Hvorfor AI-bildemodeller fortsatt sliter med komplekse komposisjoner

Å generere et enkelt tropisk livsstilsbilde med én person og en kokosnøtt er uproblematisk. Men å be om en anime-plakat i poster-stil med hele casten fra 13 Reasons Why – med kanoniske antrekk, lagdelt komposisjon, integrert typografi og abstrakte bakgrunnsteksturer – feiler. Denne feilen, fanget i en reell brukerøkt med en avansert AI-bildemodell, viser tydelig det største problemet i generativ bildekvalitet i dag: komplekse komposisjoner er den vanskeligste utfordringen.

Hva prompten ba om

Brukeren ga en uvanlig detaljert, profesjonell prompt for å lage en redaksjonell anime-plakat for Netflix-serien. Forespørselen inkluderte:

• Kanonisk presisjon: Hver karakter i nøyaktig det antrekket de har i serien, ingen nydesign
• Komposisjon: Hovedkarakteren i front og midt, halvkropp, stor; biroller bak i ulike dybder og skalaer
• Stil: Ren anime-linjekunst, semi-flat skyggelegging, høy kontrast, 4K-oppløsning
• Branding: Seriens titteltypografi i original font, ett ikonisk sitat som grafisk element
• Stemning: Penselstrøk, diagonale energilinjer, gritty-lag som matcher seriens tone – alt integrert over hvit bakgrunn med abstrakte former som representerer seriens setting

Dette er ikke en enkel forespørsel. Den krever konsistent karaktergjenkjenning på tvers av flere figurer, presis layoutkontroll og tekstrendering i ett og samme bilde – tre kjente svakheter for generative modeller.

Hvorfor modellen avviste forespørselen

Modellen returnerte en feilmelding: "The AI model could not complete this request. Please try again or choose another model." Denne flate avvisningen – i stedet for et bilde av lav kvalitet – signaliserer at prompten krysset en sikkerhets- eller kapasitetsgrense.

Flere faktorer utløste sannsynligvis feilen:

1. Opphavsrett- og varemerkefølsomhet. 13 Reasons Why er en lisensiert Netflix-eiendom. Modeller blokkerer i økende grad prompter som eksplisitt referer til virkelige underholdningsmerkevarer, skuespillernavn eller serietitler for å unngå å generere derivativt opphavsrettsbeskyttet innhold. En prompt som nevner spesifikke karakterantrekk og serietypografi, vil nesten helt sikkert utløse et sikkerhetsfilter.

2. Flerpersonskompleksitet. Dagens AI-bildemodeller er sterkest med enkeltmotiver eller enkle tomotivscener. En forespørsel om fem eller flere karakterer i en kontrollert dybdelayout, hver i kanoniske antrekk, med konsistent kunststil på tvers av alle, går utover det de fleste diffusjonsbaserte arkitekturer kan håndtere.