تصویر مرجعی که واقعاً کار میکند
یک فریم مرجع دقیقاً چه کاری با برداشت میکند، چرا بعد از پیوستکردنش دکمههای نسبت تصویر بیاثر میشوند، و کجا دو مرجع بهتر از یکی است.
تصویر مرجع ارزانترین ابزار کنترلی است که روی یک برداشت دارید. و در عین حال همان چیزی است که بیشتر از همه اشتباه استفاده میشود — بهعنوان تزئین پیوست میشود، نه بهعنوان دستور. این چیزی است که واقعاً انجام میدهد.
فریم شروع، فریم اول است؛ مودبورد نیست
روی همهٔ مدلهای ویدیویی که سوار کردهایم، یک مرجع از مسیر image-to-video و
با نام image_url فرستاده میشود و مدل آن را فریم شمارهٔ یک در نظر میگیرد.
نه «چیزی شبیه این». دقیقاً اولین فریم کلیپ.
دو نتیجه مستقیم از همین یک جمله بیرون میآید:
ترکیببندی پیش از اجرای مدل تعیین شده است. اگر سوژه در تصویر مرجع کوچک و وسط قاب باشد، در کل برداشت هم کوچک و وسط قاب میماند. مرجع را همانطور برش بزنید که میخواهید نما بسته شود.
دکمههای نسبت تصویر فقط نمایشگر میشوند. Kling و Wan روی مسیر image-to-video اصلاً فیلد
aspect_ratioندارند — نسبت را از خود تصویر میخوانند. برای همین استودیو تصویر شما را به نزدیکترین نسبت از شش نسبت خودش میچسباند، نشان میدهد کدام برنده شده، و هیچ نسبتی نمیفرستد. جنگیدن با آن دکمهها در این حالت بیفایده است، چون اصلاً فیلدی برای سفر کردنشان وجود ندارد.
دو مرجع یعنی یک مسیر دیگر، نه یک درخواست بزرگتر
این همان بخشی است که معمولاً غافلگیر میکند. روی Seedance 2.5، یک تصویر یعنی
فریم اول. دو تا تا شش تا یعنی سوژه، روی مسیر reference-to-video، و در
پرامپت با شماره به آنها اشاره میشود:
@Image1 walks past @Image2 and stops at the windowاین نسخهٔ عریضتر همان درخواست نیست — یک مسیر دیگر با بدنهٔ دیگر است، و فرستادن
image_urls به image-to-video خطای ۴۲۲ میگیرد. هیچکدام از اینها روی میز کار
تصمیم سلیقهای نیست: تعداد مرجعها تعیینش میکند.
خلاصهٔ کاربردی: اگر میخواهید یک شخصیت داخل یک صحنه قرار بگیرد، یک مرجع. اگر دو چیز دارید که هر دو باید شبیه خودشان بمانند، دو مرجع بگذارید و در پرامپت صدایشان کنید.
فریم پایانی فقط کنار فریم شروع مجاز است
روی هر چهار مسیری که فریم پایانی میپذیرند، image_url اجباری است. پس فریم
پایانی بدون فریم شروع رد میشود — هم در استودیو و هم در تابع سمت سرور پشت آن،
چون یک Server Function مستقیماً هم قابل فراخوانی است. Grok Imagine Video اصلاً
ورودی فریم پایانی ندارد و استودیو همین را میگوید، بهجای اینکه بگیرد و بیصدا
دور بیندازد.
واقعاً چه چیزی آپلود کنیم
قبل از هر چیز، اندازه را کم کنید. مرورگر خودش تصویر را به یک JPEG با عرض ۱۲۸۰
پیکسل و حدود ۲۰۰ کیلوبایت تبدیل میکند و سقف سخت ۷۰۰ کیلوبایت روی تصویر
رمزگشاییشده وجود دارد، چون مرجع بهصورت data: داخل بدنهٔ درخواست سفر میکند،
نه بهصورت آدرس. شش مرجع در همان سقف، خودش ۵٫۷ مگابایت base64 است.
بعد از آن: کنتراست بالا بین سوژه و پسزمینه، بدون تاری حرکت، و سوژه در همان اندازهای که میخواهید. مرجع یک دستور است. واضح بنویسیدش.