Bài viết phân tích vì sao trong GPT Image 2 (image2), một prompt rất ngắn như:

cảm giác bìa thời trang tối giản × chân dung editorial × hình ảnh chủ đạo của dự án nghệ thuật độc lập × tên nhân vật cụ thể

lại thường tạo ra hình ảnh có độ hoàn thiện rất cao, dù người dùng không chỉ định chi tiết về nền, phông chữ, tư thế, chữ trên ảnh hay bố cục.

Luận điểm chính của tác giả là: prompt này ngắn về số chữ nhưng có mật độ thông tin rất cao, bởi mỗi cụm từ kích hoạt một “hệ thống sản xuất hình ảnh” khác nhau:

• Chân dung editorial → quyết định nhân vật được chụp như thế nào: tư thế, biểu cảm, styling, ánh sáng, cách lấy khung hình và ngôn ngữ nhiếp ảnh thời trang.

• Cảm giác bìa thời trang tối giản → quyết định ảnh được thiết kế và dàn trang như thế nào: nền sạch, ít màu, nhiều khoảng trống, chữ kiểu tạp chí, phân cấp thông tin và quan hệ giữa nhân vật với bố cục.

• Hình ảnh chủ đạo của dự án nghệ thuật độc lập → quyết định ý tưởng và mục đích tồn tại của hình ảnh: bổ sung chữ dành riêng cho nhân vật, đồ họa trừu tượng, số thứ tự, biểu tượng, mảng màu và bố cục bất đối xứng để hình không giống một mẫu bìa tạp chí thông thường.

• Tên nhân vật → cung cấp chất liệu về bản sắc: kiểu tóc, trang phục, đường nét tổng thể, màu sắc đại diện, vũ khí hoặc đạo cụ, biểu tượng, tính cách và những liên tưởng về câu chuyện.

Điểm quan trọng là bốn thành phần này không tranh giành quyền kiểm soát cùng một khía cạnh, mà đảm nhiệm những vai trò khác nhau: nhiếp ảnh, thiết kế bố cục, định hướng nghệ thuật và bản sắc nhân vật. Vì vậy image2 có thể tự bổ sung những chi tiết triển khai còn thiếu mà không phải dung hòa giữa các phong cách xung đột.

Tác giả cho rằng cách viết này đặc biệt hiệu quả với image2 vì model có khả năng hiểu những khái niệm thị giác cấp cao như editorial hoặc bìa thời trang, rồi tự triển khai chúng thành hàng loạt chi tiết cụ thể hơn như ánh sáng, tư thế, chữ, khoảng cách và bố cục. Đây chỉ là cách giải thích dựa trên quy luật của kết quả đầu ra, không phải khẳng định về kiến trúc bên trong của model.

Một phát hiện xa hơn là đôi khi chỉ cần:

một từ chỉ phong cách + một nhân vật

cũng có thể tạo ra “thần ảnh”. Nhưng điều quan trọng là từ chỉ phong cách phải có mật độ thông tin cao. Những từ chung chung như “cao cấp”, “đẹp”, “có không khí” chủ yếu chỉ mô tả chất lượng mong muốn; trong khi một từ như editorial có thể kéo theo cả một hệ thống quy ước về nhiếp ảnh, styling, tư thế, ánh sáng, bố cục và văn hóa tạp chí.

Tuy nhiên, công thức cực ngắn này có độ biến động cao. Nó phụ thuộc vào độ “dày” của khái niệm phong cách, mức độ nhận diện của nhân vật, mức độ tương thích giữa nhân vật và phong cách, cũng như yếu tố ngẫu nhiên từ sampling. Vì vậy, công thức đầy đủ gồm ba hệ thống thị giác cộng với tên nhân vật vẫn ổn định và dễ kiểm soát hơn.

Kết luận của bài viết là: prompt ngắn hiệu quả không phải là prompt thiếu thông tin. Một prompt tốt có thể giống như một bản định hướng sáng tạo được nén lại: thay vì quy định từng chi tiết, người dùng lựa chọn đúng những hệ thống sản xuất hình ảnh cấp cao để image2 tự triển khai phần còn lại.

---

Vì sao “cảm giác bìa thời trang tối giản × chân dung editorial × hình ảnh chủ đạo của dự án nghệ thuật độc lập” lại dễ tạo ra “thần ảnh” đến vậy trong image2

Gần đây tôi liên tục sử dụng một nhóm prompt rất ngắn trong image2:

cảm giác bìa thời trang tối giản × chân dung editorial × hình ảnh chủ đạo của dự án nghệ thuật độc lập × tên nhân vật cụ thể

Điều kỳ lạ không phải là nó có thể tạo ra ảnh.

Điều kỳ lạ là tôi không hề yêu cầu nền trắng, không chỉ định phông chữ serif thanh mảnh, không viết nhân vật phải đứng như thế nào, cũng không yêu cầu tiêu đề, số thứ tự hay ký hiệu của nhân vật phải được bố trí ra sao.

Nhưng những gì image2 trả về thường đã là một bìa thời trang có độ hoàn thiện khá cao: nền sáng màu được tiết chế, khoảng trống lớn, hệ thống phân cấp tiêu đề mang cảm giác tạp chí, nhân vật xuất hiện theo cách của nhiếp ảnh thời trang, đồng thời trong hình còn tự xuất hiện những màu sắc, chữ viết và ký hiệu liên quan đến nhân vật.

Nó không chỉ đơn thuần làm cho nhân vật trông đẹp hơn.

Nó giống như tự mình bổ sung luôn cả nhiếp ảnh gia, stylist, nhà thiết kế đồ họa và giám đốc nghệ thuật.

Sau đó tôi mới nhận ra: nhóm prompt này nhìn bề ngoài chỉ gồm vài cụm từ ngắn, nhưng trên thực tế nó đã đồng thời đánh thức những hệ thống sản xuất quan trọng nhất của một hình ảnh.

“Chân dung editorial” quyết định nhân vật nên được chụp như thế nào

Nếu chỉ viết tên nhân vật, điều đầu tiên image2 phải giải quyết là: nhân vật này nên xuất hiện dưới hình thức nào?

Có thể là tranh nhân vật kiểu game, có thể là poster anime, có thể là một khung hình như trích từ phim, hoặc cũng có thể chỉ là một bức minh họa nhân vật thông thường.

“Chân dung editorial” trực tiếp loại bỏ một lượng lớn những khả năng đó.

Nó nói với image2 rằng: đừng coi nhân vật như một hình minh họa đang chờ được tái hiện, mà hãy coi nhân vật như một nhân vật thời trang đang tham gia buổi chụp cho tạp chí.

Tư thế của nhân vật sẽ tiết chế hơn, biểu cảm giống một màn trình diễn trước ống kính hơn, trang phục được tái diễn giải thành styling, ánh sáng bắt đầu phục vụ khuôn mặt và chất liệu, còn hình ảnh cũng dễ xuất hiện dưới dạng bán thân, cận cảnh hoặc những kiểu cắt khung mang tính nhiếp ảnh hơn.

Cụm từ này giải quyết câu hỏi:

Người này nên được chụp như thế nào.

Thứ nó gọi ra không phải là một màu sắc cụ thể, mà là cả một hệ thống phương pháp làm việc của nhiếp ảnh chân dung thời trang.

“Cảm giác bìa thời trang tối giản” quyết định bức ảnh nên được thiết kế như thế nào

Nếu chỉ có chân dung editorial, kết quả có thể vẫn chỉ là một bức ảnh chân dung đẹp.

“Cảm giác bìa thời trang tối giản” tiếp tục quy định cách tổ chức bức ảnh này.

Nó sẽ hướng sự chú ý của image2 sang một hệ thống quy luật thị giác khác: nền sạch hơn, ít màu hơn, khoảng trống rõ ràng hơn, chữ giống tiêu đề tạp chí hơn, cũng như mối quan hệ không gian đã được thiết kế giữa nhân vật và bố cục.

Vì vậy, nhân vật không còn nhất thiết phải đứng chính giữa khung hình.

Nhân vật có thể lệch sang một bên, có thể bị chữ che một phần, hoặc đường nét của tóc, trang phục và tiêu đề cỡ lớn có thể cùng nhau tạo thành bố cục.

Cụm từ này giải quyết câu hỏi:

Sau khi chụp xong, bức ảnh này nên được dàn thành một trang bìa như thế nào.

Vì vậy, thứ nó kiểm soát không chỉ là cảm giác bề mặt kiểu “tối giản”, mà còn bao gồm trật tự thị giác, phân cấp thông tin và mật độ bố cục.

“Hình ảnh chủ đạo của dự án nghệ thuật độc lập” quyết định vì sao nó không thể chỉ là một trang bìa thông thường

Nếu dừng lại ở hai cụm từ đầu tiên, image2 rất dễ tạo ra một bìa tạp chí thời trang có độ hoàn thiện khá tốt, nhưng cũng tương đối thông thường.

“Hình ảnh chủ đạo của dự án nghệ thuật độc lập” bổ sung thêm một tầng yêu cầu thứ ba: hình ảnh này không thể chỉ là một mẫu bìa tạp chí; nó còn phải giống một dự án thị giác có ý tưởng và bản sắc riêng.

Điều này khuyến khích image2 đưa vào những cách xử lý mang tính dự án rõ rệt hơn: chữ dành riêng cho nhân vật, đồ họa trừu tượng, số thứ tự, các yếu tố biểu tượng, những mảng màu cục bộ, cũng như các mối quan hệ bất đối xứng táo bạo hơn.

Nó giải quyết câu hỏi:

Bức ảnh này tồn tại để làm gì, và nó đang lên tiếng thay cho ý tưởng nào.

“Cảm giác bìa” chịu trách nhiệm khiến hình ảnh đứng vững về mặt thiết kế; “dự án nghệ thuật độc lập” chịu trách nhiệm khiến hình ảnh bớt thông thường.

Cái trước cung cấp trật tự, cái sau tạo ra sự khác biệt.

Tên nhân vật không phải một danh từ, mà là cả một bộ nguyên liệu về bản sắc

Biến số cuối cùng là tên cụ thể của nhân vật.

Đối với image2, một nhân vật có mức độ nhận diện đủ cao thường không chỉ đơn thuần là tên của một người. Nó còn liên kết với kiểu tóc, trang phục, đường nét tổng thể, màu sắc đại diện, vũ khí, biểu tượng, khí chất, thậm chí cả ấn tượng về câu chuyện của nhân vật.

Khi đổi sang một nhân vật khác, hình ảnh không chỉ đơn giản là thay một khuôn mặt.

Màu của tiêu đề, biểu tượng trang trí, mức độ mạnh hay nhẹ của tư thế, sắc thái lạnh hay ấm của hình và trọng tâm thị giác đều có thể thay đổi theo.

Nói cách khác, thứ tên nhân vật cung cấp không phải là phong cách, mà là đối tượng mà toàn bộ hệ thống thị giác này cần phải thiết kế lại xoay quanh.

Ba cụm từ đầu dựng nên sân khấu; tên nhân vật quyết định ai bước lên sân khấu, cũng như toàn bộ sân khấu nên thay đổi xoay quanh ai.

Chúng không phải ba từ chỉ phong cách, mà là ba vị trí công việc khác nhau

Một lý do rất quan trọng khiến nhóm prompt này hiệu quả là chúng không tranh giành quyền kiểm soát với nhau trên cùng một phương diện.

• Chân dung editorial chịu trách nhiệm về ngôn ngữ nhiếp ảnh;

• cảm giác bìa thời trang tối giản chịu trách nhiệm về trật tự bố cục;

• hình ảnh chủ đạo của dự án nghệ thuật độc lập chịu trách nhiệm về ý tưởng và mục đích sử dụng;

• tên nhân vật chịu trách nhiệm về bản sắc, bảng màu và biểu tượng.

Giữa chúng có sự phân công, đồng thời tất cả đều hướng về cùng một hướng.

Chân dung cung cấp chủ thể, bìa cung cấp trật tự, dự án nghệ thuật cung cấp ý tưởng, nhân vật cung cấp bản sắc.

Vì vậy, image2 không cần phải thỏa hiệp giữa nhiều phong cách xung đột lẫn nhau. Nó chỉ cần đi theo cùng một hướng và tự bổ sung đầy đủ những chi tiết triển khai còn thiếu.

Dấu “×” trong prompt bản thân nó không có sức mạnh thần bí nào cả; nó chỉ đơn giản giúp phân tách rõ ràng các thành phần.

Thứ thực sự phát huy tác dụng là sự phân công và tính tương thích giữa các thành phần này.

Vì sao cách viết này đặc biệt phù hợp với image2

Ở đây cần phải nhấn mạnh một lần nữa: đây là phân tích dành riêng cho image2.

Trong phần giới thiệu chính thức của OpenAI về GPT Image 2, có đề cập đặc biệt đến một số khả năng có liên quan: kiểm soát phong cách chính xác với prompt ngắn hơn, kiến thức về thế giới thực và các khái niệm thị giác, khả năng tạo chữ và bố cục trong hình ảnh, cũng như khả năng sản xuất hình ảnh phục vụ quy trình thiết kế chuyên nghiệp.

Chính việc những khả năng này kết hợp với nhau mới khiến kiểu viết prompt ngắn như vậy trở nên đặc biệt hiệu quả.

“editorial” không cần phải bắt đầu giải thích từng mục một từ vị trí đèn, ống kính cho tới tư thế; “bìa thời trang” cũng không cần phải triển khai toàn bộ quy tắc về khoảng trống, phông chữ và bố cục.

Chỉ cần image2 có sự hiểu biết đủ hoàn chỉnh về những loại hình thị giác này, nó có thể triển khai một khái niệm cấp cao thành hàng loạt chi tiết cấp thấp.

Tất nhiên, chỉ dựa vào hình ảnh được tạo ra, chúng ta không thể khẳng định image2 thực sự xử lý những từ này như thế nào ở bên trong.

Những cách gọi như “nhiếp ảnh gia”, “nhà thiết kế”, “giám đốc nghệ thuật” ở đây là cách giải thích mang tính chức năng dựa trên quy luật của kết quả đầu ra, chứ không phải mô tả về kiến trúc bên trong của model.

Còn cực đoan hơn nữa: đôi khi chỉ một từ chỉ phong cách cộng với một nhân vật là đủ

Sau khi tiếp tục thử nghiệm, còn có thể gặp một hiện tượng cực đoan hơn:

Đôi khi không cần phải viết ra đầy đủ cả ba hệ thống.

một từ chỉ phong cách + một nhân vật

cũng có thể trực tiếp tạo ra “thần ảnh”.

Nhưng điều thực sự quan trọng ở đây không phải là “một cộng một”, mà là từ chỉ phong cách đó chứa bao nhiêu thứ bên trong.

Những từ như “cao cấp”, “đẹp”, “có không khí” thường chỉ đang đánh giá kết quả. Chúng không nói cho image2 biết phải sử dụng phương tiện thể hiện nào, bố cục nào, ánh sáng nào và hình thức đầu ra nào để hoàn thành nhiệm vụ.

Nhưng có một số từ thì khác.

Một từ như “editorial”, bề ngoài chỉ là một từ, nhưng phía sau nó lại liên kết với nhiếp ảnh, styling, tư thế, ánh sáng, bố cục và văn hóa tạp chí.

Nhìn thì ngắn, nhưng trên thực tế thứ nó gọi ra là cả một hệ thống quy ước thị giác đã trưởng thành và ổn định.

Rất nhiều lúc, chúng ta tưởng rằng mình chỉ nhập một từ chỉ phong cách, nhưng thứ image2 nhận được lại là một loại hình sản xuất hình ảnh hoàn chỉnh.

Tên nhân vật cũng tương tự như vậy. Một nhân vật có mức độ nhận diện cao tự thân đã mang theo bảng màu, đường nét tổng thể, trang phục, đạo cụ và tính cách.

Vì vậy:

Một từ chỉ phong cách có mật độ thông tin cao quyết định nhân vật này nên bước vào thế giới thị giác nào.

Một tên nhân vật quyết định thế giới đó nên được tái tổ chức xoay quanh ai.

Còn phần triển khai cụ thể còn lại, hãy để image2 tự hoàn thiện.

Vì sao chỉ có thể nói là “đôi khi”

Việc “một từ chỉ phong cách cộng với một nhân vật” có thể tạo ra thần ảnh không đồng nghĩa với việc đây là một công thức ổn định.

Ít nhất nó phụ thuộc vào một số điều kiện.

Thứ nhất, từ chỉ phong cách phải đủ “dày”. Nó cần trỏ tới một loại hình có một hệ thống quy ước thị giác ổn định, chứ không chỉ là một lời đánh giá thẩm mỹ mơ hồ.

Thứ hai, nhân vật phải đủ nổi bật. Nếu bản thân nhân vật thiếu đường nét, màu sắc và biểu tượng rõ ràng, lượng chất liệu về bản sắc mà image2 có thể gọi ra cũng sẽ giảm.

Thứ ba, giữa nhân vật và phong cách phải hình thành được một giao điểm hiệu quả. Một nhân vật lạnh lùng, tiết chế khi được đưa vào hệ thống editorial tối giản thường dễ thành công hơn một nhân vật có bản sắc thị giác hoàn toàn phụ thuộc vào những bối cảnh phức tạp.

Thứ tư, một “thần ảnh” đơn lẻ vẫn có thể chứa yếu tố may mắn từ sampling.

Một lần thành công chỉ chứng minh nhóm từ này có tiềm năng; phải tạo ảnh liên tục và tái hiện được kết quả trên nhiều nhân vật khác nhau thì mới có thể xác định liệu nó có thực sự là một định hướng thị giác ổn định hay không.

Vì vậy, cách viết:

một từ chỉ phong cách + nhân vật

giống một phương thức gọi có độ nén cao nhưng độ biến động cũng cao hơn.

Còn:

cảm giác bìa thời trang tối giản × chân dung editorial × hình ảnh chủ đạo của dự án nghệ thuật độc lập × tên nhân vật

là cách viết rõ ràng ra bên ngoài hệ thống thị giác vốn đang ẩn bên trong.

Nó dài hơn một chút, nhưng định hướng ổn định hơn, đồng thời cũng dễ xác định chính xác tầng nào đang phát huy tác dụng.

Prompt ngắn thực sự hiệu quả chỉ ngắn về số chữ

Những thử nghiệm lần này với image2 khiến tôi nhận ra rằng lượng thông tin của prompt không thể chỉ được tính bằng số lượng chữ.

Có những prompt dài hơn một trăm chữ, nhưng thực chất chỉ liên tục nhấn mạnh trên cùng một phương diện rằng hình ảnh phải “cao cấp, tinh tế, ấn tượng”.

Có những prompt chỉ gồm ba hoặc bốn cụm từ ngắn, nhưng đã lần lượt quy định phương thức nhiếp ảnh, hệ thống bố cục, mục đích đầu ra và bản sắc nhân vật.

Cái trước rất dài, nhưng cấu trúc thông tin lại mỏng.

Cái sau rất ngắn, nhưng đã gần giống như một bản định hướng sáng tạo được nén lại.

Vì vậy, prompt ngắn thực sự mạnh trong image2 không phải là prompt đã lược bỏ toàn bộ chi tiết.

Nó chỉ không tự tay quy định từng chi tiết một, mà thay vào đó sử dụng rất ít từ để chọn đúng cả một hệ thống sản xuất hình ảnh cho image2.