ما مدى فاعلية الموجهات السلبية في توليد الصور بالذكاء الاصطناعي؟ أحدث تقييم لثلاثة أنواع من الصياغات

ملاحظة من الكاتب: قلّ اعتماد نماذج الصور الحديثة على «قوائم الكلمات السلبية» بوضوح. في هذا المقال، نفصّل الأشكال الثلاثة للموجهات السلبية، ونوضح ما ينبغي حذفه وما يجب الإبقاء عليه، ثم نقدم مبادئ عملية لكتابة الموجهات.

ما زالت فرق كثيرة، عند استدعاء واجهات توليد الصور بالذكاء الاصطناعي، تذيّل الطلب بسلسلة طويلة من الموجهات السلبية، مثل bad anatomy, extra fingers, low quality, blurry, watermark. انتشرت هذه الطريقة في بدايات Stable Diffusion، حتى إن الجميع تقريبًا كانوا ينسخونها كما هي. ومع انتشار نماذج الصور التي أصبحت أقدر على فهم اللغة، بدأت فعالية الموجهات السلبية تخضع لإعادة التقييم: فهي لم تختفِ، لكن مكانتها وطريقة كتابتها تغيّرتا.

هذا ليس استنتاجًا مثيرًا للجدل من نوع «ماتت الموجهات السلبية». فمن جهة، لا يزال دليل OpenAI الحالي لكتابة موجهات الصور ينصح بتحديد ما ينبغي استبعاده، مثل النصوص الإضافية والشعارات والعلامات المائية. ومن جهة أخرى، لاحظنا في طلبات العملاء الفعلية أن حذف تلك السلسلة الثابتة من الكلمات في نهاية الطلب يجعل نتائج مجموعة الطلبات نفسها أكثر اتساقًا. ولا تناقض بين الأمرين.

الفائدة الأساسية: تعرّف في 3 دقائق على ما بقي للموجهات السلبية من دور في توليد الصور بالذكاء الاصطناعي، وما ينبغي حذفه من أساليب كتابتها، والقيود التي يجب الإبقاء عليها.

خلاصة المعلومات الأساسية عن الموجهات السلبية

لنبدأ بجدول يلخص أهم ما توصلنا إليه في هذا النقاش. مصطلح «الموجهات السلبية» عامّ وواسع، ويشير في الواقع إلى ثلاثة أشياء مختلفة على الأقل، لذا لا ينبغي تقييمها باعتبارها شيئًا واحدًا.

لماذا كانت الموجهات السلبية «إلزامية» في السابق؟

كانت قدرة نماذج الانتشار المبكرة على ترميز النصوص محدودة، ولم تكن بارعة في فهم الجمل المعقدة. لذلك، كان استخدام المعلمة negative_prompt مع آلية التوجيه لدفع خصائص مثل «الجودة المنخفضة» و«الأصابع الزائدة» في الاتجاه المعاكس يحسّن الصور بوضوح. ومع مرور الوقت، جمع المجتمع قوائم عامة بالكلمات السلبية، وأصبح إرفاقها بكل طلب أمرًا معتادًا.

لكن هذه الخبرة استندت إلى بنية نماذج محددة. وعندما ظهرت نماذج صور أحدث تفهم اللغة بشكل أفضل وتستوعب الجمل الكاملة مباشرة، لم تعد هذه السلسلة من العبارات الاسمية المتراكمة تؤدي دورها السابق بالضرورة، بل قد تشوش على النموذج.

الدور الفعلي للموجهات السلبية اليوم

يمكن وصف الأمر بدقة أكبر هكذا: تحولت الموجهات السلبية من «ترقيع للجودة» إلى «تحديد لحدود التسليم». لم تعد بحاجة إلى إخبار النموذج «لا ترسم صورة قبيحة»، لكنه ما يزال بحاجة إلى أن تخبره «يُمنع ظهور أي نص في الصورة» أو «يجب الحفاظ على ملصق المنتج». فالنموذج يتولى الأمر الأول تلقائيًا، أما الثاني فلا يستطيع تخمينه.

التقييم الأساسي للأشكال الثلاثة للموجهات السلبية

قبل مناقشة فاعلية الموجهات السلبية، يجب التمييز بين أشكالها. يوضّح الجدول التالي أهم معيار للتقييم في هذه المقالة.

السلاسل العامة من الكلمات السلبية: لماذا يُنصح بحذفها مبدئيًا؟

تكمن المشكلة الأكبر في السلاسل العامة من الكلمات في إرفاقها «دون تمييز». فسواء كنت تولّد صورة لمنظر طبيعي أو منتج أو شخص، تظل مرفقة بعشرات الكلمات التي تشير إلى عيوب الجسم ومشكلات الجودة. وبالنسبة إلى النماذج القادرة على الفهم، لا تضيف هذه الكلمات معلومات جديدة إلى الهدف، بل تشغل انتباه النموذج، وقد تتعارض أيضًا مع الوصف الإيجابي.

أجرينا مقارنة على مجموعة من طلبات العملاء: مع استخدام الوصف الإيجابي نفسه، كانت نتائج توليد الصور أقل استقرارًا عند إرفاق سلسلة الكلمات في نهاية الطلب، وتحسّن الأداء بعد حذفها. ومن المهم التأكيد أن هذا الاختبار لا يثبت سوى أن «هذه السلسلة قلّلت استقرار هذه المجموعة من الطلبات». ولا يثبت أن جميع الموجهات السلبية عديمة الفائدة، كما لا يثبت أن النموذج أساء فهم هذه الكلمات واعتبرها متطلبات إيجابية. كذلك، يعمل فهم نماذج توليد الصور وآلية مراجعة المحتوى في المنصة وفق آليتين منفصلتين؛ لذا فإن تسبّب بعض الكلمات في السلسلة بتفعيل المراجعة عاملٌ ينبغي التحقق منه على حدة.

متطلبات الاستبعاد الصريحة: لماذا لا يزال من الضروري ذكرها؟

مهما بلغت ذكاء النموذج، فهو لا يعرف تلقائيًا حدود ما ينبغي تسليمه. هل يُسمح بظهور نص في الصورة؟ هل يمكن تغيير هوية الشخص؟ وهل يجب إبقاء الملصق على عبوة المنتج كما هو تمامًا؟ هذه كلها قيود مرتبطة بالعمل، وليست أمورًا بديهية تتعلق بالذوق الجمالي.

دليل OpenAI لكتابة موجهات الصور واضح في هذه النقطة: يُنصح بذكر العناصر المطلوب استبعادها، مثل النصوص الإضافية والشعارات والعلامات المائية. وعند تحرير الصور، ينبغي أيضًا توضيح العناصر التي يجب أن تبقى دون تغيير. تظل متطلبات الاستبعاد «القليلة والمحددة والقابلة للتحقق» جزءًا مهمًا من الموجهات عالية الجودة.

المَعلمة negative_prompt: لا تنقلها بين النماذج كما هي

توفّر بعض نماذج الانتشار مفتوحة المصدر وبعض واجهات الصور حقلًا مستقلًا باسم negative_prompt، وله آلية تأثير فعلية في هذه النماذج. لكن هذا الحقل غير متاح في جميع النماذج؛ فمثلًا، لا تتضمن واجهة الصور من OpenAI حقلًا مستقلًا للموجه السلبي، لذا يجب تضمين متطلبات الاستبعاد مباشرةً في الموجه. كذلك، يختلف مستوى دعم النماذج الجديدة التي تعتمد أساليب استدلال مختلفة للمَعلمات السلبية.

لذلك، عند التبديل بين نماذج متعددة، من أكثر الأخطاء شيوعًا نقل المَعلمات السلبية التي ضُبطت لنموذج A إلى النموذج B كما هي. والصحيح هو التحقق أولًا مما إذا كان النموذج والواجهة يدعمانها، ثم تحديد طريقة كتابتها.

🎯 نصيحة تقنية: إذا كان نشاطك يتطلب التبديل بين نماذج صور متعددة، فننصحك بإجراء اختبارات مقارنة باستخدام مفتاح API واحد وواجهة موحّدة عبر APIYI apiyi.com. فاختلاف أداء الموجه نفسه بين النماذج غالبًا ما يكون أوضح وأكثر إقناعًا من أي خلاصة مبنية على الخبرة وحدها.

مثال على إعادة صياغة الموجهات السلبية: من قائمة كلمات إلى وصف للنتيجة المطلوبة

بعد توضيح الفكرة نظريًا، لنلقِ نظرة على مثال عملي لإعادة الصياغة. مع النماذج التي تتمتع بقدرة جيدة على فهم اللغة، نفضّل أن نبدأ بتوضيح النتيجة التي نريدها.

تكمن فائدة هذه الصياغة في وضوح المعلومات وتقليل التعارض. فجملة «بلوزة بيضاء معتمة بياقة عالية» تغطي وحدها عدة كلمات سلبية تتعلق بالملابس في الأسلوب القديم، وتمنح النموذج هدفًا واضحًا يمكنه تنفيذه مباشرة. لكن من الموضوعية القول إن الوصف الإيجابي لا يضمن أن يكون أكثر فاعلية في جميع الحالات؛ إنما يسهل به صياغة متطلبات متسقة.

مثال مبسّط لاستدعاء النموذج باستخدام الموجهات السلبية

إليك أبسط مثال برمجي لتوليد الصور باستخدام واجهة متوافقة مع OpenAI. تُكتب متطلبات الاستبعاد مباشرةً في الموجه:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # واجهة APIYI موحّدة
)

prompt = (
    "一位年轻女性站在浅灰色摄影棚中,自然的人体比例,双手完整可见,"
    "穿白色不透明高领上衣,柔和侧光,商业人像风格。"
    "画面中不要出现任何文字、标志或水印。"
)

result = client.images.generate(model="gpt-image-1", prompt=prompt, size="1024x1024")
print(result.data[0].b64_json[:80])

import base64
from typing import List, Optional
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # مفتاح واحد لاستدعاء نماذج صور متعددة
)

def build_prompt(goal: str, constraints: Optional[List[str]] = None) -> str:
    """
    صِف الهدف كاملًا أولًا، ثم أضف عددًا قليلًا من قيود الاستبعاد المحددة.
    لا تضف constraints إلا بعد ظهور انحراف محدد، ولا تُدرج مجموعة كاملة من الموجهات السلبية تلقائيًا.
    """
    prompt = goal.strip()
    if constraints:
        prompt += " 约束要求:" + ";".join(constraints) + "。"
    return prompt

def generate_image(goal: str,
                   constraints: Optional[List[str]] = None,
                   model: str = "gpt-image-1",
                   output: str = "output.png") -> str:
    prompt = build_prompt(goal, constraints)
    try:
        result = client.images.generate(model=model, prompt=prompt, size="1024x1024")
        with open(output, "wb") as f:
            f.write(base64.b64decode(result.data[0].b64_json))
        return output
    except Exception as e:
        return f"Error: {e}"

# الجولة الأولى: اكتب الهدف فقط
goal = ("电商主图:一瓶白色护肤乳液放在浅木纹台面上,"
        "瓶身标签清晰可读,柔和自然光,极简风格。")
print(generate_image(goal, output="v1.png"))

# الجولة الثانية: إذا ظهرت نصوص زخرفية إضافية في الصورة، فأضف قيدًا محددًا
print(generate_image(goal,
                     constraints=["除瓶身原有标签外,画面不要出现任何额外文字或水印"],
                     output="v2.png"))

🚀 ابدأ بسرعة: توفّر APIYI على apiyi.com واجهة متوافقة مع OpenAI، مع رصيد تجريبي مجاني للمستخدمين الجدد. استبدل قيمة api_key في الشيفرة أعلاه بمفتاحك، ثم قارن مباشرةً نتائج توليد الصور باستخدام «مجموعة الموجهات» ومن دونها.

تحليل أثر التغييرات في الموجهات السلبية

التأثير في المطورين

• الحاجة إلى إعادة هيكلة قوالب الموجهات: تتضمن شيفرات كثير من المشاريع سلاسل عامة من الكلمات السلبية مكتوبة مباشرةً. يُستحسن استبدالها ببنية تجمع بين «وصف الهدف» و«قائمة قيود اختيارية»، مع ضبط القيود بحسب سيناريو العمل.
• فصل تكييف النماذج المختلفة: يعتمد عمل المَعلمة negative_prompt على النموذج، لذا لا ينبغي لطبقة التغليف أن تفترض أن جميع النماذج تدعمها، بل عليها اختيار الصيغة المناسبة وفقًا لقدرات كل نموذج.
• تغيير أسلوب استكشاف المشكلات: عند ظهور نتائج غير طبيعية، تحقّق أولًا من وضوح الوصف الإيجابي وخلوّه من التعارضات، بدلًا من مواصلة إضافة كلمات إلى قائمة الموجهات السلبية.
• التعامل مع أخطاء المراجعة كلٌّ على حدة: عند حظر طلب، ميّز بين مشكلة في فهم النموذج وتفعيل مراجعة السلامة؛ فالسلاسل الطويلة من الكلمات السلبية قد تزيد أحيانًا من المخاطر دون داعٍ.

التأثير في القطاع

• انتقال هندسة الموجهات من «التعاويذ» إلى «وثائق المتطلبات»: أصبحت كتابة الموجهات أقرب إلى إعداد وصف واضح لما ينبغي تسليمه، مع التركيز على الهدف والحدود والعناصر المطلوب الحفاظ عليها.
• ازدياد حساسية مهام التحرير للقيود: في سيناريوهات تحرير الصور، يصبح تحديد «ما الذي يجب أن يبقى دون تغيير» أهم من تحديد «ما الذي ينبغي إنشاؤه». لذلك تزداد أهمية متطلبات الاستبعاد والحفاظ على العناصر.
• ارتفاع تكلفة نقل الخبرات: تتباين أساليب كتابة الموجهات بين النماذج أكثر من ذي قبل، لذا ينبغي للفرق اتخاذ قراراتها بناءً على الاختبارات الفعلية، لا على القوالب المتداولة في المجتمعات.

يلخص الجدول التالي توصيات استخدام الموجهات السلبية في مختلف السيناريوهات:

💡 توصية للاختيار: تختلف استجابة نماذج الصور للقيود السلبية اختلافًا كبيرًا. يُنصح بتجربة المجموعة نفسها من الموجهات على عدة نماذج شائعة عبر APIYI apiyi.com، ثم تحديد قالب الموجهات المناسب لبيئة الإنتاج.

الأسئلة الشائعة

أهم النقاط

• تغيّر الدور: تحوّل دور الموجهات السلبية من «ترقيع الجودة» إلى «تحديد حدود المخرجات».
• لا تعتمد قوائم الكلمات افتراضيًا: لم تعد سلاسل الكلمات السلبية العامة ضرورية؛ قرّر استخدامها أو الاستغناء عنها بناءً على نتائج الاختبار.
• احتفظ بالقيود المهمة: تظل المتطلبات المحددة، مثل عدم تضمين النصوص أو العلامات المائية والحفاظ على ملامح الوجه، فعّالة.
• تعتمد المعلمات على النموذج: يتوقف عمل الحقل negative_prompt على النموذج والواجهة البرمجية.
• حدّد الهدف أولًا، ثم أضف القيود: صف النتيجة المطلوبة وصفًا كاملًا، ثم أضف بعض متطلبات الاستبعاد عند ظهور انحرافات.
• دع الاختبارات تحسم الأمر: يمكنك استخدام الواجهة الموحدة من APIYI، apiyi.com، لمقارنة عدة نماذج بسرعة.

الخلاصة

يمكن تلخيص دور الموجهات السلبية في مجال توليد الصور بالذكاء الاصطناعي في ثلاث نقاط:

1. تتراجع أهمية قوائم الكلمات السلبية العامة: تعالج النماذج الحديثة معظم مشكلات جودة الصورة تلقائيًا، وقد يؤدي إرفاق سلسلة كلمات عامة بلا تمييز إلى تقليل استقرار النتائج.
2. تظل متطلبات الاستبعاد المحددة مهمة: لا يعرف النموذج حدود عملك؛ لذا عليك توضيح متطلبات النصوص والشعارات والعلامات المائية والعناصر التي يجب الحفاظ عليها أثناء التحرير.
3. لا تنقل المعلمات الخاصة من نموذج إلى آخر: تحقّق أولًا من دعم النموذج لها، ثم قرّر ما إذا كنت ستستخدم negative_prompt.

أما في التطبيق العملي، فقاعدتنا للعملاء هي: صِف النتيجة المطلوبة كاملةً أولًا، ثم أضف عددًا قليلًا من متطلبات الاستبعاد المحددة عند ظهور انحرافات، ولا ترفق مجموعة كاملة من قوائم الكلمات السلبية القديمة مع كل طلب بوصفها قالبًا ثابتًا.

للتحقق من مدى فعالية هذه القاعدة في مجال عملك، يمكنك استخدام APIYI، apiyi.com، لمقارنة نتائج عدة نماذج للصور بسرعة، ثم اختيار قالب الموجهات استنادًا إلى نتائج الاختبار الفعلية.

📚 مراجع

1. دليل OpenAI لكتابة موجهات الصور: إرشادات OpenAI الرسمية لكتابة موجهات توليد الصور
2. الرابط: developers.openai.com/api/docs/guides/image-prompting

3. التوضيح: يتضمن طرق كتابة العناصر المستبعَدة ونصائح للحفاظ على المحتوى أثناء التعديل، ويشكّل المرجع الأساسي للمعلومات الواردة في هذا المقال.

4. وثائق Images API من OpenAI: شرح معاملات واجهات توليد الصور وتحريرها

5. الرابط: platform.openai.com/docs/api-reference/images

6. التوضيح: تساعد على التحقق من نطاق المعاملات التي تدعمها الواجهة، وتحديد ما إذا كان هناك حقل مستقل للموجه السلبي.

7. وثائق Stable Diffusion: أمثلة شائعة على استخدام معامل الموجه السلبي

8. الرابط: github.com/Stability-AI/stablediffusion
9. التوضيح: للتعرّف على آلية negative_prompt، وهي مفيدة للفرق التي تستخدم النماذج مفتوحة المصدر محليًا.

المؤلف: فريق APIYI التقني
للتواصل التقني: يسعدنا تواصلكم معنا عبر الصفحة الرئيسية لموقع APIYI. ويمكنكم الاطلاع على مزيد من المواد حول استدعاء نماذج الصور في مركز الوثائق على docs.apiyi.com

مقالات ذات صلة

• صورة واحدة خدعت 3 ملايين شخص؟ دليل من خطوتين لإنشاء صور سياحية ساخرة زائفة بأسلوب وثائقي باستخدام GPT Image 2.5: حلّل فيديو Wytse Koetse الساخر عن باريس؛ ابدأ بكتابة موجهات منظمة باستخدام GPT، ثم أنشئ دفعة واحدة لقطات ثابتة شبه وثائقية بنبرة «إعلان سياحي زائف» باستخدام gpt-image-2.5-sunburst أو gemini-nano-banana-2.1.