Escribiste un prompt. La imagen salió mal. No catastróficamente mal, solo… rara. La composición era plana. Los detalles no coincidían con lo que describiste. El estilo no funcionó. Intentaste de nuevo con más palabras, más adjetivos, más desesperación. El resultado fue peor.
Esto sucede porque los modelos de generación de imágenes no leen los prompts como crees que lo hacen. No analizan oraciones. Ponderan los tokens por su saliencia, agrupan conceptos espacialmente en su espacio latente y responden a la presión estilística de maneras que son parcialmente predecibles y parcialmente dependientes de los datos de entrenamiento del modelo. Saber esto lo cambia todo sobre cómo escribes.
He pasado los últimos dos años construyendo flujos de trabajo visuales para AlgoVesta, paneles de trading que necesitan renderizar correctamente, de forma consistente y rápida. Eso significa que he probado Midjourney, DALL-E 3 y Flux en cientos de iteraciones. He visto prompts fallar de maneras específicas. He aprendido qué realmente marca la diferencia y qué desperdicia tokens.
