AI gymnastka ve stojce: jak testovat modely a kontrolovat anatomii

Co skutečně ukázala diskuse

„Udělej gymnastku ve stojce“ zní jednoduše, ale model musí současně zvládnout předkrácenou pózu, zatížení dlaní, překryv končetin a fyzikálně možné úhly kloubů. V diskusi se výsledky mezi ChatGPT, Gemini a Grokem výrazně lišily. Někteří uživatelé získali použitelný obrázk na první pokus, jiní museli pózu opravovat mnohem déle.

Jeden z autorů testů upozornil, že placená pracovní varianta ChatGPT selhala, zatímco běžná verze stejný požadavek zvládla. Tento rozdíl ale nelze automaticky připsat tarifu. Výsledek ovlivňuje také konkrétní model, délka uvažování, způsob zadání a náhodný počet pokusů.

Placená služba může nabídnout jiný model, vyšší rozlišení, delší kontext nebo jinou kvótu. Ani jedna z těchto možností sama nezaručuje anatomicky lepší výsledek.

Z diskuse ale vznikla užitečná pravidla:

• Nejprve nechte formulátor navrhnout strukturu promptu. Potom ji upravte podle skutečné pózy.
• Uveďte polohu těla, zatížené dlaně, předkrácení, překryv končetin, záběr a perspektivu.
• Výsledek zkontrolujte nezávisle na kvalitě fotografického zpracování.
• Pokud model opakovaně vytváří anatomickou chybu, přestaňte ho přesvědčovat. Přejděte k přesnějšímu podkladu.

Veřejná sdílená konverzace Gemini k tématu ukazuje další způsob práce: místo obecného „stojka“ popište záběr jako pohled kameramana z tribuny, přiblížení perspektivy a konkrétní parametry fotoaparátu. Takový popis pomáže s kompozicí, ale nevyřeší samotnou anatomii.

Test, který odliší model od tarifu

Pro férové srovnání změňte jednu proměnnou vždy jen jednou.

Nejprve spusťte stejný prompt v různých modelech při výchozím nastavení. Potom jej zopakujte s přesně definovaným zadáním. Nakonec porovnejte standardní a placenou variantu stejného modelu.

U každého pokusu zaznamenejte:

1. Přesný model a jeho verzi.
2. Plán či tarif.
3. Seed, pokud ho služba zobrazuje.
4. Použitý prompt.
5. Počet generací.
6. Výsledný obrázek a provedenou opravu.

Bez těchto údajů jde o anekdotické srovnání. Jeden neúspěšný obrázek nedokazuje, že daný model neumí pózu vytvořit.

Anatomii kontrolujte podle konkrétních kritérií. U stojky ověřte:

• počet a délku prstů,
• poměr dlaně k předloktí,
• přítomnost obou zápěstí,
• kontakt dlaní s podlahou,
• délku a úhly nohou,
• symetrii pánve,
• správnou orientaci hlavy,
• plynulost přechodů kloubů.

Fotorealistická kůže ani kvalitní osvětlení tyto chyby nevyrovnají.

Prompt, který popisuje pózu, nejen sport

Nejde o to, zda model „umí stojku“. Přesněji: text-to-image model neudržel požadovanou kostru, úhly kloubů a kontakty končetin.

Slovo „stojka“ neurčuje výšku záběru, směr chodidel, natočení zápěstí ani polohu ramen. Rozdělte proto prompt na geometrii, vizuální styl, kompozici a podmínky, kterým výsledek nesmí odporovat.

Create a photorealistic sports photograph of [popis scény].
The gymnast holds [přesná poloha těla a končetin], with both palms flat on [podložka], the shoulders directly above the wrists, and [konkrétní úhly a předkrácení].
Use [cílový styl] with [počet sportovců, oblečení, prostředí a osvětlení].
Frame the scene as [záběr a perspektiva], keeping the complete body visible and anatomically coherent.
Use realistic human proportions, natural joint limits, and clearly separated fingers.
Avoid [nežádoucí artefakty], including extra limbs, fused hands, missing fingers, reversed joints, distorted feet, duplicated body parts, and implausible contact with the floor.

Do promptu zahrňte délku těla a jednotlivých končetin, jejich vzájemný poměr, směr prstů, místo dotyku se zemí a to, co musí zůstat vidět.

Označení jako „hyperrealistic“ nebo „8K“ obvykle neřeší strukturu těla. Pomohou až konkrétní úhly, proporce a kontakty.

Jak to funguje pod kapotou a kde má postup limity

Difuzní model se učí statistický vzhled lidí z obrazových dat. Nevytváří spolehlivou anatomickou kostru ani fyzikální simulaci kloubů. Silně předkrácená póza je proto obtížná: model často doplní statisticky pravděpodobné, ale lidsky neuskutečnitelné detaily.

Slabým místem je i oprava. Pokud AI přegeneruje celou dlaň nebo paži bez masky, může změnit původně správné proporce a vytvořit jinou chybu. Drobné překryvy a předkrácení přitom často přehlédne i lidský divák.

Referenční obrázky samy o sobě neurčují geometrii. Pokud kostru nepřenesete technikou typu OpenPose, DWPose ControlNet nebo explicitní pose reference, model použije jen povrch a oblečení jako inspiraci.

Plný tarif ani větší rozlišení neznamenají lepší znalost fyzikální realizace pózy. Rozdíl mezi placenou a bezplatnou službou může být významný, ale jeho příčinu musíte ověřit podle konkrétní verze modelu a režimu.

Kdy přepnout na přesnější postup

Pro běžný ilustrativní obrázek stačí generátor obrázků s detailním promptem a ruční kontrolou. Pro komerční nebo výukový výsledek je bezpečnější připravit pózu pomocí kostry z fotografie či 3D figuríny.

Zvolte postup podle potřeby:

• Text-to-image: Vytvořte rychlý koncept, přibližnou pózu a jednoduchou kompozici.
• Inpainting s malou maskou: Opravte jednu dlaň, prsty nebo nohu bez zásahu do celé postavy.
• Pose ControlNet: Přeneste přesně kostru z fotografie nebo 3D modelu.
• 3D figurína v Blenderu: Zkontrolujte úhly kloubů, proporce a místa dotyku před generováním.
• Kompozice z renderu, kresby nebo fotografie: Použijte výsledek, v němž je anatomicky správná póza pevně daná.

Pro publikaci často funguje hybridní postup. AI vytvoří prostředí, texturu nebo návrh, ale konečnou postavu převezmete z kresby, renderu nebo upravené fotografie.

Co si z toho vzít

• Testujte na jedné náročné póze a měňte vždy jen jednu proměnnou.
• Odlišujte model, tarif, prompt a náhodný počet pokusů.
• Pózu popište pomocí úhlů, kontaktů, proporcí a záběru.
• Anatomii kontrolujte odděleně od realismu, osvětlení a kvality obrazu.
• Drobnou chybu opravujte malou maskou. Celou pózu raději řešte referencí nebo 3D kostrou.
• Pokud se chyba vrací po opakovaných pokusech, přestaňte generovat naslepo a přejděte k přesnějšímu nástroji.