Первый раз я запустил генерацию картинки из чистого любопытства. Написал что-то вроде "кот в скафандре на Марсе", нажал кнопку и через восемь секунд получил изображение, которое не постеснялся бы поставить на обложку. Тогда это выглядело магией. Сейчас, после сотен запусков и десятка разобранных моделей, магии там не осталось. Есть математика, есть данные, есть текст, который превращается в пиксели. И есть куча нюансов, из-за которых у одного получается шедевр, а у другого шесть пальцев и три ноги.
Разберу по шагам, что реально происходит, когда нейросеть генерирует изображение. Без формул на полстраницы, но и без сказок про то, что искусственный интеллект думает как художник.
Сначала текст, потом пиксели
Любая генерация начинается с промпта. Вы описываете сцену словами: объекты, стиль, свет, ракурс, настроение. Модель читает описание и собирает по нему новую картинку. Никакого фотостока, никакого графического редактора, никаких навыков дизайна. Результат приходит за 5-30 секунд, и это не преувеличение, а средняя по флагманским моделям.
Модель обучена на больших наборах пар изображение-текст. Миллионы, а у топовых версий миллиарды примеров. Из них она выучила связь между словами "закат над морем" и конкретным распределением цветов, форм и композиций. Когда вы пишете промпт, модель не ищет готовую картинку в базе. Она собирает новую из выученных закономерностей.
Текстовый энкодер превращает ваш промпт в набор чисел. У изображения тоже есть числовое описание. Модель обучена сближать похожие смыслы. Поэтому "рыжий кот" и "кот цвета апельсина" для неё почти одно и то же, а "кот" и "собака" расходятся далеко. Отсюда простой вывод: чем точнее слова, тем точнее попадание.
Что происходит внутри: шум, который становится картинкой
Технически внутри чаще всего работает диффузионная модель. Звучит страшно, смысл простой. Модель учится превращать шум в изображение. На старте случайный шум, на выходе картинка. Постепенно, шаг за шагом, она убирает шум, опираясь на ваш текст как на направление. На каждом шаге она как бы спрашивает себя: как должен выглядеть этот фрагмент, чтобы соответствовать описанию. После десятков шагов остаётся изображение.
Работает это не в пикселях напрямую, а в сжатом латентном пространстве. Так в разы быстрее. Потом декодер разворачивает результат в привычную картинку. Многие модели сначала рисуют в небольшом разрешении, а детали дорисовывают на втором проходе. Именно поэтому мелкие элементы вроде пуговиц или надписей иногда выходят кашей.
Внутри есть элемент случайности, стартовый шум. Поэтому повторный запуск того же промпта даёт другую картинку. Одно описание превращается в серию вариантов. Если нужен конкретный результат, генерируйте пачкой по четыре штуки и выбирайте. Выбор из четырёх всегда лучше выбора из одной.
У некоторых моделей есть параметр seed. Один и тот же seed плюс один и тот же промпт дают повторяемый результат. Нашли удачную картинку, сохраните seed, пригодится.
Почему одинаковый промпт выдаёт разные картинки
Пользователи часто удивляются: описание не менял, а результат другой. Так и должно быть. Генерация не детерминирована, если вы специально не зафиксировали seed. Внутри каждый запуск стартует с нового шума, а дальше модель идёт по немного разным траекториям.
Практический вывод простой. Не гоняйтесь за одной идеальной картинкой с первого раза. Сделайте серию, отберите лучшие, а потом работайте с ними: усиливайте промпт, добавляйте референсы, меняйте соотношение сторон.
Промпт на русском работает, переводить не надо
Современные модели понимают русский не хуже английского. Переводить в голове лишний шаг, который только съедает детали. Пишите на том языке, на котором думаете. Единственное исключение: узкие термины из фотографии и дизайна иногда точнее звучат на английском, но это редкость.
Другое дело, что промпт из трёх слов редко даёт предсказуемый результат. "Красивая девушка" это лотерея. "Девушка в красном пальто, идёт по мокрой улице, вечерний свет, вид со спины, стиль кинематографичного кадра" это уже управляемая генерация.
Из чего собирается хороший промпт
Я собираю описание по семи слотам. Пропустил слот, получил сюрприз.
- Объект: кто или что в кадре, главный герой
- Действие: что происходит, статика или движение
- Окружение: фон, место, погода, время суток
- Свет: мягкий, жёсткий, тёплый, контровой, ламповый
- Ракурс: сверху, снизу, со спины, крупный план, общий план
- Стиль: фотореализм, винтажный постер, акварель, 3D-рендер
- Палитра и детали: ограниченная палитра, конкретные цвета, текстуры
Готовый пример: "писатель за деревянным столом, на фоне стеллажи с книгами, тёплый ламповый свет, вид сверху, стиль винтажного постера, ограниченная палитра". Видите, тут нет ни одного лишнего слова, и каждое что-то меняет.
Свет и композиция решают больше, чем три лишних прилагательных про персонажа. Замена "мягкий свет" на "жёсткий контровой свет" меняет картинку сильнее, чем добавление пары эпитетов. Проверено десятками запусков.
Референс спасает, когда нужно сохранить лицо или товар
Нейросеть не помнит предыдущие генерации. Каждый запрос описывайте целиком. Если нужно сохранить конкретное лицо, товар или палитру, прикрепите референс. Тогда модель опирается на изображение, а не только на текст. Без референса вы будете получать похожих, но не тех людей, и похожие, но не те упаковки.
Референс особенно полезен в товарке. Загрузили фото продукта, попросили поставить его на стол у окна, добавили свет и ракурс. Получили сцену, которую раньше снимали бы в студии с фотографом и декоратором.
Где нейросеть ломается и как это обойти
Руки, сложные конструкции, точный мелкий текст, симметрия в лицах. Флагманы сильно продвинулись, но проверять всё равно надо. Волшебные миры без персонажей получаются отлично. Открытки, обложки, фоны, иллюстрации тоже. А вот чертёж, точную схему или читаемую надпись на вывеске лучше не просить, если не хотите сюрпризов.
Ещё один частый артефакт: чрезмерный глянец. Кожа слишком гладкая, глаза слишком яркие, всё слишком идеально. Лечится словами "естественное освещение", "лёгкое зерно", "документальная фотография". Иногда помогает негативный промпт: размытие, лишние пальцы, водяные знаки, пластиковая кожа.
Противоречия в промпте тоже портят результат. "Фотореализм плюс аниме" модель попытается совместить, и получится странная смесь. Выбирайте один стиль и добивайте его деталями.
Скорость, разрешение, соотношение сторон
Разрешение и формат задаются до генерации. Для соцсетей один формат, для обложки другой, для печати третий. Если модель не поддерживает нужный формат напрямую, генерируйте в большем и кадрируйте. Апскейл потом добавит деталей, но не спасёт кривую композицию.
Скорость зависит от модели и нагрузки. Простые запросы уходят за 5-10 секунд, тяжёлые с референсами могут занять полминуты. Очередей и лимитов у бесплатных версий больше, у платных меньше.
Главная боль последних двух лет: доступ
Топовые модели живут за иностранными картами и регистрациями. Для тех, кто в России, это отдельный квест с оплатой, VPN и риском потерять аккаунт. 3GPT от 3SELLER закрывает вопрос: один роутер, внутри ChatGPT 6 Astra, Claude Fable 5 и 5.1, Claude Opus 5.5, ChatGPT 5.5 и 6.1 Sol, Nano Banana для изображений и генерация видео.
Доступ стоит от 149 рублей. Пополнить баланс можно российской картой, через СБП или криптой. Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте: 3GPT от 3SELLER.
Использую для повседневных задач в работе: тексты, сайты, картинки, видео. Вставил промпт, выбрал модель, получил результат. Модель меняется прямо в чате, не нужно жонглировать вкладками. Для генерации картинок особенно удобен Nano Banana, для сложных сцен и стилизации хватает флагманов.
Готовые агенты вместо ручной возни
Отдельная фишка, которая экономит время. Вместо того чтобы каждый раз собирать промпт с нуля, выбираете готового ИИ агента под задачу и начинаете с ним общение. Модель агента можно менять прямо в чате. Агенты есть под тексты, картинки, маркетинг, разборы. Выбрать готового можно здесь: готовые ИИ агенты.
Пять ошибок, из-за которых результат разочаровывает
Слишком короткий промпт. Три слова почти всегда лотерея. Добавьте свет, ракурс, стиль и окружение. Разница огромная.
Надежда на память модели. Нейросеть не помнит предыдущие генерации. Каждый запрос описывайте целиком, как будто видите модель впервые. Хотите сохранить лицо или товар, прикрепите референс.
Отсутствие ракурса. Без ракурса модель выбирает сама, и часто это самый скучный общий план. Пишите "крупный план", "вид сверху", "со спины", "низкая точка".
Смешивание несовместимых стилей. Фотореализм и аниме, акварель и 3D-рендер, минимализм и барокко. Модель пытается совместить и выдаёт кашу.
Одна генерация вместо серии. Один запуск не показатель. Сделайте четыре-восемь вариантов, отберите, потом усиливайте лучший.
Что попробовать прямо сейчас
Возьмите любой свой промпт и разбейте на семь слотов: объект, действие, окружение, свет, ракурс, стиль, палитра. Добавьте недостающее. Прогоните четыре варианта. Скорее всего, уже на этом этапе результат станет заметно предсказуемее.
Дальше идите в сторону референсов и негативных промптов. И не забудьте про доступ: если модели за иностранной картой недоступны, 3GPT решает эту часть за вас. Один аккаунт, флагманы под рукой, оплата в рублях.