Чому ШІ-моделі досі не вміють створювати складні композиції на вимогу

Створити просте тропічне фото з однією людиною та кокосом — легко. Попросити постер у стилі аніме з усім акторським складом серіалу «13 причин чому» (13 Reasons Why) — з канонічними костюмами, багатошаровою композицією, вбудованою типографікою та абстрактними текстурними фонами — провал. Цей провал, зафіксований у реальному сеансі роботи з передовою ШІ-моделлю, оголює поточний рубіж якості генеративних зображень: найскладнішою проблемою залишаються саме комплексні композиційні запити.

Що запитував користувач

Користувач надав надзвичайно детальний, професійний промпт для створення редакційного постера у стилі аніме для серіалу Netflix. Запит включав:

• Канонічну вірність: кожен персонаж у своєму точному вбранні з серіалу, жодних переосмислень
• Композицію: головний герой спереду та в центрі, по пояс, великим планом; другорядні персонажі позаду на різній глибині та в різних масштабах
• Стиль: чистий аніме-лайнарт, напівплоске затінення, високий контраст, 4K
• Брендинг: типографіка назви серіалу оригінальним шрифтом, одна культова цитата як графічний елемент
• Настрій: мазки пензля, діагональні лінії енергії, зернисті накладки, що відповідають тону серіалу — все інтегровано на білому тлі з абстрактними формами, що символізують місце дії

Це не простий запит. Він вимагає послідовного впізнавання персонажів серед кількох фігур, точного контролю розташування та відтворення тексту в межах одного зображення — три відомі слабкі місця генеративних моделей.

Чому модель відхилила запит

Модель повернула помилку: «Модель ШІ не змогла виконати цей запит. Будь ласка, спробуйте ще раз або оберіть іншу модель». Це категоричне відхилення — а не просто генерація низької якості — сигналізує про те, що промпт перетнув поріг безпеки або можливостей.

Існує кілька ймовірних причин невдачі:

1. Чутливість до авторських прав та торговельних марок. «13 причин чому» — це ліцензований продукт Netflix. Моделі все частіше блокують запити, які прямо згадують реальні розважальні бренди, імена акторів або назви шоу, щоб уникнути створення похідного контенту, захищеного авторським правом. Промпт, що згадує конкретні костюми персонажів та шрифт назви, майже напевно викликав би спрацювання фільтра безпеки.

2. Складність багатофігурної композиції. Сучасні ШІ-моделі найкраще працюють з одним або двома об'єктами. Запит на п'ять або більше персонажів у контрольованому розташуванні на глибині, кожен у канонічному костюмі, з однаковим художнім стилем, виходить за межі надійного діапазону більшості архітектур на основі дифузії.