【即梦AI】“提示词”讨论

建青

以《送别》李叔同，歌词配图为例讨论。

01 简单提示词

一，用《送别》歌词原始词提示

二，借助deepseek生成提示词。图像水平有提高。不过由于李叔同原来的歌词意境已经可以，所以也没有达到显著优势。

取第二张。青山，白云，山水画，淡雅色调，留白构图。

三，再改进。加上长城、烽火台。自由发挥。

长城烽火台换成沙漠、戈壁滩、骆驼队。这些理解很难说一定是到位的，但标准在哪里，恐怕说不清楚。

戈壁滩上驼铃响

如果故事发生在我国南方呢，那提示词又得修改，可能的提示词是“茶马古道“。

02 图片可控性讨论

以下是一些关于即梦AI图片生成可控性的参考意见：

我们不妨把提示词和结果的关系，大体上看作是一个多元函数。

多元函数中我们把提示词看成x₁,x₂,......,等是自变量， 结果Z是应变量。当自变量x 是多个时，这个多元函数要得出一个确定的结果，显然是一个非常困难的任务。

一、文本提示的优化

• 精准描述：用户需要提供清晰、准确且详细的文本提示，明确指出想要生成的图像内容、风格、场景等要素。例如，如果想要生成一幅具有未来感的科幻城市景观图，可以描述为“未来感十足的科幻城市，夜晚，霓虹灯闪烁，高楼大厦林立，飞行汽车在空中穿梭，赛博朋克风格”。

二、 细节补充：增加对细节的描述，有助于模型更好地理解用户需求，从而生成更符合预期的图像。比如在生成人物肖像时，除了说明人物的性别、年龄、发型等基本信息外，还可以补充人物的服饰风格、表情神态、背景环境等细节。

• 避免歧义：尽量使用简洁明了的语言，避免使用模糊或容易产生歧义的词汇。例如，不要简单地说“一个大的物体”，而应该具体说明是“一个直径为1米的圆形气球”。

03 模型自身的特点和局限

接写出函数与自变量的关系： z = f(x_1, x_2, \dots, x_n) 例子：

• 训练数据的影响：即梦AI的生成效果受到其训练数据的限制。如果训练数据中某一风格或类型的图片较少，那么在生成该风格的图像时，可能会出现效果不佳或不符合预期的情况。【为什么年轻女性的画面比较多，老年男性的画面显然比较少】

• 多条件控制的挑战：当同时引入多个控制条件时，可能会出现条件之间的冲突，从而影响生成图像的质量和可控性。例如，同时指定人物的姿态和动作，可能会导致生成的图像在姿态和动作的准确性上出现偏差。

• 模型更新和优化：即梦AI不断进行版本更新和优化，以提升图片质量和可控性。用户可以关注其最新版本的功能改进和优化内容，以便更好地利用该工具。

可控性提升的技术方向

• 动态条件组合：像DynamicControl这样的框架，通过自适应地选择不同条件，实现了动态多控制对齐，显著增强了图像生成的可控性。即梦AI可以借鉴这种思路，进一步优化其条件控制机制。

• 多模态融合：未来图像生成模型需要更好地融合文本、图像、语音等多模态信息，实现跨模态的高效生成与控制。即梦AI可以探索如何更好地利用多模态信息来提升图片生成的可控性，例如通过语音指令辅助生成图像。

• 损失函数的改进：通过改进损失函数，如结合像素级一致性损失和扩散训练损失，可以在提高控制性的同时不损害图像质量。即梦AI可以在模型训练过程中，进一步优化其损失函数的设计。

04 用户反馈和社区交流

• 反馈机制：用户可以通过即梦AI的反馈渠道，及时向开发团队反馈生成图像中的问题或不满足预期的地方。开发团队可以根据用户的反馈，对模型进行针对性的优化和改进。

• 社区交流：参与即梦AI的用户社区，与其他用户交流使用经验和技巧。在社区中，用户可以分享自己成功的文本提示案例，也可以讨论如何解决生成图像时遇到的问题，共同探索提升可控性的方法。

05 进一步讨论

这是一个很复杂的话题。

"AI 提示语"是"程序设计语言" 吗？我与deepseek的有趣对话