Руководство по промптам для изображений

Большинство приходит с привычками, выученными на SDXL: строка существительных через запятую, преамбула из токенов качества, несколько весов в скобках и негативный промпт длиной с позитивный. Для тех моделей эти привычки были верны, а здесь они вредят. Это краткая версия того, что действительно работает, — и, поскольку Shannon пишет промпт генерации за вас и показывает его до любого рендера, это в равной мере руководство по чтению и правке того, что Shannon предлагает.

01Почему проза бьёт теги: модель читает как языковая модель

Прежние диффузионные модели, под которые писалось большинство советов по промптам, использовали текстовый энкодер, ведший себя на практике как мешок понятий: грамматика почти не имела значения, а выигрышной стратегией было навалить релевантных существительных и подкрутить их весами. Суп из тегов был правильной формой промпта для такого энкодера.

Модель изображений Shannon работает иначе. Она читает промпт так, как языковая модель читает текст, поэтому синтаксис несёт смысл. «Держит зонт у плеча» — это отношение между человеком, предметом и частью тела; «зонт, плечо» — две вещи, которые просто присутствуют. Предлоги расставляют объекты. Глаголы создают позы. Придаточные привязывают деталь к нужному существительному, а не дают ей расплываться по всему кадру.

Вот одна и та же картинка, запрошенная обоими 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.

Посмотрите, чего версия с тегами выразить не может. Она нигде не говорит, что зонт держат, поэтому он может оказаться лежащим на земле. Она нигде не говорит, что неон отражается в асфальте, — только что есть и то и другое, так что вы получите вывески и мокрую улицу без всякой оптической связи между ними. Она нигде не говорит, куда смотрит женщина, поэтому её поза — подбрасывание монеты. «Cinematic lighting» — ярлык настроения, а не источник света. А последние пять токенов — шум, читаемый как английские слова про фотографию, а не как рычаги управления.

Прозаическая версия длиннее не из-за цветистости. Она длиннее, потому что отвечает на вопросы, которые версия с тегами оставила открытыми. В этом весь фокус.

02Какой длины должен быть промпт для изображения

Цельтесь в 30–80 слов. Не уходите сильно за 100. Это самый лёгкий доступный вам рычаг качества, и важны обе границы диапазона.

Меньше примерно 30 слов — и композиция, свет и кадрирование не заданы, поэтому модель берёт то, что статистически наиболее обыденно. «Женщина в кофейне» — корректный промпт, дающий забываемое изображение, потому что вы делегировали все интересные решения.

Больше примерно 100 слов — и появляется другой сбой: поздние фразы конкурируют с ранними за одни и те же области изображения, и вместо накопления деталей вы получаете разбавление. Третье описание освещения отменяет первое, а субъект, заданный в первых восьми словах, получает всё меньше относительного внимания с каждым добавленным предложением. Длинные промпты читаются как обстоятельные. Рендерятся они не обстоятельно.

Дисциплина такая: напишите промпт, который хотите, а затем срежьте его до тех предложений, удаление которых изменило бы картинку.

03Дисциплина порядка: самое важное впереди

Поскольку модель читает последовательно, позиция — это акцент: то, что идёт первым, задаёт изображение, то, что последним, его подстраивает. Располагайте элементы в том порядке, в каком они нужны модели:

1. Субъект — кто или что изображено, конкретно.
2. Действие или поза — что он делает, как расположен.
3. Стиль или настроение — фотография, масляная живопись, техническая иллюстрация и регистр, в котором всё это подано.
4. Обстановка и освещение — где это происходит и какой свет на это падает.
5. Техника — кадрирование, объектив, глубина резкости, цветовая конкретика.

Самая частая рана, нанесённая себе, — начинать с технической части. Открывая промпт словами «Кинематографический общий план, анаморфные блики, бирюзово-оранжевая цветокоррекция, мужчина читает газету», вы сообщаете модели, что субъект — это картинка как таковая, а мужчина — деталь. Вы получите роскошный пустой кадр с маленькой невнятной фигурой.

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.

Все элементы первой версии сохранились во второй; ничего не выброшено. Просто модель теперь знает, о чём картинка, до того как ей объяснят, как её снимать, — и одна эта перестановка переводит субъект из случайного в центральный.

04Будьте конкретны в описании субъекта

«Человек» — не субъект, а заполнитель, и модель заполняет такие места усреднением всего, что видела, — именно отсюда берётся глянцевый, безвозрастный, безликий вид. Конкретность стоит пяти слов и покупает вам конкретного человека:

Обратите внимание на схему: возраст или эпоха, одна структурная черта, одно отличающее несовершенство. Именно третий пункт заставляет результат выглядеть снятым, а не сгенерированным. Сколотый зуб, потёртый подол, закрашенная вывеска — мелкие асимметрии остаются самым сильным доступным сигналом против пластиковости, и в бюджете слов они почти ничего не стоят.

05Фотореализм: формулируйте запрос как фотографию

Фотореализм — регистр по умолчанию, если вы не просите арт, иллюстрацию или аниме. Но само слово «фотореалистично» делает мало. Фотографию порождает описание акта фотографирования: настоящая камера, настоящий объектив и настоящая плёнка или источник света.

Причина проста. Каждое изображение с подписью «Kodak Portra 400» сделано конкретным процессом с конкретной структурой зерна, спадом в светах и передачей кожи, и упоминание плёнки призывает всё это разом. «8k ultra detailed» встречалось только в спаме фотостоков, поэтому и призывает спам фотостоков. Несколько надёжных рецептов, каждый из которых даёт заметно разные изображения одного и того же субъекта:

Согласуйте заземляющие детали с рецептом — текстура кожи на уровне пор ничего не значит на широком 24 мм, где лицо высотой в восемьдесят пикселей, — а затем добавьте их. Заземляющая деталь — это фактурное свидетельство того, что всё это действительно записал объектив. Видимые поры кожи и тонкие волоски. Переплетение льняной рубашки. Пылинки в луче света. Царапина на кожаном ботинке. Выбившиеся волосы на светлом фоне. Двух-трёх достаточно, и именно они отличают отрисовку человека от его фотографии.

06Многоплановые сцены: передний, средний и задний план

Когда у сцены есть глубина, описывайте три плана по отдельности и по порядку. Это самый действенный приём для изображений, которые должны ощущаться местами, а не задниками, и почти никто им не пользуется. Без него вы получаете плоскость: всё упомянутое в промпте оказывается примерно на одном расстоянии и борется за одну и ту же среднюю полосу кадра. Названные планы дают модели бюджет глубины, который можно потратить.

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 уточнения. Поместите на передний план что-то намеренно не в фокусе — на настоящих снимках глубоких сцен такое есть почти всегда, и его отсутствие выдаёт генерацию. И скажите, какой план занимает субъект: если курьер — смысл картинки, ей место на среднем плане, иначе башня и стаканчик кофе будут отбирать у неё кадр.

07Точные цвета: hex-коды, привязанные к объектам

Для брендовой работы, преемственности костюма или везде, где «красный» недостаточно точен, пишите шестнадцатеричный код как color #RRGGBB и привязывайте его к названному объекту:

...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 практических правила. Используйте hex для двух-трёх действительно важных цветов, а остальные описывайте словами — промпт с шестью hex-кодами тратит большую часть бюджета на выкраски. Привязывайте код к объекту с границами, а не к «освещению» или «настроению». И помните, что он задаёт цвет объекта, а не итоговое значение пикселя: пальто #8B0000 в контровом свете золотого часа отрендерится теплее образца — ровно так же, как это было бы в жизни.

08Выбор соотношения сторон

Доступны пять соотношений, и нужное обычно подразумевается субъектом, но ваш явный запрос всегда побеждает: попросите обои для телефона — и получите tall независимо от того, что подсказывает содержание.

Ошибка здесь вреднее, чем кажется. Фигура в полный рост в кадре wide даёт вам не маленькую фигуру в большом кадре — обычно она даёт обрезанную, потому что модель заполняет ширину, и голова или ноги уходят за край. Согласуйте кадр с доминирующей осью субъекта, и большинство претензий к композиции исчезнет.

Два поведения, которые стоит запомнить: при редактировании соотношение сторон исходного изображения сохраняется автоматически, поэтому перекадрировать редактированием нельзя, а объединение позволяет выбрать новый холст — часто это самый чистый способ изменить форму того, что у вас уже есть.

09Антипаттерны: что перестать делать

Токены качества: «masterpiece, best quality, 8k, ultra detailed»

Это найденные сообществом рычаги для конкретного старого распределения обучающих данных, где определённые фразы в подписях коррелировали с определёнными источниками изображений. Они не переносятся. Здесь они читаются как обычные английские слова, ничего не дают и съедают часть бюджета слов, о тесноте которого вам уже сказали. Замена — назвать, какая именно деталь вам нужна: не «ultra detailed», а «видимое переплетение ткани пальто и тонкая щетина вдоль челюсти» — то же намерение, выраженное так, чтобы модель могла его отрендерить.

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

Не разбирается. Скобки, двоеточия и числа попадают внутрь как буквальный текст и разве что затрудняют чтение окружающей фразы. Если нужно усилить акцент, пользуйтесь двумя рычагами, которые работают: переместите элемент раньше в промпте и дайте ему больше слов. «Малиновый шёлковый шарф, бахромчатые концы которого поднимает ветер» перевешивает «(red scarf:1.4)» по любой значимой мерке.

Противоречащие указания

Смешение несовместимых инструкций их не смешивает; оно даёт неустойчивое среднее, обычно не удовлетворяющее ни одной. Частые нарушители:

• Средство — «фотореалистично» плюс «акварель»; «масляная живопись» плюс «снято на 85mm». Выберите одно и держитесь его.
• Кадрирование — «широкий общий план» плюс «крупный план её глаз»; «в полный рост» плюс «детальные поры на лице».
• Освещение — «жёсткое полуденное солнце» плюс «мягкое сияние золотого часа»; «низкий ключ, глубокие тени» плюс «светло и воздушно».
• Эпоха — «эстетика плёнки 1970-х» плюс «современный минимализм» плюс «киберпанк».
• Наслоение стилей — четыре художника или четыре жанра разом. Две родственные отсылки могут сработать; четыре взаимно погасятся в нечто общее.
• Разрастание — «деревенская, выветренная, древняя, состаренная временем деревянная дверь» — это одна мысль, написанная четырежды, и каждый повтор разбавляет остальной промпт.

10При генерации по тексту негативного промпта нет

Это антипаттерн, который сильнее всего подводит опытных пользователей, потому что на прежних стеках негативный промпт был половиной ремесла.

Для генерации правило абсолютно и слегка контринтуитивно: написав «без текста, без водяного знака, без лишних пальцев», вы делаете эти вещи более вероятными, а не менее. Модель читает «без текста» как предложение, содержащее понятие текст; отрицание — слабый сигнал, а существительное — сильный. Вы фактически попросили текст. Всегда формулируйте положительную форму:

Для редактирования и объединения негативный промпт существует, и им стоит пользоваться — но для артефактов, а не для содержания. Хороший материал: водяной знак, текстовое наложение, удвоенные конечности, искажённые кисти рук, ореолы от перешарпа, JPEG-блоки, швы вдоль границы коллажа. Плохой материал: всё, что касается того, о чём картинка, — этому место в инструкции.

11Как читать промпт, который Shannon пишет за вас

Вот что делает это руководство сразу применимым, а не теоретическим. Вам не обязательно писать промпт генерации самому. Вы просите обычными словами на любом языке; Shannon распознаёт, что запрашивается изображение, составляет английский промпт генерации и показывает его вам на карточке подтверждения до любого рендера. Ничего не генерируется и ничего не списывается, пока вы не подтвердите.

Поэтому больше всего окупается не умение писать промпты с нуля, а умение читать тот, что на карточке. Пройдитесь по списку:

1. Конкретен ли субъект? Если на карточке написано «a person» или «a woman», вы нашли самое крупное доступное улучшение. Дайте возраст, телосложение, черту.
2. Стоит ли субъект первым? Если промпт открывается стилем или камерой, попросите начать с субъекта.
3. Уложились ли в диапазон? Меньше 30 слов — просите конкретики по свету и обстановке. Больше 100 — просите сократить.
4. Есть ли источник света? Не слово настроения, а настоящий свет: окно, уличный фонарь, вспышка, пасмурное небо, софтбокс.
5. Нет ли конфликтов? Проверьте, нет ли в одном промпте двух средств, двух кадрирований или двух условий освещения.
6. Нет ли протащенных отрицаний? Если на карточке есть «without», «no» или «avoid», то это промпт генерации по тексту, просящий именно то, что он называет.
7. Подходит ли соотношение субъекту? Фигура в полный рост при wide — классическое несовпадение.

Правки вносятся разговором: «сделай её лет тридцати со шрамом через бровь, сними на Portra на 85mm и возьми portrait» — вполне годная инструкция. Вы получаете новую карточку и подтверждаете уже её. За итерации штрафа нет, потому что ничего ещё не отрендерено.

И Shannon не генерирует без приглашения. Приветствие, вопрос или приложенное для обсуждения фото не запускают рендер. Попросить Shannon посмотреть на изображение — описать, прочитать, проанализировать — это обычная работа со зрением, а не генерация, и она не стоит ничего сверх.

12Как ремесло меняется при редактировании и объединении

Правила выше написаны для генерации. Два соседних режима меняют форму промпта.

Редактирование одного изображения

Промпт правки — это инструкция, а не описание: скажите, что меняется и что остаётся. Назвать неизменяемые части — самый мощный рычаг качества в продукте: «Замени фон на дождливую ночную городскую улицу с неоновыми отражениями, оставь женщину точно такой, какая она есть» держится там, где тот же запрос без этой оговорки тихо перерисует ей лицо. Задавайте якорь конкретно: сохранить лицо, позу, волосы и одежду без изменений. Используется ровно одно исходное изображение, и результат сохраняет его соотношение сторон.

Объединение двух или более изображений

Всякий раз, когда элементы берутся более чем из одной картинки — перенос одежды, объект в сцену, два человека в одном кадре, товар на человеке, стиль одного изображения с субъектом другого, — промпт обязан назвать роль каждого изображения по порядку: «Женщина с первого изображения в красном вязаном свитере со второго изображения, стоящая в том же парке». Первое изображение — основной субъект или сцена; последующие поставляют вносимые части. Не сводите многокартиночный запрос к одному источнику плюс текстовому описанию — именно объединение настоящих изображений сохраняет то, как эти вещи выглядят на самом деле.

13Промпты без цензуры: говорите, что имеете в виду

На пути генерации нет фильтра контента, а у модели, которая пишет промпт, нет слоя отказов. В этом весь смысл продукта: фильтрованные генераторы регулярно отказывают в законной работе — художественное ню, медицинская и судебная иллюстрация, изображения для исследований безопасности, насилие в художественных произведениях, политическая сатира, работа правообладателя с брендом и внешностью. Половина ремесла промптов на фильтрованных платформах — это инженерия эвфемизмов, а эвфемизм — враг точного изображения.

Поэтому на карточке стоит проверить ещё одно: описывает ли она настоящий сюжет простыми словами, а не осторожной лексикой, которой люди научаются у фильтрованных инструментов. Судебная иллюстрация раны должна говорить, что это за рана. Осторожный язык везде даёт худшее изображение, потому что модель рендерит то, что говорят слова.

Возможности и суждение — разные вещи. Shannon Lab LLC ведёт это под опубликованной Политикой ответственного использования: генерация без фильтров — профессиональный инструмент, и согласие, права и закон по-прежнему применимы к тому, что вы создаёте.

14Где место API

Один момент точности для читателей, пришедших с поискового запроса про API: генерация, редактирование и объединение изображений живут в чат-приложении Shannon, а не в API /v1. API обслуживает текст и зрение — он может читать, описывать и анализировать отправленные вами изображения во всех трёх диалектах (/v1/chat/completions, /v1/messages, /v1/responses, все с потоковой передачей), — но он их не создаёт. Если вы строите конвейер, которому нужно понимать изображения, начните с документации API. Если вы хотите создавать изображения, это чат-приложение, и всё в этом руководстве относится к нему. Изображения рендерятся на нашем собственном GPU-кластере.

15Часто задаваемые вопросы

По теме: Генерация изображений ИИ без цензуры · Редактирование изображений ИИ без цензуры · Политика ответственного использования · Документация API · Все исследования Shannon. Рекомендации здесь основаны на нашем собственном тестировании Модели изображений Shannon; советы, написанные для более ранних диффузионных стеков, как правило, не переносятся.