تبدو الأوامر النصية الطويلة منطقية عندما تريد نتيجة محددة. لكن معظم مولّدات الصور بالذكاء الاصطناعي ترتبك بسبب كثرة المعلومات، والتعليمات المتعارضة، وتشتّت الانتباه. يشرح هذا المقال بالتفصيل ما الذي يحدث بالضبط مع الأوامر المطوّلة، ويوضح ما عليك أن تكتبه بدلًا منها للحصول على نتائج أوضح وأدق في كل مرة.
يفترض معظم الناس أن المعلومات الأكثر تعني نتائج أفضل. تريد امرأة ترتدي فستانًا أحمر تقف بجانب نافورة عند غروب الشمس في باريس، بإضاءة دافئة وخلفية بوكيه وابتسامة خفيفة ونسيم لطيف في شعرها، فتكتب كل ذلك. تعود الصورة خاطئة. مزدحمة أكثر من اللازم. الوجه يبدو غير سليم. لون الفستان غير متّسق. الخلفية تتسرب إلى المقدمة. هل يبدو هذا مألوفًا؟
هذه ليست مشكلة في جودة النموذج. إنها مشكلة في طول الأمر النصي. ويمكن إصلاحها بمجرد أن تفهم ما يحدث فعليًا داخل النموذج عندما يقرأ ما تكتبه.
يكمن في جذر هذه المشكلة افتراض بديهي عميق: أن وصف شيء بتفاصيل أكثر سيساعد الذكاء الاصطناعي على إنتاجه بدقة أكبر. يبدو هذا منطقيًا للوهلة الأولى. كلمات أكثر، وسياق أكثر، وتحديد أكثر، ونتيجة أفضل. هذا المنطق ينجح عندما تشرح المطلوب لرسام بشري. لكنه ينهار تمامًا عندما تعمل مع نموذج انتشاري.
مولّدات الصور بالذكاء الاصطناعي ليست معالجات نصوص. فهي لا تقرأ أمرك النصي من أعلاه إلى أسفله، ولا تزن كل عبارة بعناية، ثم تبني الصورة قطعةً قطعة. إنها تعالج الأمر النصي كله كإشارة إحصائية، وكلما كتبت أكثر، تخفّفت هذه الإشارة أكثر. النموذج لا يكافئ الجهد. إنه يكافئ الدقة.
عندما تكتب أمرًا نصيًا، يحوّل النموذج كلماتك إلى متجهات عددية عبر مشفّر نصوص. يساهم كل توكن في أمرك في تمثيل مرجّح لما ينبغي أن يولّده النموذج. هذه ليست قراءة. إنها ضغط.
لا يتوقف النموذج عند عبارة "فستان أحمر" ليقرر تصييرها بالتفصيل. إنه يمزج كل توكن في أمرك كله في إشارة اتجاهية مجمّعة، والصورة التي تظهر هي تفسير النموذج لذلك المتوسط المدمج.
الأوامر القصيرة تُنشئ إشارة قوية ونظيفة. والأوامر الطويلة تُنشئ ضوضاء.
كل كلمة تضيفها هي كلمة تتنافس مع كل كلمة أخرى موجودة في الأمر. وعند نقطة معينة، لا يضيف النص الإضافي معلومات جديدة. إنه يضيف مزيدًا من التنافس.
تستخدم معظم نماذج تحويل النص إلى صورة نسخة من مشفّر CLIP، الذي يملك حدًا صارمًا يبلغ 77 توكنًا، أي ما يقارب 50 إلى 60 كلمة. أما Flux Schnell وFlux Dev فيستخدمان نهجًا أكثر قدرة بمشفّرين مزدوجين مع T5-XXL، يتعامل مع المدخلات الأطول دون اقتطاع صارم. لكن حتى هذه النماذج تحقق نتائج أفضل بشكل ملحوظ مع أوامر مركّزة ومقصودة.
الواقع العملي هو هذا: عندما تكتب 150 كلمة، ينتشر انتباه النموذج على جميع كلماتك دون أي إدراك لما هو الأهم. فالموضوع الذي يهمّك يحصل على الوزن الإحصائي نفسه الذي تحصل عليه صفة حشو أضفتها بالعادة.
💡 فكّر في انتباه الأمر النصي كأنه كشّاف ضوء. شعاع قوي واحد يُضيء موضوعك بشكل مثالي. أما تقسيمه إلى 20 شعاعًا صغيرًا فيترك كل شيء في ظل جزئي. لن تحصل على ضوء أكثر، بل ستحصل على تركيز أقل.
لا تقتصر الأوامر الطويلة على تشتيت الانتباه. بل تُدخل أنماط فشل محددة ومتوقعة تفسّر بدقة سبب استمرار أوامرك المفصّلة في إعطاء نتائج مخيّبة.
عندما يتجاوز أمرك نافذة السياق الخاصة بالنموذج، تُقتطع التوكنات الأخيرة بصمت. لا يحذّرك النموذج. ببساطة يتوقف عن المعالجة عند نقطة معينة ويولّد الصورة مما استلمه.
هذا يعني أن آخر تفصيل أضفته، ذلك الذي ظننت أنه سيُكمل الصورة، قد لا تتم معالجته أبدًا. وإذا وصفت مشهدًا عبر ثلاث جمل طويلة وأبقيت العنصر الأهم للنهاية، فقد لا يظهر هذا العنصر إطلاقًا.
لترتيب الكلمات أهمية كبيرة. يحمل الثلث الأول من أمرك أعلى وزن إحصائي في معظم النماذج. كل ما يأتي بعد المنتصف يتنافس على انتباه متناقص، وكل ما يقع قرب النهاية معرّض فعليًا للتجاهل التام.
تحتوي الأوامر الطويلة دائمًا تقريبًا على تناقضات لم تقصدها. وكلما كتبت أكثر، زادت احتمالية أن تُدرج مصطلحات تدفع النموذج في اتجاهات متعاكسة دون أن تدري.
تأمل هذا المثال:
"داخلية دافئة ومريحة مضاءة بضوء الشموع، ونافذة مشمسة ساطعة، وظلال داكنة كئيبة، وألوان نابضة بالحياة، ودرجات لونية خافتة، ووهج رومانسي ناعم."
يحتوي هذا الأمر على ثلاثة تناقضات على الأقل: ضوء الشموع مقابل النافذة الساطعة، والداكن مقابل النابض بالحياة، والنابض بالحياة مقابل الخافت. على النموذج أن يختار شيئًا ما، وما سيختاره لن يكون ما أردته، لأنك أنت نفسك لم تحسم قرارك أصلًا.
| نوع التناقض | مثال | ما ينتجه النموذج |
|---|---|---|
| تعارض في الإضاءة | "ضوء الشموع" + "ضوء نهار ساطع" | إضاءة غامضة وغير محددة |
| تعارض في الألوان | "نابضة بالحياة" + "باهتة" | درجات لونية باهتة ومنزوعة التشبع |
| تعارض في المزاج | "دافئ ومريح" + "درامي" | تكوين غير متّسق نبرةً |
| تعارض في الموضوع | "بورتريه مقرّب" + "منظر طبيعي واسع" | إطار مربك وسيئ التكوين |
| تعارض في الأسلوب | "واقعي كالصور الفوتوغرافية" + "تصويري بالفرشاة" | فوضى بملمس لا يناسب أيًا منهما |
كلما طال الأمر النصي، زادت احتمالية التناقضات الخفية. وكل زوج متناقض يُضعف المخرجات أكثر.
تظهر هذه الأنماط الثلاثة باستمرار في الأوامر التي تنتج نتائج مخيّبة. والتعرّف عليها هو الخطوة الأولى لإصلاحها.
تبدو الصفات كأنها دقة. لكنها تعمل كضوضاء عندما تتراكم. فعبارة "امرأة جميلة ورائعة وفاتنة ومذهلة ومدهشة" لا تنتج شخصًا أجمل مظهرًا من عبارة "امرأة". ما تنتجه هو مخرج متوسّط إحصائيًا، يحاول فيه النموذج إرضاء خمسة أوصاف متنافسة في آن واحد، فلا ينجح في أيٍّ منها بوضوح.
المُعدِّلات مثل "جميلة" و"رائعة" و"مدهشة" ذاتية وغير قابلة للقياس. ليس لدى النموذج تعريف لـ"مدهشة" منفصل عن "رائعة". تتجمّع هذه التوكنات معًا في فضاء التضمين وتُخفّف من تأثير بعضها.
اختر وصفًا واحدًا قويًا ومحددًا لكل سمة. لا خمسة مرادفات. كلمة واحدة دقيقة.
أمر مثل "مدينة مستقبلية، وفارس من العصور الوسطى، وبورتريه واقعي كالصور الفوتوغرافية، وإضاءة سينمائية، وأسلوب أنمي" يطلب من النموذج حل أربعة تقاليد بصرية غير متوافقة في وقت واحد. وستكون النتيجة حلًا وسطًا، مما يعني أنها لن تشبه أيًا من هذه الأشياء بشكل سليم.
كل مفهوم مختلف تضيفه يتنافس على المساحة التمثيلية للنموذج. والمفاهيم من تقاليد بصرية مختلفة تتنافس بشدة خاصة، والنتيجة لغة بصرية لا تنتمي إلى أي فئة متماسكة.
الحل: قرّر ما تكون صورتك فعلًا، ثم صفه. لا ما يمكن أن تكون أيضًا. ولا ما تذكّرك به. بل ما هي عليه فعلًا.
يجب أن يكون موضوع صورتك أول عنصر في أمرك النصي. لا المزاج. ولا الإضاءة. ولا الخلفية التاريخية. الموضوع.
خطأ: "في حمّام روماني قديم مضاء بضوء ذهبي دافئ، مليء بالبخار وأعمدة من الرخام، يحيط به مساعدون رشيقون يحملون جرارًا فخارية، وضوء ناعم يتسرب عبر نوافذ مقوّسة، تجلس امرأة ذات شعر أحمر كستنائي بهدوء"
صحيح: "امرأة ذات شعر أحمر كستنائي جالسة في حمّام روماني، أعمدة رخامية، بخار، ضوء ذهبي دافئ، مساعدون رشيقون"
المعلومات ذاتها. لكن بنية الأولوية مختلفة تمامًا. النسخة الثانية تضع النموذج للعمل فورًا على بناء الموضوع الصحيح. أما الأولى فتجعله يخوض ست جمل من الخلفية قبل أن يعرف من أو ما الذي يركّز عليه.
الأوامر القصيرة ليست أوامر كسولة. إنها أوامر مُحرَّرة. يكمن العمل في إزالة ما لا يحتاج النموذج إلى معرفته، والوثوق بأن ما يبقى كفيل بحمل الصورة.
يمكن اختزال كل أمر نصي فعّال في جملة واحدة واضحة: من أو ما هو الموضوع، وماذا يفعل، وأين، وفي أي ضوء؟
الموضوع + الفعل أو الحالة + المكان + الإضاءة = تعليمة صورة كاملة.
تكفي عبارة "امرأة جالسة بجانب نافذة في ضوء شمس الصباح" لإنتاج صورة مقنعة ومتماسكة. كل ما تضيفه بعد ذلك اختياري. وإذا قررت إضافة تفاصيل تتجاوز هذا الأساس، فأضفها بقصد، واحدةً تلو الأخرى، ولغرض محدد.
هناك طريقة أكثر تنظيمًا لإضافة التفاصيل دون فقدان الوضوح، وهي أسلوب الطبقات:
معظم الأوامر لا تحتاج إلى تجاوز الطبقة 3. وإذا لم تكن المخرجات صحيحة عند الطبقة 2، فإن إضافة طبقة 4 لن تصلحها. المشكلة تكمن في المنبع، أي في تعريف الموضوع أو سياقه، لا في وسوم الأسلوب.
💡 اكتب أمرك النصي. عدّ كلماته. إذا تجاوز 30 كلمة، احذف 10 منها. شغّله. قارن النتيجتين. ستفضّل غالبًا نتيجة النسخة الأقصر. وأحيانًا بفارق كبير.
يُعد Flux Schnell من أفضل النماذج المتاحة لاختبار مبدأ الأوامر القصيرة عمليًا، وتحديدًا لأنه يولّد النتائج في أقل من خمس ثوانٍ. يمكنك تجربة عشرات الصيغ المختلفة للأمر في جلسة واحدة دون انتظار طوابير طويلة.
يستخدم Flux Schnell عملية إزالة تشويش من أربع خطوات مُحسّنة للسرعة والتماسك معًا. ولأن كل توليد يكتمل بسرعة كبيرة، يمكنك تشغيل أمر من 10 كلمات، وتقييم النتيجة، وتعديلها بكلمة واحدة، ثم التشغيل مجددًا، كل ذلك خلال دقائق قليلة.
هذه الحلقة السريعة من التغذية الراجعة هي بالضبط ما يتطلبه التكرار المقصود للأوامر. تتوقف عن التخمين وتبدأ بالاختبار. تتوقف عن إضافة الكلمات وتبدأ باختيارها.
يتعامل النموذج أيضًا بشكل جيد مع اللغة الطبيعية والمحادثية. لا تحتاج إلى صياغة تقنية أو تنسيق خاص. فالجملة الواضحة تعمل أفضل من قائمة كلمات مفصولة بفواصل في معظم الحالات.
للمشاهد الأكثر تعقيدًا، أو عندما تحتاج إلى أقصى درجات الدقة، يمنحك Flux Dev بين 28 و50 خطوة لإزالة التشويش، ووضع img2img. ارفع صورة مرجعية، واكتب أمرًا قصيرًا ومحددًا يصف ما تريد تغييره، وسيعدّل النموذج الصورة من هناك. وهذا فعّال بشكل خاص عندما تكون نقطة البداية قريبة بالفعل من النتيجة المطلوبة، وتحتاج إلى تحسين سمة واحدة محددة دون إعادة البناء من الصفر.
موضع الكلمات في أمرك النصي ليس محايدًا. إنه أحد أكثر المتغيرات تأثيرًا في بناء الأمر النصي، وأغلب الناس لا يفكرون فيه أبدًا.
تمنح نماذج تحويل النص إلى صورة وزنًا أكبر لبداية الأمر النصي مقارنةً بنهايته. وهذا يعكس طريقة عمل آليات الانتباه في بنى المحوّلات: فالتوكنات الأولى تثبّت التمثيل، والتوكنات اللاحقة تعيد صياغته أو تعدّله.
ضع العنصر الأهم في صورتك ضمن أول خمس كلمات. وينبغي أن تخدم كل كلمة تليها هذا المرتكز، لا أن تنافسه.
| موضع الكلمة في الأمر | الوزن النسبي | ما الذي تكتبه هنا |
|---|---|---|
| الكلمات من 1 إلى 5 | الأعلى | الموضوع الأساسي |
| الكلمات من 6 إلى 15 | مرتفع | المكان والحدث الرئيسي |
| الكلمات من 16 إلى 25 | متوسط | الإضاءة والجو |
| الكلمات من 26 إلى 35 | منخفض | وسوم الأسلوب والمُعدِّلات |
| الكلمات من 36 فما فوق | الأدنى | تفاصيل ثانوية، إن احتجتها أصلًا |
تنتمي المُعدِّلات التقنية والأسلوبية إلى نهاية الأمر النصي، لا إلى بدايته. نوع العدسة، وحبيبات الفيلم، ولوحة الألوان، وأسلوب التصيير، هي مُعدِّلات. إنها تصف شكل الصورة، لا ماهيتها. وعندما تضعها أولًا، يقرأ النموذج صورتك على أنها تدور حول تلك الخصائص، لا حول موضوعك.
"عدسة 85 ملم بفتحة f/1.8، Kodak Portra 400، بوكيه، امرأة تقف في حقل عند غروب الشمس" أضعف من "امرأة تقف في حقل عند غروب الشمس، عدسة 85 ملم بفتحة f/1.8، Kodak Portra 400، بوكيه."
الكلمات ذاتها. نتيجة مختلفة. الموضوع أولًا، دائمًا.
أسرع طريقة لاستيعاب هذا المبدأ هي رؤية التباين مباشرة. إليك زوجان حقيقيان من الأوامر مع تحليل لسبب تفوّق أحدهما باستمرار على الآخر.
الأمر A (58 كلمة): "شابة رائعة الجمال بشعر أحمر كستنائي طويل منسدل، وبشرة مشرقة بلا عيوب، ترتدي فستانًا أنيقًا من الساتان باللون البوردو الداكن مع حواف دانتيل رقيقة، تقف برشاقة بجانب نافورة حجرية مزخرفة في فناء باريسي رومانسي عند الساعة الذهبية، وضوء غروب دافئ متوهج، وبوكيه ناعم، وسينمائي، ومذهل، وجودة تحفة فنية، وفائق التفاصيل، ودقة 8k"
الأمر B (13 كلمة): "شابة بفستان بورجوندي، نافورة حجرية، فناء باريسي، ضوء الساعة الذهبية"
يُنتج الأمر B دائمًا تقريبًا نتيجة أكثر تماسكًا. الموضوع واضح. والمكان دقيق. والإضاءة محددة. ولا شيء يتعارض مع أي شيء آخر.
مع الأمر A، يعالج النموذج: جميلة، رائعة، منسدلة، بلا عيوب، مشرقة، أنيقة، داكنة، رقيقة، برشيقة، مزخرفة، رومانسية، دافئة، ناعمة، سينمائية، مذهلة، تحفة فنية، فائقة التفاصيل، 8k. أي 18 توكنًا من مُعدِّلات الجودة تتنافس على الوزن التمثيلي قبل أن يبدأ النموذج في بناء الصورة أصلًا.
مع الأمر B، يملك النموذج مهمة واحدة: تصيير هذا الموضوع المحدد في هذا المكان المحدد بهذه الإضاءة المحددة.
💡 إذا أردت مخرجات متميزة تقنيًا، فلا تصف الجودة. استخدم نموذجًا ينتج الجودة افتراضيًا، مثل Flux Dev بمعاملاته البالغ عددها 12 مليارًا، واحجز كلماتك لما يجعل صورتك فريدة: الموضوع المحدد، والمكان المحدد، والضوء المحدد.
أفضل أمر نصي يمكنك كتابته هو الأقصر الذي ينتج ما تريده. ليس أقصر لذاته. بل أقصر لأن كل كلمة تحذفها هي كلمة لم تعد قادرة على تخفيف الكلمات الباقية أو تناقضها أو منافستها.
النماذج المتاحة على PicassoIA، بما فيها Flux Schnell وFlux Dev، مصمّمة للعمل مع لغة بشرية دقيقة. لا تحتاج منك إلى الإفراط في الشرح. بل تحتاج أن تكون محددًا بشأن الأشياء المهمة، وصامتًا بشأن الأشياء التي لا تهم.
خذ أحدث أمر نصي فشل لديك. اقطعه إلى النصف. ضع الموضوع أولًا. احذف كل صفة ليست سوى مرادف لكلمة "جيد". ثم شغّله.
ستفاجئك النتيجة على الأرجح، وتلك المفاجأة هي اللحظة التي يترسخ فيها المبدأ. ومن تلك اللحظة فصاعدًا، ستكتب بشكل مختلف، بمزيد من القصد وكلمات أقل، وستظهر صورك ذلك.
اكتب أقل. واقصد أكثر.
اختر لغتك
