Prompty obrazów: jasne wymagania i rzetelna kontrola jakości

Prompt obrazu opisuje oczekiwany wynik, ale nie gwarantuje bezbłędnej realizacji. Wyraźny zakaz napisów może więc zakończyć się obrazem zawierającym liczby lub etykiety. Potrzebne są zarówno jednoznaczny opis, jak i kontrola wygenerowanego obrazu.

Pierwotna relacja warsztatowa opisywała łańcuchy na betonie z niepożądanymi kartonikami dowodowymi i linijką. Opis nastroju zawierał angielskie słowo forensic. To sugeruje możliwe skojarzenie, ale jeszcze nie dowodzi przyczyny.

Oddzielenie obserwacji od wyjaśnienia

W opisanej kolejnej próbie jednocześnie zastąpiono słowo kojarzące się z określonym rodzajem zdjęcia i dodano zakazy konkretnych przedmiotów. Lepszego wyniku nie można więc jednoznacznie przypisać jednej z tych zmian. Innym możliwym wyjaśnieniem pozostaje losowa zmienność wyników.

Pozycja w prompcie również nie uzasadnia ogólnej reguły. Nie wykazano, że zakaz umieszczony daleko przed możliwym bodźcem działa słabiej niż ten sam zakaz na końcu. Odległość między słowami nie mierzy też wewnętrznego przetwarzania modelu.

Wcześniejsze liczby dotyczące 31 obrazów, udziału udanych wyników i dokładnych pozycji słów nie są tutaj przedstawiane jako ponownie zweryfikowana seria. Podczas kontroli nie był dostępny kompletny zestaw łączący prompty, wersje modelu i wszystkie wyniki. Praktyczny przypadek uzasadnia lepsze testy, ale nie dowodzi ogólnego efektu.

Precyzyjny opis oczekiwanego obrazu

Dokumentacja generowania obrazów Google zaleca konkretne opisy scen, kontekst i stopniowe ulepszanie. Przy niepożądanych przedmiotach zalecane jest pozytywne opisanie zamierzonej sceny. To metoda pracy, a nie gwarancja każdego wyniku.

Motyw łańcuchów można na przykład opisać bez określenia rodzaju fotografii:

A restrained, non-photorealistic illustration of exactly two metal chains
on a bare concrete surface, viewed directly from above.
The upper chain has a gap bridged by a thinner link.
The lower chain has an open gap. The remaining surface is empty.
Mood: quiet, exact, spare.

Opis określa liczbę, układ, materiał i pustą przestrzeń. Dodatkowe zakazy mogą doprecyzować wymagania, ale nie zastępują kontroli obrazu. Lepszą skuteczność tej wersji musi wykazać porównanie. Na potrzeby poprawionego artykułu nie wygenerowano nowych obrazów z tym promptem.

Zakaz widocznych znaków wodnych trzeba także odróżnić od niewidocznych oznaczeń pochodzenia. Google podaje, że generowane obrazy Gemini zawierają SynthID. Prompt z określeniem „bez znaku wodnego” nie potwierdza więc braku wszelkich oznaczeń pochodzenia.

Porównanie osobnych czynników

Opisany przypadek można zbadać w czterech wariantach: pierwotny prompt; zmiana wyłącznie słowa opisującego rodzaj zdjęcia; doprecyzowanie wyłącznie opisu przedmiotów; obie zmiany razem. Identyfikator modelu, dostępne ustawienia, obrazy referencyjne i format powinny pozostać możliwie jednakowe. Każdy wariant wymaga kilku wyników i wcześniej ustalonych kryteriów, na przykład „brak czytelnych znaków” oraz „dokładnie dwa łańcuchy”.

Pozycja bloku zakazów stanowi osobne pytanie. Takie porównanie zmienia wyłącznie pozycję, bez jednoczesnej zmiany brzmienia. Powtarzane próby i ocena bez znajomości wariantu ograniczają wpływ pojedynczych trafień oraz oczekiwań. Wnioski dotyczą początkowo badanego zadania i wersji modelu.

Pomiar geometrii zamiast domysłów

Dwie kolumny o jednakowej wysokości to sprawdzalny warunek. Różne wysokości potwierdzają najpierw niezgodność obrazu, a nie wewnętrzną regułę „obciążenie powoduje odkształcenie”. Przed pomiarem pikseli trzeba określić perspektywę, górną krawędź, linię podstawy i sposób uwzględnienia obciążenia.

Dla przykładowych wysokości 282 i 243 pikseli różnica wynosi 39 pikseli. Względem większej wysokości to 13,8 procent, a względem mniejszej 16,0 procent. Procent bez wskazania podstawy porównania jest więc niepełny. Do precyzyjnych proporcji technicznych często lepiej nadaje się kontrolowany rysunek SVG lub diagram niż swobodnie wygenerowana ilustracja.

Osobne sprawdzanie plików i treści obrazu

Suma kontrolna to krótka wartość obliczona z zawartości pliku. Pomaga grupować możliwe duplikaty plików. Jednakowe hashe nie są matematycznym dowodem identyczności plików; szczególnie MD5 ma znane słabości związane z kolizjami. W nowych protokołach można używać na przykład SHA-256, a następnie potwierdzać zgodność pełnym porównaniem bajtów.

sha256sum -- image-a.png image-b.png
cmp -s -- image-a.png image-b.png

cmp -s zwraca kod 0 dla jednakowych plików, 1 dla różnych plików i 2 przy błędzie. Polecenia odczytują wskazane pliki bez zmiany obrazów. Brak ścieżki nie może zostać uznany za inną wersję obrazu.