Wie man aus Claude einen D&D-Dungeon-Meister macht: Ihm das Zeichnen beibringen

Dieselben drei Figuren, dieselbe Vorgabe, dasselbe Referenzbild. Links: keine expliziten Vorgaben zu Geschlecht oder Alter, und die Gruppe wird als zwei Frauen und ein Kind dargestellt. Rechts: mit den hinzugefügten Zeilen „ MALE “ und „ not a child “. In diesem gesamten Beitrag geht es um genau diese Diskrepanz.

Als ich zum ersten Mal eine Szene mit Corrin generierte, erhielt ich einen niedlich aussehenden kleinen Jungen in Abenteuerkleidung.

Ich habe es erneut versucht. Mein Kind. Wieder. Mein Kind. Jedes einzelne Mal.

Corrin ist ein Halbling – klein, etwa drei Fuß groß, aber ein vom Leben gezeichneter Erwachsener, der schon einiges erlebt hat. Das Modell kannte genau eine Sache, die drei Fuß groß ist und ein menschliches Gesicht hat: ein Kind. Und genau das zeichnete es daher immer wieder.

In Teil 1 habe ich aus Claude einen Dungeon Master entwickelt. Dieser leitete das Spiel, überwachte die Einhaltung der Regeln und hielt jede Spielsitzung als Geschichte fest. Dann wollte ich Bilder. Für die Generierung selbst habe ich eine vorgefertigte Funktion wiederverwendet (ein Open-Source- ai-image-creator, das Eingabeaufforderungen an Modelle wie Gemini und FLUX weiterleitet). Der einfache Teil bestand darin, das Modell anzubinden. Der schwierige Teil war, zu lernen, wie man Prompts verfasst, die tatsächlich das erzeugten, was ich beabsichtigte. Ich verfügte bereits über Charakterporträts. Ich ging davon aus, dass ich dem Bildmodell ein Porträt übergeben, die Szene beschreiben und im Gegenzug ein Bild dieses Charakters in dieser Szene erhalten würde.

So funktionieren Bildmodelle nicht. Das habe ich auf die Art und Weise gelernt, wie ich die meisten Dinge lerne: indem ich es ausprobiert, dabei Fehler gemacht und mir angesehen habe, was andere bereits herausgefunden hatten.

Die erste Überraschung: Die Halblinge waren Kinder

Die Lösung für Corrin bestand darin, mehr zu sagen:

clearly middle-aged, weathered face, deep-set knowing eyes,
a man in their forties at least, not young, not a boy or child.

All das wäre nicht nötig, wenn die Referenz und die Beschreibung „einfach funktionieren“ würden. Doch das Modell stimmt nicht mit Ihrer Referenz überein. Es greift auf das nächstliegende Konzept zurück, und Sie müssen es gewissermaßen gewaltsam von diesem Konzept wegdrücken.

Die zweite Überraschung: Meine männlichen Figuren tauchten immer wieder als Frauen auf

Einer der Spielercharaktere ist Lylnyler, ein männlicher Halbelf. Ich hatte ein Porträt von ihm. Ich habe dieses Porträt als Vorlage eingefügt, um eine Szene gebeten und als Ergebnis ein durchaus ansprechendes Bild einer Elfin erhalten.

Ich habe es erneut versucht. Eine Elfe. Beim dritten Versuch erhielt ich einen Mann; nachdem ich den Charakter neu generiert hatte, um die Beleuchtung anzupassen, war er wieder eine Frau.

Das war zunächst verwirrend. Ich hatte ein Bild als Vorlage bereitgestellt. Ein eindeutiges Bild eines Mannes. Wie kann man sich ein Referenzfoto eines Mannes ansehen und eine Frau zeichnen?

Aber genau das ist der Punkt: Das Referenzbild ist keine Anweisung. Es ist ein Vorschlag, der gegen alles abgewogen wird, was das Modell bereits glaubt. Und das Modell hat offensichtlich schon sehr viele Elfen gesehen, darunter viele weibliche. Seine Voreinstellung für „Elf“ tendiert zur weiblichen Form, und diese Voreinstellung hat das von mir bereitgestellte Foto stillschweigend übertrumpft, insbesondere bei der Regeneration.

Die Korrektur besteht nun aus einer einzigen Zeile in meiner Bildanleitung, und ich finde es ein wenig amüsant, dass es ausgerechnet dazu kommen musste:

MALE [race] — masculine features, MALE face, NOT female.

„NICHT weiblich“ in den Computer einzugeben, erscheint lächerlich. Doch es funktioniert, denn es ist kein sanfter Hinweis mehr, sondern wird zu einer expliziten Vorgabe, die sich gegen das Vorherige behaupten kann. Das Bild ist ein Vorschlag. Die Worte sind das Argument.

Das Muster ist bei beiden gleich: Bildmodelle verfügen über starke A-priori-Annahmen, und diese A-priori-Annahmen werden Ihre explizite Absicht stillschweigend außer Kraft setzen, sofern Sie sich nicht entschieden und gezielt dagegen wehren. Dies ist dieselbe Erkenntnis wie auf der Textseite aus Teil 1, nur in einem anderen Medium. Das Modell füllt die Lücke mit dem, was es bereits annimmt, und Ihre Aufgabe ist es, ihm keine Lücke zu lassen, die es füllen könnte.

Referenzbilder verhalten sich nicht so, wie man es erwarten würde

Als ich aufhörte, davon auszugehen, dass das Porträt die Arbeit für mich erledigen würde, begann ich zu verstehen, wie sich Referenzen tatsächlich verhalten. Fast nichts davon war intuitiv.

Die eine Änderung, die am meisten geholfen hat, war folgende: Jedes Referenzbild erhält eine schriftliche Beschreibung, die es begleitet. Für jede Figur, jeden Schauplatz und jedes Requisit bewahre ich neben dem Bild eine kurze Textdatei auf, in der beschrieben wird, um was es sich handelt. „Ein männlicher Halbelf mit dunklem, zerzaustem Haar, spitzen Ohren und einer dunklen, mit Nieten besetzten Lederrüstung, die über der Brust mit Platten und Schnallen versehen ist.“ Immer wenn ich eine neue Szene mit dieser Figur erstelle, füge ich diese Beschreibung Wort für Wort zusammen mit dem Referenzbild in die Eingabezeile ein.

Das klingt überflüssig. Sie geben dem Modell das Bild und eine Beschreibung des Bildes. Aber es ist der Unterschied zwischen „Hier ist ein Foto, viel Glück“ und „Hier ist ein Foto, und hier ist genau das, was Sie daraus entnehmen sollen“. Das Bild zeigt dem Modell ein Gesicht; die Worte sagen ihm, welche Teile entscheidend sind. Würde man das Modell sich selbst überlassen, könnte es entscheiden, dass das Wichtigste an der Vorlage die Beleuchtung, die Pose oder der Hintergrund ist, und die spitzen Ohren stillschweigend weglassen. Die begleitende Beschreibung legt fest, was tatsächlich übernommen werden muss. Die Vorlage sagt, wer es ist; die Beschreibung sagt, worauf es ankommt.

Das hätte ich alles nicht vermutet. Das habe ich herausgefunden, indem ich ein fehlerhaftes Bild erzeugt, es mir genau angesehen und herausgefunden habe, was das Modell tatsächlich „gehört“ hatte.

Ein Beispiel: ein Bild, fünf Versuche

Ich möchte Ihnen den gesamten Entstehungsprozess anhand eines einzigen Bildes veranschaulichen, da es sich bei diesem Bild um das Titelbild von Teil 1 handelt und es mir während des gesamten Entstehungsprozesses große Schwierigkeiten bereitet hat. Die Szene: Die Gruppe steht in der Höhle des Verbrecherbosses Xanathar. Xanathar ist ein schwebender Ball aus Augen von der Größe eines Zugpferdes. Auf seinem Schreibtisch hält er einen Goldfisch als Haustier. Der Charakter meines Sohnes, der Hexenmeister Lylnyler, ignoriert das Monster völlig und starrt auf den Fisch.

Das lässt sich ganz einfach beschreiben. Hier erfahren Sie, was nötig war, um es tatsächlich zu erreichen.

Versuchen Sie es mit eins und zwei: Er wandte den Blick ab. Ich bat darum, dass Lylnyler den Fisch anstarrt. Ich erhielt jedoch ein Bild, auf dem Lylnyler in die Ferne blickt. Ich fügte hinzu: „Schauen Sie auf die Schüssel hinunter“, und er schaute zwar nach unten, aber immer noch nicht auf etwas Bestimmtes. Das Modell drehte sein Gesicht immer wieder zur Kamera, da es standardmäßig ein sichtbares Gesicht anzeigt. Die Anweisung lautete: „Schauen Sie den Fisch an.“ Die vorherige Anweisung lautete: „Zeigen Sie mir Ihre gute Seite.“

Versuch 2: Ich habe ihn gebeten, den Fisch anzusehen; er schaut daran vorbei. Das Model zieht einen kameratauglichen Gesichtsausdruck der von mir gewünschten Blickrichtung vor.

Dritter Versuch: Die Möbel wurden doppelt angezeigt. Also änderte ich meine Vorgehensweise. Anstatt seinen Blick zu beschreiben, beschrieb ich die Kamera: zur Seite schwenken, ihn im Profil zeigen, das Fischglas vor ihn stellen. Das Modell bewegte die Kamera nicht. Stattdessen fügte es einen zweiten Schreibtisch mit einem zweiten Fischglas direkt vor ihm hinzu, sodass er etwas zum Anschauen hatte, ohne dass jemand die Szene neu anordnen musste. Damit wurde mein Anliegen auf die faulste, aber geometrisch korrekte Weise gelöst, die es finden konnte.

Versuch 3: Ich habe das Modell gebeten, die Kamera zu bewegen. Stattdessen hat es den Schreibtisch und die Schale geklont. Das Modell wählt den Weg des geringsten Widerstands.

Versuch Nummer vier: richtige Pose, falsche Inszenierung. Ich hatte ihn im Profil dargestellt, wie er auf eine Schale blickt. Doch ich hatte die Szene die ganze Zeit über falsch beschrieben. In der eigentlichen Szene steht er auf der anderen Seite des Raums und blickt auf den entfernten Schreibtisch, auf dem sich sowohl der Fisch als auch das Monster befinden. Ich hatte ihn am Schreibtisch sitzen lassen, mit der Schale direkt vor der Nase. Das war meine Schuld, nicht die des Modells, aber es ist erwähnenswert: Die Hälfte dieser Fehler entstand dadurch, dass ich nicht genau angegeben hatte, was ich eigentlich meinte.

Versuch 4: Richtiger Blick, falsche Positionierung. Diesmal lag der Fehler bei mir, nicht beim Model.

Versuch Nummer fünf: Die Inszenierung funktioniert, aber die Rüstung ist verkehrt herum angelegt. Endlich stimmte die Komposition. Lylnyler stand in der Kammer, der Schreibtisch, der Goldfisch und das schwebende Monster waren in der Ferne gruppiert, während seine Aufmerksamkeit dem Fisch galt. Da wir ihn nun jedoch von hinten sahen, wurde deutlich, dass das Modell seine mit Nieten besetzte Lederrüstung so dargestellt hatte, als trüge er sie von vorne. Die Brustriemen befanden sich auf seinem Rücken.

Versuch Nr. 5: Die Komposition stimmt nun endlich, doch von hinten betrachtet liegen die Brustriemen seiner Rüstung auf seinem Rücken. So knapp daneben.

Zu diesem Zeitpunkt wollte ich nicht mehr neu generieren. Nach fünf Versuchen hatte ich endlich die gewünschte Zusammensetzung erreicht und wollte es nicht noch einmal dem Zufall überlassen.

Die Lösung: Bearbeiten Sie die Datei, statt sie neu zu generieren. Das ist die Technik, von der ich mir wünschte, ich hätte sie schon beim ersten Versuch gekannt. Anstatt ein neues Bild anzufordern, habe ich dem Modell das Bild, das ich bereits hatte, sowie eine Referenzansicht der Rüstung der Figur von hinten eingegeben und es angewiesen, nur die Rüstung zu ändern und alles andere unverändert zu lassen. Das hat es auch getan. Gleiche Kammer, gleiche Pose, gleiche Bildkomposition, korrekte Rüstung.

Der Wächter. Zusammensetzung aus Versuch fünf, Rüstung durch einen gezielten Bearbeitungsdurchgang anstelle einer Regeneration repariert.

Dieser letzte Schritt lässt sich am besten auf die praktische Arbeit übertragen. Wenn Ihr Ergebnis zu 90 % korrekt ist, ist eine gezielte Bearbeitung („Nur dies ändern, alles andere beibehalten“) fast immer sicherer, als das Ganze neu zu generieren und zu hoffen, dass die 90 % erhalten bleiben.

Was ich daraus über meinen Hauptberuf gelernt habe

Ich bin Cloud-Berater. Ich erstelle keine Fantasy-Kunstwerke für Kunden. Doch die Gewohnheiten, die sich dadurch bei mir eingeschlichen haben, sind dieselben, die ich anwende, wenn ich etwas anhand eines Modells entwickle.

Das Referenzbild, das gegenüber dem vorherigen unterliegt, entspricht dem Beispiel in einer Eingabeaufforderung, die gegenüber dem Training des Modells unterliegt. Zeigen ist nicht dasselbe wie Sagen. Wenn es von Bedeutung ist, formulieren Sie es ausdrücklich als Vorgabe und nicht als Hinweis.

Die Anweisungen „NICHT weiblich“ und „kein Junge und kein Kind“ sind zwar hässlich, aber sie funktionieren. Gute Modellanweisungen sehen oft so aus: unverblümt, repetitiv, leicht paranoid – geschrieben aus den Erfahrungen all dessen, was das Modell zuvor falsch gemacht hat. Ich schäme mich nicht mehr für Anweisungen, die wie eine Liste von „Verboten“ klingen.

Und der Überarbeitungsdurchgang ist besser als die Neugenerierung. Wenn ein Modell Ihnen etwas liefert, das größtenteils richtig ist, ändern Sie nur diese eine Sache – generieren Sie nicht das Ganze neu. Das gilt für eine Konfigurationsdatei oder einen Teil generierten Codes genauso wie für einen Goldfisch.

In Teil 3: Ich habe dem Ganzen eine Stimme verliehen, und das Modell teilte mir mit, dass ein Fehler ein physikalisches Gesetz sei.

In Teil 3: Das gleiche System lernt, Geschichten zu erzählen. Ich habe ihm eine Stimme gegeben, und sobald etwas schiefging, gab es sofort den anderen Tools die Schuld.

Abspann. Zur Bildgenerierung wird die Open-Source-Software ai-image-creator skill von centminmod (MIT), das sich um die Modellführung, Referenzbilder und Seitenverhältnisse kümmert. Der „ scene-image-generator “-Agent, der das Ganze steuert, sowie alle Prompt-Regeln in der Seitenleiste oben stammen von mir und wurden nach und nach – Bild für Bild – im Zuge fehlgeschlagener Versuche erstellt.

Alle Bilder in diesem Beitrag, einschließlich des Header-Bildes und aller Abbildungen, stammen von mir und wurden mit der oben beschriebenen Vorgehensweise erstellt.