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.

Более подробно в предыдущих постах: 1 – 2, 3 – 4, 5 – 9.

Кратко:

1. Нейросеть не понимает текст как человек.
Весь промпт превращается в набор чисел – векторов.

2. Внутри обученной модели есть латентное пространство – это огромная невидимая карта смыслов (что как с чем чаще связано – упрощенно, латентное пространство диффузионной модели это пространство сжатых изображений).
То, что часто встречалось вместе в датасете, лежит там рядом.

3. Когда мы описываем сцену общими словами, модель берёт то, что для неё чаще всего связывалось с этой фразой при обучении.

4. Важны связи между словами, а не суп из запятых.
Когда мы просто бросаем в модель список:
angry, dramatic lighting, 8k, ultra detailed, fog, rain, smoke, bokeh, tears, blood, cinema, volumetric light
– модели сложнее установить контекст, кому и чему принадлежит каждый эффект.

5. Нейросеть не читает смысл фразы: она подбирает наиболее вероятные визуальные паттерны под этот набор чисел. Именно поэтому точность и связность формулировок так важны.

Выводы:
👉 Не стоит надеяться, что нейросеть догадается по смыслу. Ей нужны связи между словами и точные описания.
👉 Один общий признак/ярлык (например, angry) ведёт в широкую, размытую зону, получаем шаблонный результат.
👉 Вместо angry girl лучше:
«девушка в библиотеке, сжатая челюсть, слегка нахмуренные брови, неподвижные плечи, взгляд исподлобья, холодный верхний свет».
👉 Добавляйте не только тело, но и атмосферу, свет, расстояния и прочее.
👉 Большой гипердетализированный промпт тоже плохо! В старых моделях он обрезается физически. В новых середина теряет вес, а конкурирующие детали начинают мешать друг другу. Лучше работает не "написать всё", а выбрать главное и выстроить это в связный кадр. (Об этом расскажу позже)
👉 Лучше писать фразами и связками:
"девушка у окна, сжатая челюсть, холодный свет сбоку, за стеклом дождь, фон мягкий и размытый"
вместо простого перечисления эффектов через запятую.

❌ Эмоция одним словом → размытая зона латентного пространства → шаблонный результат.
✅ Эмоция через тело + поза + атмосфера → точные координаты → сцена, которую хочется рассматривать.

Для живых эмоций и красивой генерации лучше думать в стиле не какое чувство испытывает герой, а что конкретно видно зрителю в кадре.

Штош, опять много получилось.. 😔