Изображение с четырьмя персонажами — один из самых сложных сценариев для диффузионных моделей. Нейросеть должна одновременно удержать четыре набора внешних признаков, не перепутать их между собой, выстроить читаемую композицию и сохранить правдоподобную анатомию. Ниже разобрано, из каких блоков собирается такой запрос, как распределяются описания между фигурами и какие формулировки чаще всего приводят к браку.
Главная причина неудач — не длина промта, а отсутствие привязки. Признак, не привязанный к конкретной фигуре, модель распределяет случайным образом.
Почему четыре персонажа ломают генерацию чаще, чем один или два
Пока в кадре один человек, промт работает как единое описание: все прилагательные по умолчанию относятся к нему. Как только фигур становится четыре, каждое слово начинает конкурировать за принадлежность. Модель не знает, что «борода» относится к первому мужчине, а «каре» — ко второй девушке, если это не задано структурно.
| Симптом | Причина | Решение |
|---|---|---|
| Черты перемешиваются между персонажами | Все признаки идут одним сплошным перечислением | Каждую фигуру описывать отдельным блоком с меткой |
| Один и тот же персонаж появляется дважды | Повторяющийся признак считывается как второй человек | У каждого персонажа — уникальные якоря |
| Лишние руки и ноги | Тела перекрываются, модель достраивает конечности | Задать композицию и глубину резкости |
| Лица похожи как у близнецов | В описаниях нет сознательного контраста | Развести возраст, цвет волос, телосложение |
| Фон исчезает или размывается в кашу | Слишком длинные описания людей съедают вес запроса | 10–15 слов на персонажа, остальное — сцене |
Из каких слоёв собирается запрос
Рабочий промт для многоперсонажной сцены строится сверху вниз: сначала рамка кадра, затем фигуры, затем обстановка и только потом стилистика. Если поставить стиль в начало, модель зафиксирует его как главный приоритет и начнёт экономить токены на композиции.
| Слой | Что задаёт | Пример формулировки |
|---|---|---|
| Композиция | взаимное расположение фигур | four people, staggered arrangement |
| Персонажи | внешность каждой фигуры | man A: tall, dark short hair |
| Взаимодействие | связь между фигурами | eye contact, close grouping |
| Окружение | место действия | lounge interior, soft furnishings |
| Свет | схему освещения | warm rim light, low key |
| Камера | оптику и ракурс | 50mm, medium shot |
| Стиль | способ рендера | cinematic, photorealistic |
Метки вида man A, man B, woman A, woman B — не украшение, а рабочий инструмент. В финальное изображение они не попадают, но помогают модели не смешивать блоки между собой. В интерфейсах, где буквенные метки игнорируются, вместо них используют позиции: left, right, foreground, background.
Четыре композиционные схемы
Параллельная
Четыре фигуры выстроены в один ряд на одной глубине. Даёт ровный обзор, но требует контрастных якорей, иначе силуэты слипаются между собой.
Диагональная
Фигуры смещены по диагонали от переднего плана к заднему. Лучше всего разводит тела и заметно снижает риск появления лишних конечностей.
Пирамидальная
Трое собраны плотной группой, четвёртый вынесен вперёд или назад. Задаёт иерархию и хорошо читается в среднем плане.
Парная
Две пары, разнесённые по кадру. Самый простой способ сохранить читаемость: модель обрабатывает сцену как два независимых блока.
Какую бы схему ни выбрать, её нужно назвать в промте прямым текстом. Модель не выводит композицию из описания одежды и количества людей — расстановку приходится задавать отдельно.
Как развести персонажей, чтобы модель их не перепутала
Действует правило трёх якорей: у каждой фигуры должно быть минимум три заметно различающихся признака, и ни один из них не повторяется у остальных. Если два персонажа оба «высокие» и оба «темноволосые», модель почти наверняка поменяет их местами или сольёт в одного.
| Персонаж | Якорь 1 | Якорь 2 | Якорь 3 |
|---|---|---|---|
| Мужчина 1 | высокий | короткие тёмные волосы | щетина |
| Мужчина 2 | коренастый | светлые волосы до плеч | гладко выбрит |
| Девушка 1 | стройная | рыжие волосы | веснушки |
| Девушка 2 | невысокая | чёрное каре | светлые глаза |
Одежду лучше описывать не по отдельности для каждого, а общей палитрой или парными блоками — так меньше шансов, что рубашка одного персонажа «переедет» на другого. Если сцена интимная, признак обнажённости задаётся один раз для всей группы, а не четырьмя повторяющимися конструкциями: повтор весового слова заставляет модель дублировать фигуры в кадре.
Распределение веса запроса
Это ориентир, а не жёсткая формула. Смысл в том, что описанию внешности отводится самая крупная доля, а стандартным служебным добавкам о качестве — самая маленькая. Чем больше дежурных слов в конце запроса, тем меньше внимания достанется людям.
Negative prompt: что исключать
Отрицательный промт для сцены с четырьмя фигурами решает три задачи: убирает артефакты анатомии, борется с дублированием и снимает визуальный мусор.
- Лишние конечности: extra limbs, extra arms, fused fingers, malformed hands
- Дублирование: duplicate person, cloned face, twins
- Слияние тел: merged bodies, conjoined figures
- Артефакты качества: lowres, jpeg artifacts, blurry
- Служебный мусор: watermark, text, signature, logo
- Искажение пропорций: distorted proportions, bad anatomy
Список стоит держать в пределах 10–20 токенов. Раздутый negative prompt отнимает вес у положительной части и часто даёт обратный эффект: модель начинает избегать и тех деталей, которые были нужны.
Слабый и собранный вариант
two men and two girls, hot, beautiful, 4k, masterpiece, best quality, ultra detailed
Четыре фигуры без привязки, нет композиции, нет света, нет различий между персонажами. Результат — случайное нагромождение тел, похожие лица и лишние руки.
four people in a lounge interior, staggered diagonal arrangement, medium shot, 50mm; man A: tall, short dark hair, stubble; man B: stocky, shoulder-length blond hair, clean-shaven; woman A: slim, red hair, freckles; woman B: petite, black bob, light eyes; eye contact, close grouping; warm rim light, low key; cinematic, photorealistic
У каждого блока своё место в строке, у каждой фигуры — свои якоря, композиция и свет заданы явно.
Разница между примерами не в объёме, а в структуре. Первый запрос сообщает модели тему, второй — ещё и план сцены.
Чек-лист перед отправкой
- Композиция названа в начале запроса
- Каждая фигура описана отдельным блоком с меткой или позицией
- У каждого персонажа минимум три уникальных якоря
- Ни один внешний признак не повторяется дважды
- План и оптика указаны явно
- Свет описан одной схемой, а не перечислением из пяти фраз
- Negative prompt укладывается в 10–20 токенов
- Стиль и служебные слова о качестве стоят в самом конце
Многоперсонажная генерация выигрывает не от количества слов, а от порядка. Композиция, затем фигуры с якорями, затем взаимодействие, свет и стиль — такая последовательность передаёт модели ту же логику, по которой сцену выстраивал бы фотограф: сначала расстановка, потом детали.
