Corrige retratos de IA inconsistentes con una cuadrícula de pruebas de prompts
Academy no está disponible temporalmente mientras se reconstruye.
Un problema frecuente al escribir prompts para imágenes con IA es cambiar demasiadas palabras a la vez. Si un retrato de una persona adulta vestida cambia de pronto la forma del rostro, la pose, la iluminación y el fondo, no podrás saber qué parte del prompt causó el cambio. Una cuadrícula de pruebas de prompts facilita la comparación porque mantiene fijas la mayoría de las entradas mientras ajustas una sola parte de la descripción.
Empieza con un prompt positivo sencillo construido por capas: sujeto, apariencia, pose y encuadre, escena, y después iluminación o estilo. Por ejemplo: `adult woman, short black hair, green jacket, sitting on a wooden chair, upper body portrait, eye level, plain studio background, soft diffused lighting`. Mantén la descripción del sujeto fácil de identificar para poder editarla de forma consistente. Esto sirve para organizar la prueba, no es una regla que indique que las palabras iniciales siempre reciben más peso.
Después, crea tres copias del prompt y cambia solo la frase de cámara. Prueba `close-up`, `upper body portrait` y `full body shot`, manteniendo la misma semilla si tu herramienta permite controlar la semilla. Comprueba si cada imagen refleja el encuadre solicitado. Una frase de cámara diferente también puede cambiar el sujeto, la pose y el fondo, incluso con la misma semilla. Registra esos cambios en lugar de tratar una composición idéntica como un requisito.
Ejecuta una segunda cuadrícula para la iluminación. Conserva la mejor frase de encuadre y compara `soft diffused lighting`, `golden hour` y `dramatic side lighting`. Observa si hay cambios previsibles en la dirección de las sombras, el contraste y el ambiente. No asumas que una frase de iluminación es universalmente mejor; guarda la que encaje con la imagen que intentas crear.
Si tu modelo y tu flujo de trabajo admiten prompts negativos, prueba una descripción negativa breve después de identificar un problema concreto. Por ejemplo, compara una imagen con letras no deseadas con una versión que use `watermark, text`. Mantén estables las demás entradas y revisa si cambia el detalle no deseado. Un prompt negativo es una prueba, no una reparación garantizada, y algunos modelos usan métodos de condicionamiento distintos.
Guarda el prompt, el nombre del modelo, la semilla y el único cambio que probaste. Con el tiempo, esto se convierte en una biblioteca práctica de plantillas en lugar de una colección de prompts afortunados.