Давайте на секунду вспомним декабрь 2025-го. Как тогда собиралась несчастная гифка для адвента с бобами берти ботс? Чистейшее средневековье.

Сначала нужно было сгенерировать фон. Затем пойти в Nanabanana Pro и генерировать новый боб там отдельно (потому что при попытке сделать это на готовом фоне нейросеть радостно перерисовывала всё вокруг). Потом аккуратно вырезать этот боб, нести его в Canva и руками, как крепостной крестьянин, собирать каждый кадр: фон, боб, текст. Сохранить. Повторить. Долго и мучительно. Ну ладно, не так мучительно, рисуем то мы не сами.

Сейчас у меня уже была заготовка с бобом, я просто пишу в GPT2:

Replace the bean with [ a single classic kidney-shaped jelly bean floating in the center, styled as okroshka on kvass in bean form, the entire outer surface resembling chilled soup colors: warm golden-brown kvass tone with tiny cubes of pale potato, fresh green herbs and light specks of cucumber and radish embedded just under the glossy surface, slightly frosty condensation highlights, medium size, rotated 19 degrees to the left and tilted slightly forward, cool rustic summer kitchen glow, magical sparkles around, ] studio lighting, soft shadows, isolated on a provided background, sharp focus, hyperrealistic, 8k

Under the bean replace Russian text (centered):
Окрошка на квасе
Сегодня лучше избегать столкновений
с фанатами окрошки на кефире.

Потом меняю только внешний вид и текст. Текст с первого раза получился хорошо, поэтому как референс я теперь прикладываю картинку фон-боб-текст, ИИ аккуратно меняет фактуру самого боба, переписывает текст с первого раза и оставляет фон в покое.

Получилось гораздо быстрее. Сильно заморачиваться и делать все идеально я не стала, потому что бобов получилось около 50 что ли. 😅

С первого раза получались и боб и текст, вот несколько примеров:

Пляжное полотенце ⛱

a single classic kidney-shaped jelly bean floating in the center, styled as a bonfire in bean form, the entire outer surface resembling glowing ember wood with charred dark edges, fiery orange-red cracks of heat, subtle ash texture, warm inner glow, dusky campfire summer light

Хвоя 🌲

a single classic kidney-shaped jelly bean floating in the center, styled as pine needles in bean form, the entire outer surface covered with short dark-green needles radiating along the bean, subtle depth between layers, tiny hints of brown bark at the base, fresh resinous sheen, cool forest shade glow

Костёр 🔥

styled as a bonfire in bean form, the entire outer surface resembling glowing ember wood with charred dark edges, fiery orange-red cracks of heat, subtle ash texture

Облако 🌩️

a single classic kidney-shaped jelly bean floating in the center, styled as a fluffy cloud in bean form, the entire outer surface resembling airy soft vapor with pillowy volume, milky white color with pale blue undertones, dreamy matte-soft texture with delicate glow, light sky summer radiance

Надувной матрас 🛟

a single classic kidney-shaped jelly bean floating in the center, translucent aqua jelly with soft pink and lemon reflections inside, slightly plastic-like glossy texture reminiscent of an inflatable pool float, sunny poolside shimmer, whimsical magical sparkles around

Арбуз 🍉

a single classic kidney-shaped jelly bean floating in the center, juicy watermelon jelly, translucent rich pink-red flesh with a few tiny dark seeds suspended inside, faint fresh green tint along one edge, smooth glossy surface, bright summer sparkle, playful magical glints around

Оставим за скобками тот факт, что перед нами снова какой-то невыносимо трогательный гриффиндорец. 😈

Давайте лучше посмотрим, как интересно здесь ведет себя краска.

Во-первых: Thick impasto strokes mixed with delicate details.

Посмотрите на края волос и плечи на картинках. Видите мазки краски? За это отвечает фраза:
The edges of his hair and shoulders blend abstractly into the bright, sun-drenched background

Я хотела, чтобы краска с волос и ткани буквально вплавлялась в залитый солнцем фон. Теперь надо еще поэкспериментировать.

И там есть еще одно интересное уточнение:
...emphasizing the emotional jolt of the moment through the physical texture of the paint.

Вот полный исходник.
Работает рандомно, иногда получается киношный Рон.

Contemporary oil painting. Thick impasto strokes mixed with delicate details. A luminous close-up of an 18yo young man with messy ginger hair and striking blue eyes. He is in a white hospital hogwarts bed, wearing an open Gryffindor robe and a striped pyjama shirt. His expression is vulnerable and intense but with little smile. The edges of his hair and shoulders blend abstractly into the bright, sun-drenched background, emphasizing the emotional jolt of the moment through the physical texture of the paint. Aspect ratio 2:3

Не могу выбрать из этих двух 😐

Внимание!
Это 🤓🤓ЗАНУДНЫЙ длинный пост.
Не занудный и не длинный будет ниже со всеми карточками, поехали.

Блок 5. Почему angry дает карикатурное лицо
Если дать модели только один ярлык angry, она пойдет по пути наибольшей вероятности.
Она просто возьмет "среднее арифметическое" (грубое упрощение, конечно – модель семплирует из области высокой вероятности в латентном пространстве, а не буквально усредняет) из огромной зоны злость. А самый частый визуальный паттерн злости в обучающих данных – это гипертрофированный оскал, сильно нахмуренные брови итп. Есть еще preference tuning, но на это забьём пока.

Блок 6. Как детали меняют координаты
Но если мы пишем "сжатая челюсть, слегка нахмуренные брови, неподвижные плечи, взгляд исподлобья", математика меняется.
Эти новые токены-детали жестко сдвигают наши координаты (это тоже упрощённо). Они уводят генерацию из попсовой зоны angry в конкретные, редкие точки латентного пространства, где лежат точные телесные признаки.

Блок 7. Диффузия
Дальше начинается сам процесс рисования – диффузия. Модель берет холст из чистого визуального шума (как помехи на старом телевизоре, помните? Шшшш).
Опираясь на наши точные векторы, она шаг за шагом убирает ("вычитает") этот шум. Это похоже на работу скульптора: он берет глыбу мрамора (шум) и отсекает лишнее, пока не проявится чистая форма (картинка).

Блок 8. А как же Nano Banana Pro (и иже с ней)?
Nano Banana Pro устроена чуть хитрее (хоть она и менее художественная). Перед тем как начать рисовать (диффузию), работает "думающая" языковая модель.
Она может взять ваш короткий промпт, проанализировать его, "загуглить" контекст (получить актуальные данные!) или самостоятельно расписать точные визуальные признаки и освещение. То есть языковая модель работает как ваш персональный режиссер-соавтор перед стартом диффузии.

Блок 9. Главное правило
Нейросеть не читает текст и не чувствует эмоции как человек – она вычисляет вероятности.
❌ Абстрактное слово = усредненный вектор = шаблонное выражение лица.
✅ Описание физики тела и атмосферы = точные координаты в узкой области = кинематографичный и живой кадр.