Hvorfor AI-billedmodeller stadig kæmper med komplekse kompositionsanmodninger

At generere et simpelt tropisk livsstilsfoto med én person og en kokosnød lykkes hver gang. Men at bede om et anime-poster af hele castet fra 13 Reasons Why – med kanoniske outfits, lagdelt komposition, integreret typografi og abstrakte baggrundsteksturer – fejler. Den fejl, der blev fanget i en reel brugersession med en avanceret AI-billedmodel, afslører den aktuelle grænse for generativ billedkvalitet: komplekse kompositionsanmodninger er stadig det sværeste problem.

Hvad prompten bad om

Brugeren gav en usædvanligt detaljeret, professionel prompt til at generere et redaktionelt anime-poster for Netflix-serien. Anmodningen inkluderede:

• Kanonisk troskab: Hver karakter i deres nøjagtige outfit fra serien, ingen redesigns
• Komposition: Hovedkarakteren i centrum, forfra, stor i billedet; biroller bagved i varierende dybde og skala
• Stil: Ren anime-lineart, semi-flad skygge, høj kontrast, 4K-opløsning
• Branding: Seriens titeltypografi i original font, ét ikonisk citat som grafisk element
• Stemning: Penselstrøg, diagonale energilinjer, gritty overlays, der matcher seriens tone – alt integreret over en hvid baggrund med abstrakte former, der repræsenterer seriens setting

Dette er ikke en simpel anmodning. Den kræver konsistent karaktergenkendelse på tværs af flere figurer, præcis layoutkontrol og tekstgengivelse i et enkelt billede – tre kendte svage punkter for generative modeller.

Hvorfor modellen afviste anmodningen

Modellen returnerede en fejl: "The AI model could not complete this request. Please try again or choose another model." Denne flade afvisning – snarere end en lavkvalitetsgenerering – signalerer, at prompten krydsede en sikkerheds- eller kapabilitetsgrænse.

Flere faktorer udløste sandsynligvis fejlen:

1. Copyright- og varemærkefølsomhed. 13 Reasons Why er en licenseret Netflix-ejendom. Modeller blokerer i stigende grad prompts, der eksplicit refererer til rigtige underholdningsbrands, castnavne eller serietitler for at undgå at generere afledt ophavsretsbeskyttet indhold. En prompt, der nævner specifikke karakteroutfits og serietypografi, ville næsten helt sikkert udløse et sikkerhedsfilter.

2. Kompleksitet med flere karakterer. Nuværende AI-billedmodeller er stærkest med enkeltpersoner eller simple scener med to personer. En anmodning om fem eller flere karakterer i et kontrolleret dybdelayout, hver i et kanonisk outfit, med konsistent kunststil på tværs af dem alle, ligger uden for den pålidelige rækkevidde af de fleste diffusionsbaserede arkitekturer.