Dlaczego modele AI do generowania obrazów wciąż nie radzą sobie ze złożonymi kompozycjami?

Wygenerowanie prostej, tropikalnej fotografii z jedną osobą i kokosem udaje się za każdym razem. Poproszenie o plakat w stylu anime z całą obsadą serialu 13 powodów – z kanonicznymi strojami, warstwową kompozycją, zintegrowaną typografią i abstrakcyjnymi teksturami tła – kończy się porażką. Owa porażka, uchwycona w realnej sesji z zaawansowanym modelem AI, ujawnia obecną granicę jakości generatywnej: złożone zapytania kompozycyjne pozostają najtrudniejszym problemem.

Czego dokładnie dotyczyło zapytanie?

Użytkownik przekazał niezwykle szczegółowy, profesjonalny prompt, aby wygenerować redakcyjny plakat anime dla serialu Netflix. Żądanie obejmowało:

• Wierność kanonowi: każda postać w dokładnie tym stroju, który nosi w serialu, bez przeróbek
• Kompozycję: główna postać na pierwszym planie, centralnie, do połowy ciała, duża; postacie drugoplanowe z tyłu, na różnych głębokościach i w różnych skalach
• Styl: czysta kreska anime, półpłaskie cieniowanie, wysoki kontrast, rozdzielczość 4K
• Branding: typografia tytułu serialu w oryginalnym foncie, jeden kultowy cytat jako element graficzny
• Nastrój: pociągnięcia pędzla, ukośne linie energetyczne, chropowate nakładki pasujące do tonu serialu – wszystko zintegrowane na białym tle z abstrakcyjnymi kształtami oddającymi scenerię serialu

To nie jest proste zadanie. Wymaga spójnego rozpoznawania postaci na wielu figurach, precyzyjnej kontroli układu i renderowania tekstu w jednym obrazie – trzech znanych słabych punktów modeli generatywnych.

Dlaczego model odrzucił zapytanie?

Model zwrócił błąd: „Model AI nie mógł ukończyć tego żądania. Spróbuj ponownie lub wybierz inny model.” To płaskie odrzucenie – a nie generacja niskiej jakości – sygnalizuje, że prompt przekroczył próg bezpieczeństwa lub możliwości.

Do niepowodzenia prawdopodobnie przyczyniło się kilka czynników:

1. Wrażliwość na prawa autorskie i znaki towarowe. 13 powodów to licencjonowana własność Netflix. Modele coraz częściej blokują prompty, które jawnie odwołują się do prawdziwych marek rozrywkowych, nazw obsady lub tytułów seriali, aby uniknąć generowania treści naruszających prawa autorskie. Prompt wymieniający konkretne stroje postaci i typografię serialu niemal na pewno uruchomił filtr bezpieczeństwa.

2. Złożoność kompozycji wielopostaciowej. Obecne modele AI najlepiej radzą sobie ze scenami z jedną lub dwiema postaciami. Żądanie pięciu lub więcej postaci w kontrolowanym układzie głębi, każdej w kanonicznym stroju, w spójnym stylu artystycznym, wykracza poza niezawodny zakres większości architektur dyfuzyjnych.