Перейти к основному содержанию
Как получить нужное изображение отвечает на вопрос: «эта попытка не удалась — как её спасти». Эта страница отвечает на следующий вопрос: как сделать так, чтобы каждая попытка приводила к нужному результату. Постоянно возникает следующий вопрос: потребительские продукты для работы с изображениями, такие как freepik.com и higgsfield.ai, работают на тех же базовых моделях, что и вы, — на тех же семействах Nano Banana, GPT-Image и FLUX, — и всё же их результаты выглядят более завершёнными. Разрыв связан не с весами модели. Он обусловлен слоем, обёрнутым вокруг модели, и этот слой можно создать самостоятельно. На этой странице показано, как это сделать.

1. Что представляют собой потребительские продукты для работы с изображениями поверх модели

Если разобрать один из таких продуктов, за пределами модели обнаружится примерно восемь слоёв. Каждый из них можно воспроизвести через API:
Два ограничения платформы, которые нужно учесть до копирования списка функций конкурента:
  1. В APIYI нет эндпоинта для увеличения разрешения, удаления фона или восстановления лиц. Если вам нужно изображение большого размера, выберите тариф с высоким разрешением при генерации (gpt-image-2 в 4K, Nano Banana Pro в 4K), а не планируйте последующее увеличение. Для прозрачного фона используйте официальный релей gpt-image-2.5-flare / gpt-image-2.5-sunburst с background: "transparent" — он возвращает PNG с настоящим альфа-каналом (OpenAI отключила прозрачность для gpt-image-2 30.09.2026) (seedream-5-0 / seedream-5-0-pro можно только попросить создать с прозрачностью, и наличие альфа-канала не гарантируется при каждом вызове). См. раздел Как генерировать изображения с прозрачным фоном.
  2. APIYI не предоставляет обучение LoRA или обучение идентичности. Возможность «однократно обучить и навсегда зафиксировать лицо», лежащая в основе Soul ID, может быть лишь приблизительно воспроизведена с помощью эталонных изображений: один и тот же персонаж всё равно будет немного меняться в разных сценах и при изменении освещения, а наилучший результат достигается, когда новый кадр близок к фронтальному ракурсу и исходному освещению. Для коммерческих персонажей, требующих строгой согласованности, заложите в процесс этап проверки человеком.

2. Первый слой уже разделяет результаты: превратите неформальный ввод в структуру

Это самый эффективный слой, который чаще всего пропускают.

Сравнительный тест: одна модель, один бриф, два промпта

Бриф: «предметная съёмка кофе для интернет-магазина». Слева показано то, что пользователь действительно вводит; справа — тот же бриф с добавленными недостающими решениями. Оба варианта были запущены один раз на gemini-3-pro-image (Nano Banana Pro) при 2K, 1:1:
Изображение кофе по неформальному промпту: деревянный стол, кофемолка, мешок из мешковины и другие незапрошенные предметы, тёплая ностальгическая цветокоррекция и вымышленное название бренда, напечатанное на чашке

Casual prompt: 'Make me a coffee product shot, make it look nice, make it feel premium'

Изображение кофе по структурированному промпту: матовая чёрная керамическая чашка на светло-серой поверхности из микроцемента, чистый размытый фон, чётко заданное направление света, большое свободное пространство

Structured prompt: subject, environment, light position, lens, grading, imperfections and composition all specified

Левое изображение не выглядит некрасивым, но оно непригодно для использования. Модель самостоятельно приняла множество решений, на которые никто не давал согласия: добавила кофемолку и мешок из мешковины, выбрала тёплую ностальгическую цветокоррекцию и напечатала на чашке вымышленное название бренда — автоматически сгенерированный текст такого рода делает кадр коммерчески бесполезным. Правое изображение можно сразу размещать на странице товара: нейтральный фон, понятная световая схема, которую можно описать словами, и место для текста. «Выглядит красиво» и «пригодно для использования» — разные цели. Неформальный промпт позволяет достичь только первой из них.

Шесть элементов, которые должен добавить слой переформулирования

Переформулирование не означает, что промпт нужно сделать длиннее. Оно означает заполнение недостающих решений. Промпт для изображения состоит из шести ключевых частей:
Разрешение не является седьмым элементом. Разрешение результата задаётся только такими параметрами, как size / imageSize; указание «4K» или «8K» в промпте не добавляет ни одного пикселя. См. раздел Сжатие изображений и разрешение результата.

Слой переформулирования в коде

Для этой задачи достаточно недорогой быстрой текстовой модели; её стоимость незначительна по сравнению с генерацией:
Обратите внимание на правило, запрещающее «8K, ультравысокое разрешение, шедевр, идеально» — в разделе 4 объясняется почему.

3. Конвейер, который действительно можно внедрить

Соедините оставшиеся четыре уровня с уровнем перезаписи — и вы получите всю систему:
1

Перезапись: от неформального ввода к структурированному промпту

См. раздел 2. На этом этапе также нейтрализуется чувствительный контент во вводе пользователя, что заметно снижает частоту блокировки запроса на последующих этапах.
2

Привязка: референсные изображения и константа стиля

Стиль фиксируется двумя составляющими: константой стиля, добавляемой к каждому промпту (вашим пресетом), и фиксированным набором референсных изображений.Ограничения на количество референсов значительно различаются у разных семейств — уточните их для своей модели до проектирования конвейера:Необходимо соблюдать два правила: «изображение 1 / изображение 2» в промпте строго соответствуют порядку в массиве, поэтому явно указывайте, какое изображение является каким; и Grok учитывает референсные изображения только в /v1/images/edits — их передача в /v1/images/generations молча приводит к их удалению, при этом тарификация всё равно выполняется.
3

Пример: генерируйте N параллельно, не полагайтесь на n

Ощущение, что потребительский продукт «с первого раза всё сделал идеально», на самом деле создаётся за счёт того, что продукт разыгрывает несколько вариантов от вашего имени.Но серверный параметр n не влияет на большинство моделей изображений (Seedream полностью его игнорирует). Чтобы получить несколько кандидатов, отправляйте несколько запросов параллельно со стороны клиента — на страницах навыков этого сайта их количество ограничено 5 одновременно. Настраивайте количество параллельных запросов для каждого канала; некоторые начинают возвращать ошибку 429 уже при значении 2, поэтому добавьте экспоненциальную задержку.
4

Отбор: используйте модель компьютерного зрения в качестве судьи

Получив N кандидатов, необходимо выбрать один автоматически, иначе вы просто переложите выбор на пользователя.Отправьте кандидатов обратно в модель компьютерного зрения для оценки через стандартный /v1/chat/completions ввод изображений; подходящие модели перечислены в разделе Понимание изображений. Зафиксируйте критерии оценки по пяти измерениям и потребуйте ответ в формате JSON: соответствие инструкциям, структура и анатомия, корректность текста, реалистичность текстур, композиция.
Не используйте для этого /v1/rerank. bge-reranker-v2-m3 — это модель переранжирования, работающая только с текстом, которая не принимает изображения. Для оценки изображений требуется модель понимания изображений.
5

Ретушируйте и доводите результат

После фиксации композиции вносите локальные изменения — это обеспечивает гораздо более высокий процент успеха, чем одна составная инструкция:
  • Локальная перерисовка на уровне пикселей: только официальный релей gpt-image-2 поддерживает маски; см. Руководство по масочному восстановлению.
  • Накопительное редактирование в несколько ходов: поддерживается на нативном эндпоинте Gemini для моделей Nano Banana (передавайте предыдущее изображение обратно как role: "model"); маршруты, созданные обратной инженерией, этого не поддерживают.
  • Немедленно размещайте изображения заново: каждый возвращаемый URL является временным (для FLUX — около 10 минут и без CORS; для Seedream и R2 — около 24 часов), поэтому сразу после получения загружайте изображение в собственное объектное хранилище.

Минимальная сквозная реализация

4. Устранение визуальных признаков ИИ

«Вид, характерный для ИИ», — не загадка. Это набор конкретных признаков, которые можно устранять по одному.

Сравнительный тест

Одна и та же модель (gemini-3-pro-image), один и тот же объект, два стиля промптов, по два изображения каждого варианта; показано первое изображение из каждой серии:
Портрет по минимальному промпту: объект в центре, смотрит в камеру, равномерное освещение без различимого направления света, аккуратный фон, вид типичной стоковой фотографии

Bare prompt: 'A photorealistic half-body portrait of a young woman by a cafe window, smiling at the camera, 8K, ultra HD, ultra detailed, flawless skin, beautiful, perfect lighting, masterpiece'

Портрет по контролируемому промпту: один направленный свет из окна, половина лица в тени, видимые поры и пушковые волосы на лице, небольшая родинка на щеке, выбившиеся пряди волос, плёночная цветокоррекция, объект расположен правее центра

The same subject after adding four blocks of control language: light position, lens, medium, imperfections

Левое изображение неплохое — базовая модель достаточно сильна, поэтому даже минимальный промпт даёт привлекательную картинку. Но в нём проявляется полный набор характеристик: объект жёстко расположен точно по центру, свет настолько равномерный, что невозможно сказать, откуда он исходит, и каждый элемент выглядит безупречно. И это не случайность: оба изображения из этой серии имели практически одинаковые композицию и схему освещения. В правом изображении использован другой подход: у света есть направление, половине лица позволено оказаться в тени, на коже видны жирный блеск и поры, на щеке есть родинка, выбившиеся волосы не приглажены, а объект расположен правее центра. Оно воспринимается как снимок конкретного человека в конкретный момент, а не как «стоковое изображение улыбающейся женщины в кафе».
Именно здесь также проявляется реальная ценность конвейера. Он не превращает некрасивый результат в красивый — он превращает «удачный случай» в хороший результат, который вы задали, можете описать и воспроизвести. Заказчику правое изображение может понравиться меньше, но по левому невозможно сказать, почему оно выглядит именно так, и нельзя попросить получить следующее изображение в том же стиле.

Симптом, исправление и чего не следует писать

Расплывчатые слова о качестве, такие как 8K, ultra HD, ultra detailed, masterpiece и perfect, в итоге вредят. Они не добавляют детализации (это делают только параметры) и подталкивают модель к чрезмерно резкому, перенасыщенному рендеру — именно это и составляет основу характерного вида AI. Приведённый выше промпт слева был перегружен такими словами, и результат это показывает. Если вам нужно качество, вместо этого указывайте конкретные параметры света, объектива и типа плёнки.

Четыре блока управляющих формулировок для копирования и вставки

При необходимости добавляйте их в промпт; обычно достаточно одной-двух строк из каждого блока:

Свет

свет из окна слева — единственный источник в кадре / жёсткий контровой свет сзади в три часа дня / контровой свет с бликом по контуру волос / настольная лампа в кадре в качестве практического источника света / рассеянный свет пасмурного дня без выраженных теней

Объектив

35 мм, f/2.0, спонтанный снимок, на уровне глаз / 85 мм, f/2.8, фокус на ближнем глазе / 24 мм с низкой точки съёмки, лёгкое искажение по краям / длиннофокусный объектив сжимающий пространство, уплощённые слои фона / лёгкое виньетирование в углах

Среда

характер Kodak Portra 400, мелкое зерно / тёплые светлые участки, холодные тени / мгновенная плёнка Polaroid, низкий контраст, мягкие края / шум и цветовой оттенок ранней цифровой камеры на CCD / в целом низкая насыщенность, без повышения резкости

Несовершенства

естественная текстура кожи, видимые поры и пушковые волосы на лице / несколько выбившихся, непричёсанных прядей волос / свалявшийся свитер, потёртые манжеты / следы от стаканов, отпечатки пальцев и крошки на столе / нецентрированная композиция, часть объекта обрезана краем кадра

Три полных примера

Естественный поясной портрет: женщина чуть старше двадцати пяти лет у окна кафе, повернувшись в сторону и глядя наружу; на её лице улыбка, которую она едва сдерживает. Свет из окна слева — единственный источник в кадре; правая половина лица погружена в тень, под переносицей видна небольшая тень с чёткими краями. Объектив 85 мм, f/2.8, уровень глаз, фокус на ближнем глазе. Характер Kodak Portra 400 с мелким заметным зерном, тёплыми светами и холодными тенями, общая низкая насыщенность. Естественная кожа: видимые поры и пушковые волосы, лёгкий блеск сбоку носа, небольшая родинка на левой щеке, несколько выбившихся волосков бровей, свободные пряди волос, не приглаженные у лба. Без сглаживания кожи, косметической ретуши и повышения резкости. Объект справа от центра, слева — свободное пространство.
Главный кадр для интернет-магазина: матовая чёрная керамическая чашка для пуровера, заполненная на 80 % чёрным кофе; на поверхности — тонкое кольцо крема. Она стоит на светло-серой поверхности из микроцемента, а на заднем плане размыта стена того же оттенка. Ключевой свет от софтбокса слева сверху, под углом 45 градусов; белый отражатель справа оставляет узкий блик вдоль правого края чашки; мягкая падающая тень направлена назад и вправо. Макрообъектив 85 мм, f/5.6, фронтальный вид с наклоном вниз на 15 градусов, вся чашка в резкости. Холодный нейтральный баланс белого, общая низкая насыщенность. Глазурь слегка неровная, с характером ручной работы, и имеет одну крошечную отметину от обжига; на краю чашки виден едва заметный след использования. Много свободного пространства, чашка расположена в левой трети кадра. На изображении нигде нет названий брендов или текста.
Узкая улица старого города в шесть часов вечера, сразу после дождя; лужи отражают световые короба магазинов по обеим сторонам. Единственный ключевой свет — тёплый уличный фонарь в конце улицы; окна магазинов служат заполняющим светом, а в небе ещё сохраняется холодный сумеречный свет, создавая контраст тёплых и холодных оттенков. Объектив 28 мм, f/4, камера на уровне глаз, слегка наклонена вверх. Общая низкая насыщенность, шум сохранён в тенях, без осветления теней. На стенах видны потёки воды, оборванные старые плакаты и блоки кондиционеров; в верхней части кадра проходят линии электропередачи. Никто не смотрит в камеру; прохожие видны со спины и слегка размыты в движении.

5. Факты, которые изменят проектирование вашего пайплайна

Знание этих фактов заранее поможет избежать повторной работы:

6. Расчёт стоимости: когда pipeline оправдан

Pipeline обменивает деньги на вероятность успеха. На стоимость генерации изображений в основном влияет вывод (gpt-image-2 тарифицирует вывод по $30 за миллион токенов), тогда как текстовые и vision-модели, используемые для переписывания и оценки, дают почти незаметные затраты. Поэтому стоимость фактически определяется тем, «сколько кандидатов вы сгенерировали». Используйте три уровня вместо одной настройки для всех случаев: Проверка проста: увидит ли это изображение кто-либо за пределами вашей команды? Если да, стандартный или более высокий уровень окупается; если это внутренний просмотр, достаточно чернового уровня. Между ними также можно добавить промежуточное условие — генерировать больше кандидатов только тогда, когда наивысшая оценка ниже заданного порога. Это позволяет большинству запросов останавливаться на двух кандидатах.

Краткое резюме

  • Разрыв обусловлен не весами модели, а восемью слоями вокруг модели: переформулированием, пресетами, фиксацией композиции, сэмплированием, отбором, поэтапным редактированием, постобработкой и повторным размещением.
  • Слой переформулирования даёт наибольшую отдачу: добавьте сведения о субъекте, окружении, освещении, объективе, цветокоррекции и композиции — и «выглядит неплохо» превратится в «пригодно для использования».
  • Несколько вариантов в сочетании с оценкой vision-моделью — именно здесь на самом деле формируется высокий воспринимаемый процент успешных результатов потребительских продуктов. n не работает, поэтому распределяйте запросы на стороне клиента; /v1/rerank не может оценивать изображения.
  • Чтобы устранить ощущение, что изображение создано ИИ, добавляйте конкретику, а не прилагательные: укажите один источник света, фокусное расстояние и диафрагму, задайте тип носителя и зернистость, намеренно добавьте несовершенства и сместите субъект от центра.
  • 8K / masterpiece / perfect lighting дают отрицательный чистый эффект — дополнительного разрешения они не добавляют и придают кадру вид рендера.
  • Не рассчитывайте на seed для воспроизведения результата; вместо этого архивируйте полный запрос. API изображений работают синхронно и тарифицируются при разрыве соединения, поэтому для конвейера нужна очередь.
  • У APIYI нет эндпоинтов для апскейлинга, удаления фона или обучения идентичности; с самого начала проектируйте решение с учётом этих слоёв.

Связанная документация

Как получить нужное изображение

Спасение одного неудачного вызова: перепишите промпт, повторите попытку, смените модели, изолируйте проблему с помощью инструмента тестирования

Основы Image API

Синхронные вызовы, уровни тайм-аутов, тарификация, обработка base64, предварительная обработка входного изображения

Руководство по дорисовке с использованием маски

Локальное редактирование на уровне пикселей, доступно только для gpt-image-2 через официальный релей

Тестирование слияния нескольких изображений

Как измерялись ограничения на количество референсов, а также результат слияния 14 изображений

Распознавание изображений

Модели распознавания изображений, которые можно использовать для оценки изображений-кандидатов, и способы их вызова

Создание собственной асинхронной очереди

Обёртывание синхронной генерации в очередь задач для поддержки конвейера с несколькими кандидатами