Miért nem kulcsszólista
Két éve még az volt a bevett fogás, hogy vesszővel elválasztott kulcsszavakat halmozol: „macska, olajfestmény, arany fény, 8k, díjnyertes". Ez akkor működött, mert a modellek szövegértő része rövid, kulcsszavakhoz szokott kódoló volt.
Ma nem az. A mai képmodellek elé egy teljes nyelvi modell került, és ez megváltoztatta, mit érdemes írni: a rendes mondat jobb, mint a kulcsszólista, mert a viszonyokat is átadja. A „nő, piros ruha, tengerpart, naplemente" négy különálló dolgot mond; a „egy nő piros ruhában a parton sétál naplementekor" azt is, hogy ki csinál mit hol. Az egyik modellgyártó a saját útmutatójában pontosan ezt a két példát állítja szembe. Hogy miért változott ez meg, arról a diffusion model működésérőlszóló poszt szól.
A négy réteg
A gyártói útmutatók külön-külön születtek, mégis szinte ugyanazt a szerkezetet javasolják. Négy rétegre egyszerűsítve ez a következő — és a legtöbb rossz kép azért rossz, mert a második, harmadik vagy negyedik réteg hiányzik.
- Téma. Mi van a képen, és mit csinál. Nem „egy kutya", hanem „egy öreg terrier alszik egy ablakpárkányon". A cselekvés az, ami a képet képpé teszi; enélkül a modell katalógusfotót ad.
- Stílus. Fotó, illusztráció, festmény, 3D — és azon belül milyen. Ez a réteg dönti el a legtöbbet, és ezt hagyják ki a leggyakrabban. Ha nem mondod meg, a modell az adott témához tartozó átlagot adja.
- Fény. Honnan jön, milyen kemény, milyen színű. „Lágy, oldalról érkező ablakfény", „kemény déli nap éles árnyékokkal", „aranyóra ellenfényben". A fény a különbség egy amatőr és egy profi kép között, és a modell pontosan követi.
- Kompozíció. Honnan nézzük, mi van előtérben, mennyi levegő van körülötte. „Alulról fotózva", „közeli", „a téma a bal harmadban, jobbra üres hely". Erről külön poszt szól: a kompozíció megadásáról, mert 2026-ban ez már nem csak kérés kérdése.
Előtte-utána
Ugyanaz a kép, két megfogalmazásban. A különbség nem a hossz, hanem hogy mind a négy réteg szerepel-e.
ELŐTTE
kávézó, laptop, reggel, hangulatos
UTÁNA
Egy fából készült kávézóasztalon nyitott laptop áll, mellette félig kiivott
tejeskávé és egy jegyzetfüzet. Dokumentarista fotó, természetes színekkel,
enyhe szemcsével. Lágy, oldalról érkező reggeli ablakfény, hosszú árnyékokkal
az asztalon. Enyhén felülről fotózva, közeli beállítás, a laptop a jobb
oldalon, a bal harmad üresen marad.
Az „utána" változat négy mondat, és mind a négy más réteget ad hozzá. Ami nincs benne: egyetlen „8k", „díjnyertes" vagy „nagyon részletes" sem. Ezek a szavak a régi modelleknél számítottak valamit; ma a konkrét leírás viszi a munkát.
A sorrend számít
Ez a rész az, amit a legkevesebben tudnak, pedig az egyik gyártó kiírja a dokumentációjába: a modell nagyobb figyelmet fordít arra, ami elöl van. Ha a prompt a hangulattal kezdődik és a témával végződik, gyengébb eredményt kapsz, mint fordítva.
A használható sorrend ezért: fő téma → cselekvés → stílus → fény → kompozíció → mellékes részletek. Ha valamit nem kapsz meg a képen, az első dolog, amit érdemes kipróbálni, nem a hangosabb megfogalmazás („NAGYON fontos, hogy…"), hanem hogy előrébb viszed a mondatban.
Mennyire legyen hosszú
Itt a gyártók nem értenek egyet, és ezt érdemes tudni, mielőtt valaki szabályként adja el az egyiket. Az egyik nyílt súlyú család dokumentációja három sávot ad: 10-30 szó egyszerű ötletre, 30-80 szó a legtöbb jelenetre, 80 fölött csak több szereplős vagy technikai feladatra — és hozzáteszi: „kezdd röviden, és csak azt add hozzá, ami változtat a képen". Egy másik nagy szolgáltató ennek az ellenkezőjét javasolja: nála „a rövid és egyszerű prompt adja a legjobb képet". Egy harmadik kifejezetten a részletes, több tagmondatos leírásra épít.
A gyakorlati feloldás egyszerű: az eszközöd útmutatója dönt, nem egy általános szabály. Ami mindegyiknél igaz: kezdd rövidebben, nézd meg, mi hiányzik, és célzottan azt tedd hozzá. Az egyszerre megírt nyolcvanszavas prompt legnagyobb baja nem a hossza, hanem hogy ha rossz a kép, nem tudod, melyik fél mondat rontotta el.
A kameraszavak, és mit jelentenek valójában
A „35mm, f/1.4", a „Kodak Portra 400" és a „szoftbox háromponti világítás" tényleg működik — a modellek tanultak fotós leírásokból, és ezek a kifejezések megbízhatóan hívnak elő egy megjelenést.
De van egy fontos kikötés, amit az egyik gyártó ki is mond: a kameraadatokat úgy kezeld, mint megjelenésre utaló jelzéseket, nem mint fizikai szimulációt. Az „f/1.4" nem számol optikát; azt hívja elő, ahogy egy f/1.4-gyel készült kép kinéz. Ebből következik, hogy a halmozásuk nem ad többet: a „85mm f/1.2 szoftbox aranyóra bokeh kinematikus" nem öt beállítás, hanem öt egymásnak ellentmondó hangulatjelzés. Egy objektív, egy fényhelyzet, egy filmes utalás — ennyi elég.
Amit ne írj bele
Négy szokás, ami ma már nem segít, néhány modellnél kifejezetten ront.
- Negatív prompt, ahol nincs is. A friss modellek egy részéről kivezették; az egyik gyártó ki is írja, hogy a modellje nem támogatja, és azt kéri, írd le, amit akarsz, ne azt, amit nem.
- A „ne legyen rajta" fordulat. Ha azt írod, „nincs rajta autó", a modell attól még gondolkodik autókról. Írd inkább azt, ami helyette van: „üres utca".
- A minőségszó-halmozás. A „8k, ultrarészletes, díjnyertes, mesterműremek" a régi modellek stílusát hívta elő. Ma helyette a konkrét leírás dolgozik.
- Márkanevek és élő alkotók neve. Az eszközök feltételei ezt rád hárítják: te szavatolod, hogy jogod van hozzá. A jogi oldalról külön poszt szól: kié az AI-val készült kép, az járja körül rendesen.
Szöveg a képen
Ha felirat is kell a képre, egy szabály mindenhol egyforma: tedd idézőjelbe. A gyártók mindegyike ezt dokumentálja, és a legtöbbjük azt is javasolja, hogy írd le a betűtípus jellegét és a felirat helyét. Ez viszont önálló téma, mert a magyar ékezetes szöveg külön nehézség: a képre kerülő szövegről szóló poszt ezt bontja ki.
Egy sablon, amit átírhatsz
A szögletes zárójeleket cseréld. A sorrend szándékos — ami elöl van, azt veszi komolyabban a modell.
[FŐ TÉMA: ki vagy mi, és mit csinál — egy mondat]
[STÍLUS: fotó / illusztráció / festmény / 3D, és azon belül milyen]
[FÉNY: honnan jön, milyen kemény, milyen színű]
[KOMPOZÍCIÓ: honnan nézzük, mi hol van, hol marad üres hely]
[HA KELL SZÖVEG: a felirat "idézőjelben", a betűtípus jellege, a helye]
[KÉPARÁNY: 16:9 / 1:1 / 4:5]
Amit érdemes elvinni
A jó képprompt nem hosszabb, hanem rétegzettebb: téma, stílus, fény, kompozíció. Írj rendes mondatot kulcsszólista helyett, tedd előre azt, ami a legfontosabb, és ha valami hiányzik a képről, előbb vidd előrébb a mondatban, mielőtt hangosabban kéred. A kameraszavak megjelenést hívnak elő, nem optikát szimulálnak — egyből elég. A minőségszavakat és a negatív promptot pedig hagyd el, hacsak az eszközöd útmutatója kifejezetten nem kéri. A szöveges prompt szerkezetéről egyébként ugyanez igaz, csak más rétegekkel: egy működő prompt felépítése ott bontja ki.