A képmodellek a prompt tartalmát jól értik, a térbeli viszonyokat rosszul. A „bal oldalon a termék, jobbra üres hely a szövegnek" típusú kérés rendszeresen fordítva jön vissza, mert a modell a szavakat nem pozícióként dolgozza fel. A layout control az a munka, amivel ezt mégis kikényszeríted.
Miért fontos ez üzletileg? Mert a kompozíció nem díszítés: egy hirdetéshez, borítóhoz vagy termékfotóhoz előre adott hely kell a logónak és a szövegnek. Ha a kompozíció nem irányítható, a képek nagy része használhatatlan lesz, bármilyen szép is külön-külön.
A leggyakoribb tévhit, hogy jobb promptolással megoldható. Nem az — ez a mai képmodellek leggyengébb képessége, és a megbízható megoldások nem a promptban vannak, hanem mellette: vázlatkép, referencia-kompozíció, vagy a szöveg utólagos ráhelyezése egy szándékosan üresen hagyott felületre.
A négy használható módszerről a layout controlcímű írás szól, és megmondja, melyik működik szinte mindig. A közvetlenül kapcsolódó fogalmak: ControlNet, reference image és character consistency.