Amit a modell a térről tud — és amit nem
A képmodell a szövegből egy jelentéssűrítményt csinál, és abból építi a képet. Ebben a sűrítményben remekül benne van, hogy mi van a képen: termék, asztal, ablak, fény. Ami viszont rosszul marad benne, az a viszony: mi van mi mögött, mi van kitől balra, melyik van feljebb. A modell látta a tanítóképeken, hogy a csésze az asztalon áll, de a „csésze a laptoptól balra" mondatból nem feltétlenül tudja kiolvasni, hogy melyik oldalra.
Ez a mindennapi tapasztalat mögötti magyarázat. Ha valaha próbáltál olyan képet kérni, ahol pontosan tudod, hova kerül a logó és hol marad hely a feliratnak, akkor ezt már megélted: a kép szép, a tartalma stimmel, csak épp a rendezés véletlenszerű. A jó hír, hogy a helyzet nem reménytelen — csak nem szavakkal oldható meg.
A mérés, ami megmutatja a határt
2026 januárjában megjelent egy célzottan a térbeli elrendezésre épített mérés: 1230 prompt, 21 modell, kizárólag azt vizsgálva, hogy oda kerül-e a dolog, ahova kérték. Az eredmény józanító.
- A legjobb modellek is 60 százalék körül teljesítenek összesítve — vagyis minden harmadik-negyedik kép elrendezése rossz.
- A mezőny alja, a néhány éves nyílt modellek, 30 százalék alatt vannak.
- A tisztán térbeli viszonyokat mérő részfeladatokban a pontszámok gyakran 30 százalék alá esnek.
- Ez veszedelmesen közel van a 20 százalékos véletlen alapszinthez — vagyis ezekben a részfeladatokban a modell alig jobb, mint a találgatás.
Fontos, hogy ezek a számok relatívak: arra jók, hogy két modellt összemérj, nem arra, hogy a te konkrét képedet megjósold. A képmodell-mérésekről amúgy is tudjuk, hogy elcsúsznak az emberi ítélettől — az egyik legismertebb mérőszám átdolgozásakor a szerzők 17,7 százalékpontos eltérést mértek a régi pontszám és az emberi rangsor között. A számokból tehát azt vidd el, hogy a szavas elrendezés bizonytalan, ne azt, hogy pontosan mennyire.
Négy módszer, a leglazábbtól a legszigorúbbig
Az elrendezés megadására négy út van, és a különbség köztük nem az erőfeszítés, hanem hogy mennyi szabadságot hagysz a modellnek.
- Szavak. A prompt szövegében írod le a pozíciókat. A legegyszerűbb, és néha elég — ha csak egy dolog helyét kell megszabni, és tág a tűréshatár. Kettőnél több elemnél kezd szétesni.
- Képarány és üres hely. Nem pozíciót kérsz, hanem kompozíciót: „nagy üres égbolt a felső harmadban", „a téma a kép aljában, felette hely". Ez sokkal jobban megy a modelleknek, mert kompozíciós fogalom, nem koordináta.
- Vázlatkép. Odaadsz egy ábrát — egy kézzel rajzolt dobozos elrendezést vagy egy meglévő kép körvonalait —, és a modell abból dolgozik. Ez a legmegbízhatóbb módszer, és mindjárt részletezem.
- Strukturált leírás. A promptot nem mondatként, hanem adatszerkezetként adod meg, elemenként stílussal és opcionálisan egy dobozzal, ami a helyét jelöli. Egyetlen modellcsalád építette köré a teljes tanítását, és ott ez a natív nyelv.
A vázlat mint bemenet
A vázlatból dolgozó megoldás lényege, hogy a kép szerkezetét nem szóban adod át, hanem képben. A nyílt eszközök világában erre kiforrott vezérlőrétegek vannak: a leggyakoribbak az élkeresés, a lágy körvonal, a mélységtérkép, a testtartás, a szabadkézi firka és a szürkeárnyalatos alap. Ezek 2026-ra egyetlen, összevont vezérlőmodellbe kerültek, tehát nem kell mindegyikhez külön letöltés.
A gyakorlatban ez azt jelenti, hogy nyitsz egy rajzolóprogramot, és két perc alatt lerakod a téglalapokat: ide a termék, ide a felirat helye, ide a háttér horizontja. Ebből lesz a vázlat, és a modell ezt a szerkezetet tartani fogja, mert nem értelmeznie kell, hanem követni. A referenciaképek fajtáiról és arról, hogy melyik mit visz át, a referenciatípusok poszt szól bővebben — a vázlat ezek közül csak az egyik.
Amikor a szerkezet a lényeg
A strukturált leírás más logika. Nem mondatot írsz, hanem felsorolod az elemeket, mindegyikhez odaírod a saját stílusát, és megadhatod, hol legyen. Egy plakátnál ez pont az, amire szükséged van: a cím ilyen betűvel ekkorára, a kép ide, az apróbetűs oda.
Ez ma nem általános képesség. Egy modellcsalád tanítása épült kizárólag ilyen szerkezetű leírásokra, elemenkénti stílussal és opcionális határolódobozokkal — ott ez működik, máshol jó eséllyel csak egy szokatlanul kimért prompt lesz belőle. Ha rendszeresen készítesz elrendezésfüggő anyagot, érdemes ezt a szempontot beemelni az eszközválasztásba.
Egy recept, ami a legtöbb esetben elég
Ha nem akarsz vezérlőrétegekkel bajlódni, ez a három lépés a legtöbb marketinges képnél megoldja az elrendezést.
1. Ne a képtől kérd az üres helyet, hanem a képarány adja.
Kérj szűk kivágást a témára, és a szöveg helyét vágd hozzá utólag,
vagy generálj tágabb képet és bővítsd ki a széleit.
2. Egy képen egy elrendezési kérés legyen.
„A termék a bal harmadban" — ennyi. Ne írd hozzá, hogy mi legyen
a jobb felsőben és mi az alján, mert onnantól esik szét.
3. A feliratot ne a modell tegye rá.
A kép legyen kép, a szöveg utólag, rendes betűtípussal.
Ez az egyetlen módszer, ami minden méretben olvasható marad.
Tipikus félreértések
- „Ha részletesebben leírom, pontosabb lesz." Az elrendezésnél nem. Több pozíciókérés egy promptban rendszerint rontja az eredményt, nem javítja.
- „A jobb modell majd megoldja." A mérések szerint a legjobb és a középmezőny közti különbség itt kisebb, mint máshol — ez az egész mezőny gyenge pontja.
- „A negatív prompt segít elkerülni, hogy oda kerüljön." A negatív prompt több új modellnél már nem is létezik, és térbeli kérésekre soha nem volt megbízható.
- „Elég sokszor újragenerálni, egyszer eltalálja." Eltalálja — de ha tizenöt kísérlet kell hozzá, az drágább és lassabb, mint két perc vázlatrajz.
Amit érdemes elvinni
Az elrendezés az a terület, ahol a szavak a leghamarabb elfogynak. Ha a kompozíció tényleg számít — mert utána szöveg kerül rá, mert arculati sablonba megy, mert a termék helye kötött —, akkor ne promptot csiszolj, hanem adj a modellnek szerkezetet: vázlatot, képarány t vagy strukturált leírást. A négy réteg, amiből a prompt többi része összeáll, ettől függetlenül ugyanaz marad, erről a képprompt felépítése szóló poszt szól részletesen.