AI इमेज जनरेशन में लंबे प्रॉम्प्ट अक्सर क्यों फ़ेल हो जाते हैं

ज़्यादातर लोग मानते हैं कि जितनी ज़्यादा जानकारी, उतना बेहतर नतीजा। आप चाहते हैं कि पेरिस में सूर्यास्त के समय एक फ़व्वारे के पास लाल पोशाक में खड़ी एक महिला हो, गुनगुनी रोशनी और बोकेह बैकग्राउंड हो, हल्की मुस्कान हो और बालों में हल्की हवा हो, तो आप यह सब लिख देते हैं। इमेज गलत आती है। बहुत भरी-भरी लगती है। चेहरा अजीब लगता है। पोशाक का रंग असंगत होता है। बैकग्राउंड फ़ोरग्राउंड में घुस जाता है। यह जानी-पहचानी लगती है?

यह मॉडल की क्वालिटी की समस्या नहीं है। यह प्रॉम्प्ट की लंबाई की समस्या है। और एक बार समझ आ जाए कि आपके लिखे को पढ़ते समय मॉडल के अंदर असल में क्या होता है, तो इसे ठीक किया जा सकता है।

ज़्यादा डिटेल का मिथक

इस समस्या की जड़ में एक गहरी सहज धारणा है: कि किसी चीज़ का ज़्यादा विस्तार से वर्णन करने से AI उसे ज़्यादा सटीकता से बनाएगा। ऊपर से यह तर्कसंगत लगता है। ज़्यादा शब्द, ज़्यादा संदर्भ, ज़्यादा स्पष्टता, बेहतर आउटपुट। यह तर्क किसी इंसान चित्रकार को ब्रीफ़ करते समय काम करता है। डिफ़्यूज़न मॉडल के साथ काम करते ही यह पूरी तरह टूट जाता है।

AI इमेज जनरेटर वर्ड प्रोसेसर नहीं हैं। वे आपका प्रॉम्प्ट ऊपर से नीचे तक पढ़कर हर वाक्यांश को सावधानी से नहीं तौलते, और न ही टुकड़ा-टुकड़ा करके इमेज बनाते हैं। वे पूरे प्रॉम्प्ट को एक सांख्यिकीय सिग्नल की तरह प्रोसेस करते हैं, और आप जितना ज़्यादा लिखते हैं, वह सिग्नल उतना ही कमज़ोर होता जाता है। मॉडल मेहनत को इनाम नहीं देता। वह सटीकता को इनाम देता है।

AI मॉडल टेक्स्ट को अलग तरीके से क्यों प्रोसेस करते हैं

जब आप प्रॉम्प्ट लिखते हैं, तो मॉडल एक टेक्स्ट एन्कोडर के ज़रिए आपके शब्दों को संख्यात्मक वेक्टर में बदलता है। आपके प्रॉम्प्ट का हर टोकन यह तय करने वाले भारित प्रतिनिधित्व में योगदान देता है कि मॉडल को क्या बनाना है। यह पढ़ना नहीं है। यह कंप्रेशन है।

मॉडल "red dress" पर रुककर उसे विस्तार से रेंडर करने का फ़ैसला नहीं करता। वह आपके पूरे प्रॉम्प्ट के हर टोकन को मिलाकर एक संयुक्त दिशात्मक सिग्नल बनाता है, और जो इमेज सामने आती है, वह उसी मिश्रित औसत की मॉडल द्वारा की गई व्याख्या होती है।

छोटे प्रॉम्प्ट एक मज़बूत, साफ़ सिग्नल बनाते हैं। लंबे प्रॉम्प्ट शोर पैदा करते हैं।

आप जो भी शब्द जोड़ते हैं, वह प्रॉम्प्ट में पहले से मौजूद हर दूसरे शब्द से प्रतिस्पर्धा करता है। एक बिंदु के बाद टेक्स्ट जोड़ने से जानकारी और नहीं बढ़ती। बस प्रतिस्पर्धा बढ़ती है।

ध्यान की एक सीमा होती है

ज़्यादातर टेक्स्ट-टू-इमेज मॉडल CLIP एन्कोडर का एक वर्ज़न इस्तेमाल करते हैं, जिसकी सख़्त सीमा 77 टोकन है, लगभग 50-60 शब्द। Flux Schnell और Flux Dev T5-XXL के साथ एक ज़्यादा सक्षम ड्यूल-एन्कोडर तरीका इस्तेमाल करते हैं, जो बिना सख़्त कटौती के लंबे इनपुट संभालता है। लेकिन उन मॉडलों में भी केंद्रित, सोच-समझकर लिखे प्रॉम्प्ट से नतीजे मापने योग्य रूप से बेहतर आते हैं।

व्यावहारिक सच्चाई यह है: जब आप 150 शब्द लिखते हैं, तो मॉडल अपना ध्यान सभी 150 शब्दों में बिखेर देता है, बिना इस अंदाज़े के कि क्या सबसे ज़रूरी है। जिस सब्जेक्ट की आपको परवाह है, उसे वही सांख्यिकीय वज़न मिलता है जो आपके द्वारा आदतन जोड़े गए किसी फ़िलर विशेषण को मिलता है।

💡 प्रॉम्प्ट के ध्यान को एक स्पॉटलाइट की तरह समझें। एक मज़बूत किरण आपके सब्जेक्ट को पूरी तरह रोशन करती है। उसे 20 छोटी किरणों में बाँट दें, तो सब कुछ आंशिक छाया में चला जाता है। आपको ज़्यादा रोशनी नहीं मिलती। आपको कम फ़ोकस मिलता है।

मॉडल के अंदर असल में क्या टूटता है

लंबे प्रॉम्प्ट सिर्फ़ ध्यान को नहीं बिखेरते। वे खास, पूर्वानुमेय विफलता के तरीके लाते हैं, जो बताते हैं कि आपके विस्तृत प्रॉम्प्ट बार-बार निराशाजनक नतीजे क्यों देते हैं।

टोकन और क्या छूट जाता है

जब आपका प्रॉम्प्ट मॉडल की कॉन्टेक्स्ट विंडो से ज़्यादा हो जाता है, तो आखिरी टोकन चुपचाप काट दिए जाते हैं। मॉडल आपको चेतावनी नहीं देता। वह बस एक बिंदु पर प्रोसेस करना बंद कर देता है और जो मिला उसी से जनरेट करता है।

इसका मतलब है कि जो आखिरी डिटेल आपने जोड़ी, जिसे आपने इमेज को "पूरा" करने वाला समझा था, वह शायद कभी प्रोसेस ही न हो। अगर आप तीन लंबे वाक्यों में कोई दृश्य लिखते हैं और सबसे ज़रूरी तत्व आखिर के लिए बचा लेते हैं, तो हो सकता है वह तत्व दिखे ही नहीं।

शब्दों का क्रम बहुत मायने रखता है। ज़्यादातर मॉडलों में प्रॉम्प्ट के पहले तिहाई हिस्से का सांख्यिकीय वज़न सबसे ज़्यादा होता है। मध्य बिंदु के बाद का हर हिस्सा घटते ध्यान के लिए लड़ता है, और आखिर के पास का हर हिस्सा वास्तव में पूरी तरह नज़रअंदाज़ होने के खतरे में होता है।

आपस में टकराने वाले निर्देश

लंबे प्रॉम्प्ट में लगभग हमेशा ऐसे विरोधाभास होते हैं जो आपने इरादतन नहीं डाले। आप जितना ज़्यादा लिखते हैं, उतनी ही संभावना होती है कि आप ऐसे शब्द डाल दें जो बिना समझे मॉडल को विपरीत दिशाओं में खींचें।

इस उदाहरण पर विचार करें:

"A warm, cozy interior lit by candlelight, bright sunny window, dark moody shadows, vibrant colors, muted tones, soft romantic glow."

इस प्रॉम्प्ट में कम से कम तीन विरोधाभास हैं: candlelight बनाम bright window, dark बनाम vibrant, और vibrant बनाम muted। मॉडल को कुछ चुनना ही पड़ता है, और जो वह चुनता है वह वैसा नहीं होगा जैसा आप चाहते थे, क्योंकि आपने खुद कभी फ़ैसला नहीं किया।

प्रॉम्प्ट जितना लंबा होगा, छिपे हुए टकरावों की संभावना उतनी ही ज़्यादा होगी। हर विरोधाभासी जोड़ी आउटपुट को और कमज़ोर करती है।

3 प्रॉम्प्ट गलतियाँ जो ज़्यादातर लोग करते हैं

ये तीन पैटर्न उन प्रॉम्प्ट में लगातार दिखते हैं जो निराशाजनक नतीजे देते हैं। इन्हें पहचानना इन्हें ठीक करने का पहला कदम है।

बहुत ज़्यादा विशेषण

विशेषण सटीकता जैसे लगते हैं। जब वे ढेर में जुड़ते हैं, तो शोर की तरह काम करते हैं। "Beautiful, stunning, gorgeous, breathtaking, incredible woman" "woman" से बेहतर दिखने वाला सब्जेक्ट नहीं बनाता। वह एक सांख्यिकीय औसत आउटपुट बनाता है, जहाँ मॉडल पाँच प्रतिस्पर्धी वर्णनकर्ताओं को एक साथ संतुष्ट करने की कोशिश करता है और किसी को भी साफ़ तौर पर पूरा नहीं कर पाता।

"Beautiful," "stunning," और "incredible" जैसे मॉडिफ़ायर व्यक्तिपरक और अमापने योग्य हैं। मॉडल के पास "incredible" की ऐसी कोई परिभाषा नहीं है जो "stunning" से अलग हो। ये टोकन एम्बेडिंग स्पेस में एक साथ जुड़ जाते हैं और एक-दूसरे को कमज़ोर करते हैं।

हर गुण के लिए एक मज़बूत, खास वर्णनकर्ता चुनें। पाँच पर्यायवाची नहीं। एक सटीक शब्द।

असंबंधित अवधारणाओं को मिलाना

"a futuristic city, a medieval knight, a photorealistic portrait, cinematic lighting, anime style" जैसा प्रॉम्प्ट मॉडल से एक साथ चार असंगत दृश्य परंपराओं को सुलझाने को कहता है। नतीजा एक समझौता होगा, यानी वह इनमें से किसी भी चीज़ से ठीक से मेल नहीं खाएगा।

आप जो हर अलग अवधारणा जोड़ते हैं, वह मॉडल के प्रतिनिधित्व वाले स्पेस के लिए प्रतिस्पर्धा करती है। अलग-अलग दृश्य परंपराओं की अवधारणाएँ एक-दूसरे से खास तौर पर ज़ोर से टकराती हैं, और नतीजा एक ऐसी दृश्य भाषा होता है जो किसी भी सुसंगत श्रेणी की नहीं होती।

समाधान: तय करें कि आपकी इमेज असल में क्या है, फिर उसका वर्णन करें। वह नहीं जो वह हो सकती है। वह नहीं जो वह आपको याद दिलाती है। वह जो वह वास्तव में है।

सब्जेक्ट को दबा देना

आपकी इमेज का सब्जेक्ट आपके प्रॉम्प्ट का पहला तत्व होना चाहिए। मूड नहीं। रोशनी नहीं। ऐतिहासिक सेटिंग नहीं। सब्जेक्ट।

गलत: "In a warm golden-lit ancient Roman bathhouse filled with steam and marble columns, surrounded by graceful attendants carrying amphoras, with soft light filtering through arched windows, a woman with auburn hair sits quietly"

सही: "A woman with auburn hair sitting in a Roman bathhouse, marble columns, steam, warm golden light, graceful attendants"

जानकारी वही है। प्राथमिकता का ढाँचा पूरी तरह अलग है। दूसरा संस्करण मॉडल को तुरंत सही सब्जेक्ट बनाने में लगा देता है। पहला उसे यह जानने से पहले कि किस पर ध्यान देना है, सेटिंग की छह पंक्तियों में चलने को मजबूर करता है।

छोटे प्रॉम्प्ट जो असल में नतीजे देते हैं

छोटे प्रॉम्प्ट आलसी प्रॉम्प्ट नहीं होते। वे संपादित प्रॉम्प्ट होते हैं। काम इसमें है कि मॉडल को जो जानने की ज़रूरत नहीं, उसे हटाया जाए, और जो बचे उसी पर भरोसा किया जाए कि वह इमेज को सँभाले रखेगा।

मुख्य सब्जेक्ट नियम

हर प्रभावी प्रॉम्प्ट एक साफ़ वाक्य तक घटाया जा सकता है: सब्जेक्ट कौन या क्या है, वह क्या कर रहा है, कहाँ है, और किस रोशनी में है?

सब्जेक्ट + क्रिया या स्थिति + सेटिंग + रोशनी = एक पूरा इमेज निर्देश।

"सुबह की धूप में खिड़की के पास बैठी एक महिला" एक आकर्षक, सुसंगत इमेज बनाने के लिए काफ़ी है। उसके अलावा जो भी आप जोड़ते हैं, वह वैकल्पिक है। अगर आप उस आधार से आगे डिटेल जोड़ना चाहते हैं, तो उन्हें सोच-समझकर, एक-एक करके, किसी खास उद्देश्य से जोड़ें।

परतों में प्रॉम्प्ट बनाना

स्पष्टता खोए बिना डिटेल जोड़ने का एक ज़्यादा संरचित तरीका लेयरिंग मेथड है:

1. लेयर 1 (सब्जेक्ट): मुख्य सब्जेक्ट 3-5 शब्दों में तय करें
2. लेयर 2 (संदर्भ): सेटिंग या स्थिति 3-5 शब्दों में जोड़ें
3. लेयर 3 (मूड या रोशनी): एक लाइटिंग वर्णनकर्ता और एक वातावरण शब्द जोड़ें
4. लेयर 4 (स्टाइल): ज़रूरत हो तो एक फ़ोटोग्राफ़िक या तकनीकी स्टाइल टैग जोड़ें

ज़्यादातर प्रॉम्प्ट को लेयर 3 से आगे जाने की ज़रूरत नहीं होती। अगर लेयर 2 पर आउटपुट सही नहीं है, तो लेयर 4 जोड़ने से वह ठीक नहीं होगा। समस्या पहले चरण में है, यानी आपकी सब्जेक्ट परिभाषा या संदर्भ में, आपके स्टाइल टैग में नहीं।

💡 अपना प्रॉम्प्ट लिखें। शब्द गिनें। अगर वह 30 शब्दों से ज़्यादा है, तो 10 काट दें। उसे चलाएँ। दोनों आउटपुट की तुलना करें। आप अक्सर छोटे संस्करण के नतीजे को पसंद करेंगे। कभी-कभी नाटकीय रूप से।

PicassoIA पर Flux Schnell कैसे इस्तेमाल करें

Flux Schnell छोटे-प्रॉम्प्ट सिद्धांत को व्यवहार में परखने के लिए उपलब्ध सबसे अच्छे मॉडलों में से एक है, खास तौर पर इसलिए कि यह पाँच सेकंड से कम में नतीजे देता है। आप एक ही सत्र में लंबी कतारों का इंतज़ार किए बिना दर्जनों प्रॉम्प्ट वेरिएशन आज़मा सकते हैं।

Flux केंद्रित प्रॉम्प्ट पर अच्छी प्रतिक्रिया क्यों देता है

Flux Schnell स्पीड और सुसंगति दोनों के लिए अनुकूलित चार-चरणों वाली डीनॉइज़िंग प्रक्रिया इस्तेमाल करता है। क्योंकि हर जनरेशन इतनी जल्दी पूरी होती है, आप 10 शब्दों का प्रॉम्प्ट चला सकते हैं, नतीजे का मूल्यांकन कर सकते हैं, एक शब्द से सुधार सकते हैं और फिर चला सकते हैं, यह सब कुछ मिनटों में।

यह तेज़ फ़ीडबैक लूप ठीक वही है जिसकी ज़रूरत सोच-समझकर प्रॉम्प्ट इटरेशन को होती है। आप अनुमान लगाना बंद करते हैं और परखना शुरू करते हैं। आप शब्द जोड़ना बंद करते हैं और उन्हें चुनना शुरू करते हैं।

मॉडल बातचीत वाली, स्वाभाविक भाषा को भी अच्छी तरह संभालता है। आपको तकनीकी सिंटैक्स या खास फ़ॉर्मैटिंग की ज़रूरत नहीं है। ज़्यादातर मामलों में एक साफ़ वाक्य, कॉमा से अलग किए गए कीवर्ड की सूची से बेहतर काम करता है।

चरण-दर-चरण: Flux Schnell चलाना

1. PicassoIA पर Flux Schnell खोलें
2. अपना सब्जेक्ट एक साफ़ वाक्य में लिखें, शुरुआत में 15 शब्दों से ज़्यादा नहीं
3. अपना आस्पेक्ट रेशियो चुनें: वाइडस्क्रीन के लिए 16:9, सोशल पोस्ट के लिए 1:1, वर्टिकल के लिए 9:16
4. 5 सेकंड से कम में जनरेशन के लिए Go Fast चालू करें
5. जनरेट करें। मूल्यांकन करें। फ़्रेम में सब्जेक्ट साफ़ और प्रमुख होना चाहिए।
6. अगर कुछ छूट रहा है, तो प्रॉम्प्ट के आखिर में एक डिटेल जोड़ें और फिर से चलाएँ
7. दोनों आउटपुट की तुलना करें। जिसमें विज़ुअल फ़ोकस ज़्यादा मज़बूत हो, उसे रखें, भले ही कौन सा प्रॉम्प्ट लंबा था।

ज़्यादा जटिल दृश्यों या जब आपको अधिकतम फ़िडेलिटी चाहिए, तब Flux Dev आपको 28-50 डीनॉइज़िंग स्टेप और एक img2img मोड देता है। एक संदर्भ फ़ोटो अपलोड करें, वह बदलाव बताने वाला एक छोटा, लक्षित प्रॉम्प्ट लिखें, और मॉडल वहीं से समायोजन करता है। यह तब खास तौर पर असरदार है जब आपका शुरुआती बिंदु पहले से वांछित आउटपुट के करीब हो और आपको बिना शुरू से बनाए एक खास गुण को परिष्कृत करना हो।

प्रॉम्प्ट का वज़न और शब्दों का क्रम

आपके प्रॉम्प्ट में शब्दों की स्थिति तटस्थ नहीं होती। यह प्रॉम्प्ट निर्माण का सबसे प्रभावशाली चरों में से एक है, और ज़्यादातर लोग इसके बारे में कभी सोचते ही नहीं।

जो ज़रूरी है उसे आगे रखें

टेक्स्ट-टू-इमेज मॉडल प्रॉम्प्ट की शुरुआत को अंत से ज़्यादा वज़न देते हैं। यह ट्रांसफ़ॉर्मर आर्किटेक्चर में अटेंशन मैकेनिज़्म के काम करने के तरीके को दर्शाता है: शुरुआती टोकन प्रतिनिधित्व को एंकर करते हैं, और बाद के टोकन उसे परिष्कृत या संशोधित करते हैं।

इमेज का सबसे ज़रूरी तत्व पहले पाँच शब्दों में रखें। उसके बाद आने वाला हर शब्द उसी एंकर की सेवा करे, उससे होड़ न करे।

डिटेल्स की सही जगह

तकनीकी और स्टाइलिस्टिक मॉडिफ़ायर प्रॉम्प्ट की शुरुआत में नहीं, आखिर में आते हैं। लेंस टाइप, फ़िल्म ग्रेन, कलर पैलेट और रेंडरिंग स्टाइल मॉडिफ़ायर हैं। वे बताते हैं कि इमेज कैसी दिखती है, वह क्या है, यह नहीं। जब आप इन्हें पहले रखते हैं, तो मॉडल आपकी इमेज को उन गुणों के बारे में पढ़ता है, न कि आपके सब्जेक्ट के बारे में।

"85mm f/1.8, Kodak Portra 400, bokeh, a woman standing in a field at sunset" उस "a woman standing in a field at sunset, 85mm f/1.8, Kodak Portra 400, bokeh." से कमज़ोर है।

वही शब्द। अलग नतीजा। सब्जेक्ट हमेशा पहले।

असली साथ-साथ उदाहरण

इस सिद्धांत को आत्मसात करने का सबसे तेज़ तरीका सीधे अंतर देखना है। यहाँ दो असली प्रॉम्प्ट जोड़े हैं, साथ में विश्लेषण कि एक लगातार दूसरे से बेहतर क्यों प्रदर्शन करता है।

लंबा संस्करण बनाम छोटा संस्करण

प्रॉम्प्ट A (58 शब्द): "A breathtakingly beautiful young woman with long flowing auburn hair, flawlessly radiant skin, wearing an elegant satin dress in deep burgundy with delicate lace trim, standing gracefully beside an ornate stone fountain in a romantic Parisian courtyard at golden hour, warm glowing sunset light, soft bokeh, cinematic, stunning, masterpiece quality, ultra-detailed, 8k resolution"

प्रॉम्प्ट B (13 शब्द): "Young woman in a burgundy dress, stone fountain, Parisian courtyard, golden hour light"

प्रॉम्प्ट B लगभग हमेशा ज़्यादा सुसंगत नतीजा देता है। सब्जेक्ट साफ़ है। सेटिंग सटीक है। रोशनी परिभाषित है। कुछ भी किसी दूसरी चीज़ से टकराता नहीं।

मॉडल असल में क्या देखता है

प्रॉम्प्ट A के साथ मॉडल प्रोसेस कर रहा है: beautiful, breathtaking, flowing, flawless, radiant, elegant, deep, delicate, graceful, ornate, romantic, warm, soft, cinematic, stunning, masterpiece, ultra-detailed, 8k. यानी 18 क्वालिटी-मॉडिफ़ायर टोकन, जो मॉडल के इमेज बनाना शुरू करने से पहले ही प्रतिनिधित्व वज़न के लिए प्रतिस्पर्धा कर रहे हैं।

प्रॉम्प्ट B के साथ मॉडल के पास एक ही काम है: इस खास रोशनी में, इस खास सेटिंग में, इस खास सब्जेक्ट को रेंडर करना।

💡 अगर आपको तकनीकी रूप से उत्कृष्ट आउटपुट चाहिए, तो क्वालिटी का वर्णन न करें। ऐसा मॉडल इस्तेमाल करें जो डिफ़ॉल्ट रूप से क्वालिटी देता है, जैसे Flux Dev अपने 12-अरब पैरामीटर के साथ, और अपने शब्द उस चीज़ के लिए बचाएँ जो आपकी इमेज को अनोखा बनाती है: खास सब्जेक्ट, खास जगह, खास रोशनी।

कम में रचना शुरू करें

सबसे अच्छा प्रॉम्प्ट वह है जो आपको वह दे जो आप चाहते हैं, और वह सबसे छोटा हो। सिर्फ़ छोटा होने के लिए नहीं। छोटा इसलिए, क्योंकि हर शब्द जो आप काटते हैं, वह ऐसा शब्द है जो अब बचे हुए शब्दों को कमज़ोर, विरोधाभासी या उनसे प्रतिस्पर्धी नहीं बना सकता।

PicassoIA पर मॉडल, जिनमें Flux Schnell और Flux Dev शामिल हैं, सटीक, मानवीय भाषा के साथ काम करने के लिए बनाए गए हैं। उन्हें आपसे ज़्यादा समझाने की ज़रूरत नहीं। उन्हें आपसे बस उन चीज़ों के बारे में सटीक होने की ज़रूरत है जो मायने रखती हैं, और जो मायने नहीं रखतीं उनके बारे में चुप रहने की।

अपना सबसे हाल का असफल प्रॉम्प्ट लें। उसे आधा काट दें। सब्जेक्ट को पहले रखें। हर उस विशेषण को हटाएँ जो सिर्फ़ "अच्छे" का पर्यायवाची है। उसे चलाएँ।

नतीजा शायद आपको चौंकाएगा, और वही आश्चर्य वह क्षण है जब सिद्धांत समझ में आ जाता है। उस बिंदु से आप अलग तरीके से लिखेंगे, ज़्यादा इरादे और कम शब्दों के साथ, और आपकी इमेज यह दिखाएँगी।

कम लिखें। ज़्यादा अर्थ दें।