И треснул мир напополам: как в США и Китае развили две инженерные школы графического GenAI

Генерация изображений в последнее время заметно продвинулась и справляется даже с тонкими задачами на высоком уровне. За последние два года я с базовыми знаниями в дизайне оформлял книги, готовил иллюстрации для статей, собирал презентации и решал графические задачи в коммерческих проектах — и вынес из этого одно: универсальной модели не существует. Каждая архитектура сильна в своей нише, а выбор инструмента стал такой же частью работы, как и сам промпт.

Работая с Midjourney, DALL-E 3, FLUX, Hunyuan-DiT, Wanxiang и Seedream, я заметил: один и тот же запрос в разных системах давал принципиально разные результаты, и дело было не в стилистике. Одни модели буквально расставляли объекты по местам, как в инструкции. Другие могли проигнорировать часть описания, зато выдавали плотность деталей и сложность ракурсов, недоступную первым.

Сначала я списывал это на языковой барьер — казалось, что западные и китайские системы по-разному интерпретируют запрос. Но список причин быстро расширился: датасеты, токенизаторы, глубина текстовых энкодеров. Каждая деталь что-то объясняла, но общей картины не давала. За различиями стояло нечто большее — две инженерные школы, изначально оптимизировавшие разные ресурсы, а сейчас движущиеся к конвергенции.

Тут я вспомнил старый плакат из дизайн-студии нулевых: «Быстро. Дешево. Качественно. Выберите любые два». Раньше это звучало как шутка, теперь — как точное описание логики развития сложных систем.

Эта статья — попытка понять сложившуюся экономику моделей через их историю: разобрать ключевые развилки последних лет, заглянуть под капот графических движков и понять, в какие ниши сегодня встраивается конвергенция технологий.

В начале было слово

Современное разделение графических ИИ-продуктов на условную «западную» и «китайскую» инженерные школы выглядит настолько глубоким, что его легко принять за базовую анатомическую особенность технологий. На первый взгляд кажется, что разработчики по разные стороны океана изначально строили системы на фундаментально разных принципах. Однако если отмотать таймлайн всего на несколько лет назад, мы обнаружим точку абсолютной симметрии. Математика диффузии не имеет гражданства, и на этапе чистой науки инженеры в Шэньчжэне, Сан-Франциско, Москве и Мюнхене читали одни и те же статьи на arXiv, качали одни и те же репозитории с GitHub и делили общую технологическую базу.

Общая база собралась всего за пару лет из четырех ключевых элементов:

• Мультимодальный мост CLIP. Разработанная OpenAI в 2021 году нейросеть CLIP (Contrastive Language–Image Pre-training) научилась сопоставлять текстовое описание (в том числе и на русском) с визуальными паттернами в многомерном векторном пространстве. Именно CLIP стал тем самым «общим алфавитом», который объяснил математическим алгоритмам, как фраза «киберпанк-город» соотносится с конкретным набором пикселей на экране.

• Диффузионный деноизинг. Индустрия отказалась от капризных генеративно-состязательных сетей (GAN) в пользу концепции диффузии. Идея постепенного проявления структуры изображения из случайного гауссова шума мгновенно стала международным стандартом для разработчиков по всему миру.

• Открытый колодец данных LAION-5B. Немецкий некоммерческий проект собрал и выложил в открытый доступ крупнейший публичный массив из 5,8 миллиардов пар «картинка — текст». На этом колоссальном датасете обучались практически все первые графические нейросети планеты, и никаких закрытых национальных баз на этом этапе еще не существовало. 

• Stable Diffusion 1.5. В августе 2022 года компания Stability AI выпустила веса модели в открытый доступ, совершив контролируемый технологический взрыв. Мир получил одинаковый цифровой пластилин. Ранние кастомные сборки, которые создавали китайские разработчики, работали на тех же внутренних весах и алгоритмах, что и их западные аналоги.

Символическим пиком этой эпохи абсолютного равенства стало появление инструмента ControlNet, детальный разбор работы которого до сих пор изучают начинающие специалисты. Эту архитектуру, позволившую укротить хаос диффузии и жестко задавать позу персонажа по цифровому скелету или контурам, создал китайский исследователь Люмин Чжан (Lvmin Zhang) совместно со своим ментором — профессором Стэнфордского университета Манишем Агравалой (Maneesh Agrawala). Будучи на тот момент независимым исследователем, Чжан вел разработку в коллаборации с лабораторией Агравалы и выложил свой код в опенсорс. Его решение превратилось в индустриальный стандарт, одинаково эффективно работавший как в любительских западных сборках вокруг Automatic1111, так и в закрытых графических пайплайнах азиатских ИТ-гигантов. 

Решение ControlNet, разработанное Чжаном и Агравалой, использует «заблокированные» и «обучаемые» копии блоков нейросети, применяя «нулевые свертки» для интеграции внешних условий, таких как карты глубин или позы. Этот метод позволяет внедрять управляющие параметры без разрушения предварительно обученной модели Stable Diffusion, обеспечивая при этом высокую скорость обучения. 

Никакого особого различия по разные стороны Тихого океана еще не было, ведь базовые принципы у всех совпадали. Расхождение появилось позже, когда общий движок начали внедрять в реальные продукты. А занимались этим команды с разными задачами по оптимизации ресурсов. 

Управление мыслящей машиной Гекс: записки против подпорок

В культовой серии романов Терри Пратчетта в Незримом Университете Анк-Морпорка существовала мыслящая машина Гекс — местный аналог искусственного интеллекта, собранный из мышиных колес, аквариума с пиявками, пчелиных сот и часовых шестеренок. Управлял машиной молодой волшебник Думминг Тупс. При всей хаотичности внутренней архитектуры Гекса, на его корпусе выделялся один элемент — Главный Большой Рычаг, над которым висела предупреждающая записка: «Не трогайте этот рычаг, мы не знаем, что он делает».

Когда волшебникам требовалось получить от Гекса сложное заклинание, они могли пойти двумя путями. Первый — вежливо скармливать машине текстовые записки через специальную щель и надеяться, что устройство правильно интерпретирует метафоры. Второй — наплевать на сакральность черного ящика, подойти к нему с гаечным ключом, начать яростно дергать за Главный Рычаг и обвешивать конструкцию собственными внешними подпорками, маховиками и зубчатыми передачами, грубо заставляя систему выдать строго предсказуемый результат.

Похожий выбор определил четыре ключевые продуктовые развилки, на которых пути западной и китайской инженерных школ окончательно разошлись.

Разный подход к UI

Западная школа пошла по пути Думминга Тупса, пишущего записки. В июле 2022 года основатель Midjourney Дэвид Хольц запустил открытое тестирование модели внутри мессенджера Discord. Пустая строка ввода отсекала всё лишнее, превращая генерацию изображений в интимный диалог человека и алгоритма. Западные инженеры создавали философию Text-to-Image как бросок костей: пользователь вводил абстрактную фразу, а модель сама додумывала композицию. На этом этапе оптимизировался эстетический дофамин одиночного создателя, готового ради одного красивого кадра часами перебирать случайные варианты.

В китайском сегменте Интернета эта концепция сразу столкнулась с жесткими требованиями коммерческого производства. Дизайнерам мобильных игр из Tencent или NetEase не нужен был случайный воин — им требовалось усадить конкретного персонажа азиатского фэнтези в строго определенную боевую позу и одеть его в исторически достоверный доспех династии Тан. Язык для решения такой задачи подходил плохо, так как текстовое описание геометрии кадра требовало слишком длинных и непредсказуемых промптов.

Поэтому китайские инженеры проигнорировали романтику пустой строки и подошли к «Гексу» с гаечным ключом. Пока Запад развивал закрытые веб-интерфейсы, Китай стал главным мировым драйвером открытых платформ вроде клиентского интерфейса Automatic1111 и модульных нодовых систем ComfyUI. К базовой диффузии подключили набор дополнительных инструментов: позу персонажа зафиксировали подпоркой OpenPose, контуры одежды — картой Lineart, а стилистику — кастомными микромоделями LoRA. Роль промпта здесь свелась к минимуму — основную работу делали инструменты внешнего контроля. 

Разный подход к монетизации

В 2023 году, когда OpenAI интегрировала DALL-E 3 в ChatGPT, а компания Adobe представила свое семейство моделей Firefly, на Западе GenAI окончательно оформился как продукт по классической бизнес-модели SaaS (программное обеспечение как услуга).Текстовый запрос здесь является платной транзакцией: пользователь покупает ежемесячную подписку или платит за каждый вызов API. Соответственно, инженеры тратили колоссальные ресурсы на то, чтобы модель угадывала желание клиента с первой попытки, максимизируя коммерческую ценность одной генерации.

Китайские конгломераты вроде Alibaba и Baidu развернули эту логику в противоположную сторону. Они увидели в графическом ИИ не товар, а бесплатную инфраструктуру для удержания клиентов внутри своих экосистем. В апреле 2023 года Alibaba представила модель Tongyi Wanxiang, которую практически сразу интегрировали в бэкенд маркетплейсов Taobao и Tmall.

Для миллионов мелких торговцев генерация баннеров, замена лиц моделей на фотографиях одежды и автоматическое создание карточек товаров стали бесплатной встроенной функцией. Китайские инженеры считали не стоимость отдельной транзакции, а себестоимость всего бизнес-процесса: модель должна была дешево выдавать графику миллионными тиражами, а продавец — вообще не думать о цене токенов. 

Разные целевые аудитории

Западные графические ИИ изначально позиционировались как инструменты для независимых креаторов — концепт-художников, блогеров и дизайнеров. Человек оставался в центре процесса, выступая в роли требовательного арт-директора. Он мог потратить вечер на подбор идеального синонима, чтобы модель правильно уложила складки плаща на картинке.

Китайский рынок изначально проектировал графический ИИ под масштабы промышленных B2B-конвейеров. В условиях жесточайшей конкуренции азиатского e-commerce и производства мобильных игр графика встала на жесткие рельсы фабричного производства. Азиатские студии одними из первых начали массово перестраивать отделы двухмерного арта, переводя сотрудников со свободного рисования на сборку стандартизированных пайплайнов в ComfyUI. Задача инженеров заключалась в создании системы, где результат генерации не зависел от творческого настроения или лингвистических навыков конкретного оператора.

Разный подход к автоматизации

На Западе вокруг пустой строки ввода возник целый каргокульт «инженерии промптов» (Prompt Engineering). Пользователи собирали базы магических заклинаний, заучивали скрытые технические триггеры текстовых энкодеров и выстраивали сложные синтаксические конструкции с весовыми коэффициентами.

Китайские продуктовые команды рассудили, что заставлять коммерческого пользователя работать лингвистом — значит тормозить весь конвейер. Они начали прятать промпт глубоко под капот интерфейса, автоматизируя его сборку. В китайских графических приложениях текстовое окно практически исчезло, сменившись системами чекбоксов. Достаточно выбрать визуальные теги: «Студийный свет», «Ракурс 3/4», «Шелковая текстура», а система сама компилирует сложный технический запрос на бэкенде, подмешивая к нему нужные микромодели. В промпте, требующем вдумчивого текста от человека, здесь уже не было необходимости. 

Эти четыре продуктовых выбора логично привели к тому, что у моделей сформировалась разная техническая анатомия. Знание, зачем китайским инженерам понадобились внешние подпорки, а западным — идеальное понимание текста, выводит на четыре ключевые причины технического расхождения, где на первом месте стоит то, как модели видят наш язык.

Кроме разных подходов, различие в школах еще заложили неравнозначные условия осуществления задачи. И сейчас мы разберем, какие технические барьеры на эти условия повлияли. 

Под капотом «Гекса»: четыре технических барьера, разделивших модели

Если исходить из метафоры о мыслящей машине Незримого Университета, выбор между бумажными записками и железными подпорками — во многом следствие жестких технических ограничений «на железе». Когда продуктовая логика требует от модели тонкого лингвистического понимания или, наоборот, конвейерной точности, под капот приходится закладывать принципиально разные архитектурные решения. Наблюдаемый раскол между западной и китайской школами предопределили четыре фундаментальные инженерные причины. 

Работа текстовых энкодеров для английского и китайского языков

Базовые текстовые энкодеры графических моделей изначально создавались под англоязычную структуру речи. Популярные западные алгоритмы токенизации работают следующим образом: они дробят английские слова на отдельные буквы и частые буквосочетания (слоги). Одно емкое английское слово занимает в среднем один-два токена, а стандартный лимит контекстного окна в первых версиях CLIP составлял всего 77 токенов, чего вполне хватало для описания сцены.

Фонетика иероглифов китайского языка работает совсем по-другому. Поэтому токенизатор, обученный на латинице, начинает нещадно резать иероглифы на бессмысленные байтовые ошметки. По большей части это потому, что даже один китайский иероглиф сам по себе имеет визуальный концепт, несущий значительный семантический объем.

Чтобы китайская модель могла адекватно прочитать запрос, местным инженерам пришлось пересобирать текстовые энкодеры с нуля, обучая их распознавать иероглифическую плотность. Из-за этого китайские нейросети изначально адаптировались под совершенно другую насыщенность ввода. Когда западному пользователю для решения задачи приходится расписать абзац текста, китайской модели хватит плотной строки из нескольких иероглифов-тегов — и она считает заложенный в них визуальный контекст.

Источники для формирования датасетов

Западные разработчики обучали свои системы,включая Midjourney и Adobe Firefly, на массивах открытого веба, фотостоках и Pinterest, вычищая изображения от вотермарок и коммерческого мусора. Они хотели научить ИИ понимать мировую художественную культуру, от классической живописи до современного цифрового арта.

Китайские ИТ-гиганты имели в своем распоряжении принципиально иные закрытые датасеты. Разрабатывая свои флагманские графические движки, вроде семейства моделей Tencent Hunyuan, инженеры скармливали им терабайты данных из внутренних e-commerce-платформ (Taobao, Tmall), азиатских художественных сетей (Pixiv) и архивов мобильного геймдева.

Модели выросли на миллиардах коммерческих изображений с безупречной студийной ретушью, специфической глянцевой текстурой кожи и сложнейшей геометрией одежды. В результате возник глубокий перекос: западные модели долгое время не воспринимали тонкости азиатской культуры и путали элементы традиционных костюмов (ханьфу или ципао), в то время как китайские модели получили феноменальный навык рендеринга коммерческого лоска и сложных ракурсов товара, необходимых для бизнеса.

Подходы к улучшению понимания запросов графическими нейросетями

Чтобы улучшить понимание «записок» пользователя, западная инженерная школа пошла по пути экстенсивного усложнения языковой прослойки. В таких моделях, как DALL-E 3 и FLUX, классический скромный CLIP заменили на гигантские текстовые языковые модели вроде Google T5-XXL с миллиардами параметров. Это превратило западные графические нейросети в глубоких лингвистов. Они потрясающе справляются с текстовым следованием (Prompt Following) и понимают сложные пространственные связи объектов в кадре, например, «зеленый куб лежит слева от красного шара, который находится под деревянным столом». Но за это приходится платить колоссальным объемом видеопамяти, необходимой только для того, чтобы модель восприняла промпт.

Китайская школа решила эту задачу другим образом. Поскольку пространственная геометрия кадра у них изначально задавалась внешними подпорками ControlNet, им не нужно было раздувать текстовый энкодер до размеров полноценной LLM. Они сохранили текстовые блоки относительно легкими, сфокусировав их на распознавании тегов, а не на анализе пространственной предложенной логики. Китайская модель идеально подчиняется структурной карте глубин (Depth Map) или скелету позы, что разгружает вычислительные мощности для самого процесса рисования.

Влияние санкций

Важнейший исторический фактор, разделивший подходы, — это физический доступ к вычислительным мощностям. Западная ИИ-индустрия развивалась в условиях дорогой, но доступной инфраструктуры. Разработчики в США могли позволить себе арендовать облачные кластеры из десятков тысяч новейших чипов Nvidia H100 для обучения монолитных, тяжелых моделей.

Китайские инженеры оказались в ситуации жесткой нехватки высокопроизводительных чипов. Это ограничение заставило азиатскую школу стать мировым лидером в экстремальной оптимизации вычислений. Как отмечается в обзорах эволюции методов дистилляции диффузионных моделей, именно китайские команды внесли колоссальный вклад в развитие технологий консистентных моделей (LCM) и прогрессивной дистилляции.

Они научились «сжимать» знания тяжелых сетей в маленькие, высокоэффективные сборки, способные выдавать коммерческий результат всего за 2–4 шага генерации — деноизинга. Китайский «Гекс» собирался в условиях дефицита ресурсов, что заставило инженеров сделать ставку на легковесность моделей и жесткое квантование весов, чтобы запускать массовую генерацию «как на конвейере» на доступном им железе.

Экономика генераций, или Почему маятник качнулся обратно

Теперь я попытаюсь связать наблюдения в единую модель. Я не претендую на истину в последней инстанции, однако за внешним хаосом интерфейсных привычек и инженерных компромиссов можно отследить строгую экономическую пирамиду. В ней прослеживается четкая иерархия уровней, а на вершине стоит единственный ресурс, ради которого эти системы вообще создавались, — человеческое внимание.

Инфляция вычислений

Фундамент пирамиды — физическое железо и терафлопсы. До недавнего времени западный ИИ-рынок развивался в парадигме безлимитного сжигания венчурных денег ради прироста аудитории, которая требовала текстовой точности и языковой вариативности моделей. Однако к 2025–2026 годам Запад уперся в жесткие инфраструктурные ограничения. Строительство новых гигантских дата-центров резко замедлилось, мир столкнулся с дефицитом чистой электроэнергии, а инвесторы начали настойчиво требовать возврата миллиардных вложений и выхода ИИ-стартапов на IPO.

Если анализировать текущую ситуацию сквозь призму классических экономических теорий, например через волны Кондратьева и смену технологических укладов, можно заметить, что шестой уклад, ядром которого стал ИИ, сейчас проходит болезненную фазу кризиса базовой инфраструктуры.

Прямым следствием этого дефицита стала скрытая экономия на инференсе. В профессиональном сообществе не первый месяц циркулируют обоснованные слухи о том, что новые релизы флагманских западных моделей периодически «тупеют» или теряют художественную вариативность. Провайдеры вынуждены снижать себестоимость обслуживания, скрытно урезая квантование весов, сокращая шаги деноизинга и переходя на более легкие архитектурные смеси экспертов (MoE).

Китайская школа, изначально зажатая в тиски американских санкций на поставку передовых чипов Nvidia, совершила вынужденный, но крайне эффективный рывок к кремниевому суверенитету. Прогресс азиатского рынка наглядно демонстрирует текстовый флагман DeepSeek, архитектурные принципы которого продемонстрировали всему миру, как обучать и запускать тяжелые ИИ-системы за малую долю от стоимости западных затрат.

Сейчас такая экстремальная оптимизация активно масштабируется на графический сегмент. Китайские DiT-модели (включая линейки от Tencent и Alibaba) массово мигрируют на собственные нейроускорители (вроде Huawei Ascend) и проприетарные библиотеки низкоуровневой оптимизации, превращая былую изоляцию в полную независимость от поставок западного кремния.

Сегодня эта пирамида переживает серьезные изменения. Если в 2023–2024 годах школы стремительно расходились в разные стороны, то к 2026 году дефицит ресурсов и смена рыночных циклов заставили маятник качнуться в обратную сторону.

Расширение исходных бизнес-моделей

Здесь маятник истории совершил красивый разворот:

• Западная модель долгое время развивалась как классический изолированный SaaS: есть модель, ее API, а вот подписка за 20 долл. в месяц. Но этот подход стал сбоить при высокой стоимости генераций. Как следствие, Запад начал активно перенимать китайский конвейерный подход. Adobe намертво встроила Firefly в свои рабочие среды, превратив ИИ из самостоятельного продукта в фоновую функцию. Даже Midjourney, долго державшаяся за спартанскую строку Discord, перенесла фокус на собственный веб-интерфейс, где промпт стремительно вытесняется визуальными подпорками — редакторскими кистями, инпейнтингом и жесткими референсами персонажей (Character Reference).

• Китайская модель с самого начала работала иначе: здесь сервисы предлагались бесплатно, чтобы стать тем самым связующим звеном, которое затягивает пользователя в экосистему суперприложения. Насытив внутренний e-commerce автоматическими генераторами, китайские игроки сегодня начали движение в обратную сторону. Они активно выходят на международный рынок с амбициозными тяжелыми моделями, которые предлагают сложный лингвистический промптинг и конкурируют с западными движками на поле чистого, концептуального цифрового искусства.

Эволюция роли пользователя при работе с промптом

Этот уровень ставит вопрос, кто платит за когнитивную нагрузку при составлении запроса?

На Западе промпт долгое время являлся самостоятельным кодом и интеллектуальной собственностью. Пользователь платил своим личным временем и объемом контекстного окна (токенами текстового энкодера) за право управлять процессом.

В Китае промпт изначально был убран с глаз долой. Его ценность свели к нулю ради скорости работы коммерческого конвейера. Оператору не нужно думать над эпитетами, система собирает технический запрос сама под капотом UI.

Но и здесь маятник пришел в движение. Сегодня западные системы автоматического улучшения промптов (когда LLM-прослойка сама раздувает короткий запрос пользователя до огромного технического описания, как это делает DALL-E 3) фактически стирают разницу между ручным «промпт-инжинирингом» и китайскими кнопками-шаблонами.

Прямо сейчас мы наблюдаем ту самую конвергенцию инженерных школ, о которой шла речь в начале статьи. Разделение на «записки» и «подпорки» начинает размываться, так как обе стороны активно заимствуют друг у друга лучшие практики:

• Запад уходит в интерфейсный контроль. Ограниченность пустой текстовой строки стала очевидной для всех. Разработчики Midjourney активно переносят аудиторию в свой веб-интерфейс, внедряя точечную работу с кистями (Inpainting), масштабирование кадра (Outpainting) и жесткую фиксацию персонажей и стилей через параметры —cref и —sref. Фактически западные инженеры строят собственный, более элегантный аналог китайского ControlNet, понимая, что без визуальных рычагов управления профессиональный B2B-конвейер не удержать.

• Китай наращивает Prompt Following. Новейшие графические движки от Alibaba и Tencent стремительно наращивают массу своих текстовых энкодеров. Они учатся полноценно понимать сложный естественный язык и пространственную предложную логику, чтобы успешно конкурировать с FLUX на глобальном рынке за внимание независимых концепт-художников.

А кого, собственно, монетизируем?

На вершине пирамиды находится важный принцип цифровой эпохи: картинка в современном ИТ — это лишь высокоэффективный интерфейс захвата и удержания человеческого времени. Различие школ в том, внимание какого рода специалиста монетизирует система.

Западные инструменты создавались так, чтобы дизайнер, концепт-художник или блогер проводил внутри интерфейса генератора как можно больше времени, увлеченно подбирая промпты и перебирая варианты в погоне за уникальным визуальным стилем.

Китайский подход изначально создавался для монетизации внимания конечного потребителя на платформе. В экосистемах вроде Taobao или WeChat сгенерированный за секунды баннер должен моментально зацепить взгляд покупателя, пролистывающего бесконечную ленту товаров, и заставить его совершить целевое действие. Внимание пользователя маркетплейса или игрока в короткой мобильной сессии здесь важнее любых копеечных затрат на сожженные при быстрой генерации токены. 

С 2023–2024 годов изменения идут одновременно на всех уровнях — от кремния до пользовательского интерфейса. Изначально независимые пирамиды, выросшие в разных экономических и политических условиях, сегодня все активнее унифицируются снизу: инфраструктурные ограничения одинаково больно бьют что по Кремниевой долине, что по Шэньчжэню, бизнес-модели заимствуют друг у друга рабочие приемы, а инженерные школы обмениваются технологиями — ControlNet встречается с интерфейсным контролем Midjourney, Prompt Following сближается с промпт-инжинирингом.

Но чем выше мы поднимаемся к вершине пирамиды, тем яснее становится: конвергенция инструментов — это не конвергенция целей. У китайской и западной моделей по-прежнему разные приоритеты, рыночная ситуация, а также представление о том, чье внимание в итоге монетизируется. Запад продолжает попытки удерживать творческого специалиста внутри интерфейса, выстраивая вокруг него все более изощренные инструменты контроля за процессом генерации. Китай все так же продолжает работать на захват внимания конечного потребителя.

Технологически школы сближаются, но так как задачи, которые они решают, все еще разные, то можно констатировать, что это по-прежнему две различные системы, и это долгосрочная перспектива. Из этого следуют, на нашем практическом уровне, следующие моменты:

Два синтаксиса, две логики

Понимание внутренней экономики и архитектурных компромиссов моделей полностью меняет подход к составлению запросов. Сегодня, когда приходится переходить от западных инструментов к китайским, мне нужно думать по-разному, подстраиваясь под особенности того, как конкретная нейросеть видит наш язык и кодирует пространство кадра.

Два подхода к генерации

Поскольку под капотом FLUX, Midjourney v6, DALL-E 3 работают огромные языковые LLM-энкодеры, они понимают предложения, синтаксис, причинно-следственные связи, предлоги и абстрактные метафоры. Я пишу промпт: 

«Крупный план старого мастера, в глазах которого отражается багровое пламя кузницы».

Попытка скармливать этим моделям сухие списки оборванных тегов через запятую приводит к резкому падению композиционной логики и вариативности. Большая языковая прослойка просто теряется в облаке изолированных слов и выдает хаотичный результат.

Для китайских архитектур (например, Hunyuan-DiT, семейство Wanxiang) текст — это не связный рассказ, а упорядоченный набор дескрипторов (меток). Модель видит промпт как базу данных. Поэтому здесь как раз идеально работает сухой, рубленый синтаксис: old blacksmith, close-up, forge fire reflection in eyes.

Китайская модель при этом берет на себя основную часть работы по рендерингу деталей и коммерческой эстетики. Качество кожи, текстуру металла прописывать не нужно — модель уже «знает» это благодаря обучению на e-commerce-датасетах. 

Пара профессиональных инсайтов для художника

Чтобы эффективно лавировать между этими системами, достаточно внедрить два важных правила в свою повседневную практику:

Очистите западный промпт от технического мусора. Перестаньте использовать в моделях уровня FLUX или Midjourney v6 старые заклинания эпохи Stable Diffusion 1.5 вроде 8k, photorealistic, masterpiece, award winning. Современные тяжелые энкодеры воспринимают эти слова как лишний семантический шум, который размывает контекстное окно. Описывайте физику сцены, направление света и материалы естественным языком — модель сама знает, как выдать максимальное техническое разрешение.

Примеры, как это работает в промпте:

Для пейзажей:

Не писать cinematic, unreal engine, octane render, hyper realistic, ultra HD. Гораздо полезнее объяснить, что сцену освещает низкое вечернее солнце, влажный асфальт отражает вывески, а стекло автомобиля покрыто мелкими каплями дождя.

Для портретов:

Вместо perfect face, masterpiece, highly detailed skin, sharp focus опишите возраст человека, выражение лица, фактуру кожи, направление взгляда и характер освещения.

Для предметной съемки:

Не просите studio quality, 16k, best quality. Лучше уточните, что объект лежит на матовом черном камне, освещен одним большим софтбоксом слева, а металл имеет сатинированную обработку с мягкими бликами.

Для архитектуры:

Вместо epic, insanely detailed, ultra realistic расскажите, из каких материалов построено здание, какая сейчас погода, как ведет себя свет на бетоне, стекле и металле, что находится вокруг.

Используйте иероглифические триггеры в китайских моделях. При работе с китайскими движками (особенно если они доступны через оригинальные интерфейсы вроде платформ от Baidu или Tencent) попробуйте переводить ключевые визуальные маркеры на китайский язык. Из-за особенностей иероглифической токенизации один китайский ченъюй (идиома из четырех иероглифов) способен мгновенно активировать в модели сложнейший визуальный пласт — например, определенный традиционный стиль живописи тушью или специфическую архитектуру эпохи Сун. На английском языке этот контекст пришлось бы расписывать тремя абзацами текста, полностью забивая лимит токенов контекстного окна.

Жизнь в интересные времена

Сегодня мы наблюдаем за тем, как на наших глазах сформировались две зрелые, глубокие инженерные традиции. Ни одна из них не является ущербной или избыточной — они просто создавались для решения принципиально разных задач в условиях разной стоимости базовых ресурсов.

Западная инженерная школа подарила миру концепцию ИИ как глубокого лингвистического агента. Она приучила нас к мысли, что промпт может быть аналогом программного кода, а пустая текстовая строка — полноценным интерфейсом для управления сложнейшими визуальными абстракциями. Китайская школа, в свою очередь, доказала, что нейросети могут быть эффективной, дешевой промышленной инфраструктурой для реального бизнеса. Она научила индустрию экстремальной вычислительной оптимизации в условиях дефицита чипов и показала, как укрощать хаос диффузии с помощью жестких приборных панелей визуального контроля.

В ближайшие годы нас ждет окончательная конвергенция этих подходов. Графический ИИ будущего — это монолитный языковой мозг, обвешанный кастомными редакторскими кистями и системами сквозного структурного контроля, способный эффективно работать на локальных оптимизированных ускорителях. 

А какой следующий шаг в этой эволюции видите вы? Куда качнется маятник на новом витке развития — к полному растворению промптинга в автоматических агентских системах или к рождению принципиально новых гибридных языков управления графикой? Поделитесь своим опытом и наблюдениями в комментариях.

Источник: habr.com