهد الرئيسي؛ والصور اللاحقة تزوّد الأجزاء المنقولة. ولا تختصر طلبًا متعدد الصور إلى مصدر واحد ووصف نصّي — فدمج الصور الحقيقية هو ما يحفظ شكل تلك الأشياء فعلًا.

13الكتابة بلا رقابة: قل ما تعنيه

لا يوجد مرشّح محتوى على مسار التوليد ولا طبقة رفض على النموذج الذي يكتب المطالبة. وهذا هو مقصد المنتج كله: فالمولّدات المرشَّحة ترفض روتينيًا أعمالًا مشروعة — العُري الفني، والرسم الطبي والجنائي، وصور أبحاث الأمن، والعنف في الخيال، والسخرية السياسية، وأعمال العلامة والشبه من مالك الحقوق. ونصف حرفة المطالبات على المنصات المرشَّحة هو هندسة التلطيف، والتلطيف عدوّ الصورة الدقيقة.

ولذا هناك شيء آخر تفحصه في البطاقة: أن تصف الموضوع الفعلي بكلمات صريحة لا بالمفردات المتحفّظة التي يتعلمها الناس من الأدوات المرشَّحة. فالرسم الجنائي لجرح ينبغي أن يقول ما هو الجرح. واللغة المتحفّظة تنتج صورة أسوأ في كل مكان، لأن النموذج يرسم ما تقوله الكلمات.

والقدرة والحكم شيئان منفصلان. وتدير Shannon Lab LLC هذا تحت سياسة استخدام مسؤول منشورة: فالتوليد بلا ترشيح أداة مهنية، وتظل الموافقة والحقوق والقانون منطبقة على ما تصنعه.

14أين تقع الواجهة البرمجية

نقطة دقّة واحدة للقراء القادمين من بحث عن واجهة برمجية: توليد الصور وتحريرها ودمجها يعيش في تطبيق دردشة Shannon، لا على واجهة /v1. فالواجهة البرمجية تقدّم النص والرؤية — تستطيع قراءة الصور التي ترسلها إليها ووصفها وتحليلها عبر اللهجات الثلاث كلها (/v1/chat/completions و/v1/messages و/v1/responses، وكلها تدعم البث) — لكنها لا تنشئها. فإن كنت تبني خطّ معالجة يحتاج إلى فهم الصور، فـتوثيق الواجهة البرمجية هو نقطة البداية. وإن أردت صنع الصور، فذلك في تطبيق الدردشة، وكل ما في هذا الدليل ينطبق هناك. والصور تُرسم على عنقود GPU الخاص بنا.

15الأسئلة الشائعة

قراءات ذات صلة: توليد الصور بالذكاء الاصطناعي بلا رقابة · تحرير الصور بالذكاء الاصطناعي بلا رقابة · سياسة الاستخدام المسؤول · توثيق الواجهة البرمجية · كل أبحاث Shannon. والإرشادات هنا مستمدّة من اختبارنا الخاص لنموذج الصور في Shannon؛ والنصائح المكتوبة لمنظومات الانتشار الأقدم لا تنتقل عمومًا.