Varför AI-bildmodeller fortfarande kämpar med komplexa kompositionsförfrågningar

Att generera ett enkelt tropiskt livsstilsfoto med en person och en kokosnöt lyckas varje gång. Att be om en anime-poster med hela rollistan från 13 Reasons Why – med kanoniska kläder, lager-på-lager komposition, integrerad typografi och abstrakta bakgrundstexturer – misslyckas. Det misslyckandet, fångat i en verklig användarsession med en avancerad AI-bildmodell, visar den nuvarande gränsen för generativ bildkvalitet: komplexa kompositionsförfrågningar är fortfarande det svåraste problemet.

Vad förfrågan bad om

Användaren gav en ovanligt detaljerad, professionell prompt för att generera en redaktionell anime-poster för Netflix-serien. Förfrågan inkluderade:

• Kanonisk trohet: Varje karaktär i exakt sina kläder från serien, inga omdesigner
• Komposition: Huvudkaraktär i mitten, stor, midjebild; birollerna bakom i varierande djup och skala
• Stil: Ren anime-linjekonst, halvplatt skuggning, hög kontrast, 4K-upplösning
• Varumärkning: Serietiteltypografi i originaltypsnitt, ett ikoniskt citat som grafiskt element
• Stämning: Målarpenseldrag, diagonala energilinjer, grova överlägg som matchar seriens ton – allt integrerat över en vit bakgrund med abstrakta former som representerar seriens miljö

Det här är ingen enkel förfrågan. Den kräver konsekvent karaktärsigenkänning över flera figurer, exakt layoutkontroll och textrendering i en enda bild – tre kända svaga punkter för generativa modeller.

Varför modellen avvisade förfrågan

Modellen returnerade ett fel: "AI-modellen kunde inte slutföra denna begäran. Försök igen eller välj en annan modell." Detta raka avvisande – snarare än en lågkvalitativ generering – signalerar att prompten passerade en säkerhets- eller kapacitetströskel.

Flera faktorer utlöste troligen misslyckandet:

1. Upphovsrätts- och varumärkeskänslighet. 13 Reasons Why är en licensierad Netflix-produktion. Modeller blockerar allt oftare prompts som explicit refererar till verkliga underhållningsvarumärken, skådespelarnamn eller serietitlar för att undvika att generera upphovsrättsskyddat innehåll. En prompt som nämner specifika karaktärskläder och serietypografi skulle nästan säkert utlösa en säkerhetsfilter.

2. Multi-charakter kompositionskomplexitet. Nuvarande AI-bildmodeller är starkast med enkla motiv eller scener med två personer. En förfrågan om fem eller fler karaktärer i en kontrollerad djup-layout, var och en i kanoniska kläder, med konsekvent konststil över alla, pressar bortom det pålitliga intervallet för de flesta diffusionsbaserade arkitekturer.