Deriva com várias referências: separe composição e estilo
Trate cada imagem de referência como uma instrução diferente. Este guia mostra como separar os papéis de composição, sujeito e estilo, descobrir onde a deriva começa e rejeitar resultados bonitos que não respeitam a estrutura desejada.
Conteúdo
Você envia para uma ferramenta de geração uma referência de layout, uma referência de estilo e uma imagem do sujeito. A solicitação termina sem erro, mas o resultado parece arte genérica de banco: o sujeito muda de posição, o espaço reservado para o título desaparece e vários estilos visuais se misturam em um “visual de IA” pouco definido. Não tente corrigir isso apenas acrescentando mais texto ao prompt. Primeiro dê uma função específica a cada referência; depois compare o resultado, item por item, com a composição que deveria ter sido preservada.
Em um relato público, um agente concatenou várias referências de estilo em um único parâmetro plano. O modelo produziu uma espécie de média das entradas e retornou texturas genéricas sem gerar erro de API. Esse relato isolado não prova um comportamento universal, mas evidencia uma distinção importante: uma solicitação tecnicamente bem-sucedida não é o mesmo que uma tarefa visual bem-sucedida.
Regra prática: uma imagem controla a composição e outra controla a aparência
A mudança mais útil é parar de tratar todas as imagens como uma lista de referências equivalentes e sem explicação. Separe, no mínimo, estes três papéis:
| Papel da referência | O que deve controlar | O que não deve controlar |
|---|---|---|
| Referência de composição | Quantidade de sujeitos, posição, escala relativa, câmera, recorte e espaço negativo | Paleta, material, pincelada ou estilo de iluminação |
| Referência do sujeito | Identidade, forma e características distintivas de uma pessoa ou objeto | Composição geral ou objetos de fundo sem relação com a tarefa |
| Referência de estilo | Paleta, textura, qualidade do traço, granulação, iluminação e linguagem de renderização | Objetos, texto ou composição presentes nessa imagem |
Se a tarefa precisa apenas de composição e estilo, use somente essas duas imagens. Mais referências não significam automaticamente mais controle; elas também podem introduzir sinais concorrentes que o sistema terá de conciliar.
Por que uma lista plana costuma gerar um meio-termo genérico
Uma lista plana diz apenas que “todas estas imagens importam”, mas não explica por que cada uma importa. O modelo ou um agente intermediário precisa inferir a relação. Ele pode pegar a cor de uma imagem, a textura de outra e um objeto indesejado de uma terceira, criando um resultado visualmente plausível, porém distante do objetivo.
Essa falha pode ocorrer sem nenhum erro estrutural. Autenticação, upload, sintaxe da solicitação e leitura da resposta podem funcionar normalmente. Por isso, um status HTTP de sucesso ou a mensagem “generation completed” não servem como aprovação visual. O fluxo precisa incluir uma verificação da composição depois da geração.
Etapa 1: escreva um contrato de papel para cada referência
Antes de criar um prompt longo, responda a quatro perguntas sobre cada imagem:
- O que precisa ser preservado? Por exemplo: o sujeito deve ficar no canto inferior esquerdo, a parte superior deve permanecer livre para um título e a câmera deve manter um ângulo baixo.
- O que deve ser ignorado? Por exemplo: não copie a identidade da pessoa, o texto da marca nem a arquitetura do fundo da referência de estilo.
- Quão rígida é a exigência? A composição é uma restrição obrigatória e a cor uma preferência, ou o contrário?
- Quem vence quando as referências entram em conflito? Por exemplo: a referência de composição deve prevalecer sobre qualquer posicionamento de objeto sugerido pela imagem de estilo.
Um contrato útil pode ser assim:
| Arquivo | Papel | Preservar | Ignorar | Regra de conflito |
|---|---|---|---|---|
layout.png | Composição | Dois sujeitos com relação grande-pequeno, espaço livre à direita, vista de cima | Cor e material | Suas relações espaciais prevalecem sobre as demais referências |
subject.png | Sujeito | Silhueta e detalhes distintivos | Fundo e câmera originais | Substituir o sujeito sem deslocá-lo no layout |
style.png | Estilo | Paleta cinza quente, textura de papel, sombras suaves | Pessoas e texto da imagem | Transferir apenas a aparência, sem copiar o conteúdo |
Isso é mais útil que “referência 1, 2 e 3”, pois define tanto os sinais desejados quanto as transferências proibidas.
Etapa 2: troque a lista plana por uma solicitação hierárquica
Os campos reais de API variam conforme a ferramenta. O exemplo abaixo é uma estrutura conceitual, não um contrato real de fornecedor. Use-o para verificar se o agente mantém as informações de papel até a solicitação final:
references:
- id: layout
source: layout.png
role: composition
preserve: [subject_count, position, scale, camera, negative_space]
- id: subject
source: subject.png
role: identity
preserve: [shape, distinctive_details]
- id: style
source: style.png
role: appearance
preserve: [palette, texture, line_quality, lighting]
exclude: [objects, text, composition]
priority:
- layout
- subject
- style
acceptance_reference: layout.pngA pergunta importante não é se a sua API usa exatamente esses nomes de campo. É se o mesmo significado sobrevive a toda a cadeia. Inspecione a solicitação que o agente realmente envia: o array de imagens virou uma única string concatenada? As descrições de papel foram diluídas em prosa comum? Uma nova tentativa ou o processamento em lote mudou a ordem dos arquivos?
Quando a API de destino documentar tipos de referência separados, pesos ou máscaras de edição, mapeie o contrato de papéis para esse esquema. Quando não houver esse suporte, não invente parâmetros. Adote um fluxo em etapas.
Etapa 3: use duas fases quando a ferramenta não consegue expressar papéis
Se a interface aceita apenas um conjunto indiferenciado de imagens, fixe primeiro a composição e aplique o estilo depois. Separar as transformações costuma ser mais fácil de diagnosticar do que forçar todos os sinais por uma única solicitação.
Fase A: estabeleça composição e sujeito
Use a referência de composição e acrescente a referência do sujeito somente quando necessário. Descreva quantidade de sujeitos, posição, câmera, recorte e espaço negativo. Deixe material, textura e linguagem de renderização fora desta fase. O objetivo é obter uma imagem estruturalmente correta, mesmo que ainda pareça simples.
Fase B: aplique a aparência sem reconstruir a cena
Use o resultado da fase A como nova base e edite ou redesenhe com a referência de estilo. Declare que posições e limites dos sujeitos, câmera, recorte e espaço negativo devem permanecer fixos; somente paleta, textura, qualidade do traço e iluminação podem mudar.
Se a ferramenta aceitar máscaras, exponha apenas as regiões que precisam de edição. Sem modo de edição, mantenha a imagem da fase A como referência principal e a de estilo como secundária. A existência de pesos explícitos depende da documentação atual da ferramenta.
Etapa 4: rode quatro variações controladas para localizar o sinal perdido
Não continue alterando uma solicitação complexa de forma cumulativa. Mantenha constantes o prompt, as dimensões e os demais parâmetros controláveis e gere quatro variações:
| Teste | Entrada | O que observar |
|---|---|---|
| A | Apenas referência de composição | A ferramenta preserva quantidade, posições, câmera, recorte e espaço negativo? |
| B | Apenas referência de estilo | Quais características de paleta, textura, traço e iluminação ela realmente transfere? |
| C | Composição e estilo em uma lista plana | Ela cria um meio-termo, faz uma média dos estilos ou importa conteúdo indesejado? |
| D | Composição e estilo com papéis e prioridade explícitos | Cada objetivo fica mais próximo do esperado do que no teste C? |
Isso não é um teste para classificar o modelo como “bom” ou “ruim”. Serve para descobrir se a falha começa na interpretação de uma única imagem, na combinação de várias imagens ou no tratamento dos parâmetros pelo agente. Se A e B funcionam, C desvia e D melhora, a ambiguidade de papéis é uma suspeita forte. Se D fica igual a C, verifique o payload final ou use o método em fases.
Quando houver suporte a seed, mantenha-o constante entre as variações para reduzir diferenças aleatórias. Quando não houver, não trate a comparação como determinística; gere mais de uma amostra por variação e procure falhas estruturais recorrentes.
Etapa 5: aprove pelo layout-alvo, não porque “ficou bonito”
O resultado perigoso nem sempre é feio. Ele pode parecer polido o bastante para passar em uma revisão rápida e ainda assim não cumprir o template. Verifique as restrições rígidas antes de avaliar o estilo.
Restrições rígidas: reprove se qualquer uma estiver errada
- A quantidade de sujeitos está correta.
- As posições e a escala relativa correspondem ao layout.
- A direção da câmera, o recorte e o ponto de vista estão corretos.
- O espaço reservado para texto ou o espaço negativo continua disponível.
- Objetos, pessoas ou textos da referência de estilo não vazaram para o resultado.
- As características distintivas do sujeito continuam reconhecíveis.
Restrições flexíveis: use para ordenar os candidatos restantes
- A paleta está próxima do objetivo.
- A textura e a granulação parecem intencionais, não borradas.
- Linhas, bordas e sombras combinam com a linguagem visual desejada.
- O resultado parece coerente, em vez de uma média de vários estilos.
Coloque a referência de composição ao lado de cada candidato e registre aprovação ou reprovação para cada restrição rígida. Não salve apenas a imagem final: guarde também a versão da solicitação, a ordem das referências e o payload exato enviado pelo agente. Essa evidência torna a próxima deriva reproduzível.
Diagnostique sintomas comuns na ordem certa
| Sintoma | O que verificar primeiro | Resposta preferida |
|---|---|---|
| O estilo está forte, mas a composição mudou | A imagem de estilo foi tratada como referência principal equivalente? | Aumente a prioridade do layout ou separe composição e estilo em fases |
| A composição está correta, mas o estilo está fraco | O prompt contém apenas palavras abstratas de atmosfera? | Descreva características observáveis de paleta, material, linha e iluminação |
| Vários estilos viraram um visual genérico | Há referências de estilo conflitantes no mesmo pedido? | Escolha uma referência dominante; use as outras para um único atributo específico |
| O sujeito da imagem de estilo aparece no resultado | Você limitou a transferência apenas à aparência? | Exclua explicitamente objetos, texto e composição dessa imagem |
| Alterações no prompt não causam efeito visível | O agente realmente enviou os novos parâmetros? | Compare os payloads finais, não apenas o formulário anterior |
| A API responde com sucesso, mas a imagem continua desviando | O status técnico está sendo usado como aprovação visual? | Adicione critérios rígidos de composição e comparações controladas |
Um fluxo mínimo que pode ser reutilizado
- Selecione somente as referências necessárias para concluir a tarefa.
- Dê a cada imagem um papel principal, com regras de preservar, ignorar e resolver conflitos.
- Inspecione a solicitação final do agente para confirmar que arrays, ordem e papéis não foram achatados.
- Rode linhas de base só de composição e só de estilo antes de comparar a lista plana com a versão de papéis separados.
- Reprove candidatos pelas restrições rígidas de composição antes de comparar o estilo.
- Guarde juntos candidatos, referências, versões de solicitação e resultados da avaliação.
- Quando a interface não representar papéis, faça primeiro a composição e depois o estilo.
O objetivo não é escrever um prompt mais longo. É criar um fluxo em que cada sinal visual tenha um responsável. Enquanto você puder responder “qual imagem controla este atributo, qual regra vence um conflito e o que conta como aprovação”, várias referências deixam de ser uma pilha de imagens que o modelo precisa interpretar sozinho.
