Obrazy jedzenia generowane przez AI rozprzestrzeniają się w menu restauracji i kampaniach brandowych — i wciąż wyglądają źle w tych samych, konkretnych aspektach: od robakowatych makaronów po lody przypominające szpachlę.\n\n## Najważniejsze wnioski\n\n- Generatory obrazów AI konsekwentnie zawodzą w przypadku jedzenia, ponieważ dane treningowe są zdominowane przez stylizowane zdjęcia stockowe, a nie rzeczywiste podania potraw — przez co wyniki skręcają w stronę niemożliwych tekstur i proporcji.\n- Najczęstsze błędy to nieprawidłowe właściwości materiałów (np. krewetki renderowane z teksturą ciasta do pączków) oraz naruszenia fizyki strukturalnej (makaron, który się zlewa, ser zachowujący się jak mokry beton).\n- Klienci odrzucają obrazy jedzenia z AI częściej niż tradycyjną fotografię, według doniesień The Verge — co sprawia, że oszczędności kosztów są dla wielu marek złudne.\n- Twórcy mogą ograniczyć te artefakty, zakotwiczając prompty w konkretnych technikach kulinarnych, prawdziwych nazwach potraw i ustawieniach oświetlenia z rzeczywistej fotografii kulinarnej, zamiast używać ogólnych opisów.\n- Negatywne promptowanie wykluczające tekstury „błyszczące", „topiące się" i „surrealistyczne" mierzalnie redukuje najczęstsze wzorce błędów w obecnych modelach.\n\n## Konkretne wizualne błędy — i dlaczego wciąż się powtarzają\n\nDogłębna analiza obrazów jedzenia z AI autorstwa The Verge kataloguje konsekwentny horror: krewetki z teksturą pączka, kanapki Reuben wyglądające jak w trakcie rozkładu, makaron zlewający się w jedną robakowatą masę i wypieki o napięciu powierzchniowym mokrej gliny. To nie są przypadkowe błędy. Wynikają ze sposobu, w jaki modele dyfuzyjne — klasa AI generująca obrazy poprzez iteracyjne odszumianie pola pikseli — uczą się, jak wygląda jedzenie.\n\nModele dyfuzyjne trenują na ogromnych zbiorach obrazów zebranych z sieci. Fotografia kulinarna w internecie jest mocno przesunięta w stronę wyidealizowanych zdjęć stockowych: hipernasyconych, mocno retuszowanych i często kompozytowanych. Model uczy się statystycznej średniej tych obrazów, a nie fizyki tego, jak makaron utrzymuje swój kształt lub jak lody topią się pod studyjnym oświetleniem. Efektem są wyniki, które trafiają w wiarygodną paletę kolorów, ale zawodzą na poziomie logiki materiałowej — model nie wie, że krewetki powinny mieć określoną przezroczystość ani że warstwy croissanta powinny rozdzielać się w określony sposób.\n\nProblem wzajemnego przenikania kategorii pogłębia ten efekt. Ponieważ obrazy jedzenia w zbiorach treningowych są często luźno tagowane, wewnętrzna reprezentacja modelu dla pojęć takich jak „kremowy" czy „włóknisty" może przenikać między kategoriami. Dlatego właśnie kurczak wygląda jak mokry papier, a lody mają właściwości powierzchniowe pianki budowlanej.\n\n## Co promptowanie może naprawdę naprawić\n\nDobra wiadomość dla twórców jest taka, że większość tych błędów można wyeliminować na poziomie promptu, bez czekania na ulepszenia modelu.\n\nNajskuteczniejszą pojedynczą zmianą jest precyzja odniesienia. Zamiast promptować „miska ramenu", należy określić regionalny styl („hakata tonkotsu ramen"), przezroczystość bulionu („mętny bulion z kości wieprzowych") i grubość makaronu („cienki prosty makaron, twarda tekstura"). Modele działają lepiej, gdy prompt zakotwicza się w prawdziwej tradycji kulinarnej faktycznie obecnej w danych treningowych, a nie w ogólnej kategorii uśrednianej na podstawie niekompatybilnych przykładów.\n\nDeskryptory oświetlenia zapożyczone z prawdziwej fotografii kulinarnej — „rozproszone górne softboksy, lekki cień po lewej stronie" — przewyższają skutecznością niejasne określenia takie jak „profesjonalne" czy „apetyczne", dla których model nie ma spójnego wizualnego odniesienia.\n\nNegatywne prompty mają tu większe znaczenie niż w większości innych kategorii obrazów. Jawne wykluczenie deskryptorów tekstury takich jak „surrealistyczny", „błyszczący", „topiący się", „przesycony" i „plastikowy" redukuje najczęstsze typy artefaktów. Jeśli generator obsługuje promptowanie ważone, obniżenie wagi koncepcji „idealnego" jedzenia (którą model kojarzy z nadmiernie retuszowanymi zdjęciami stockowymi będącymi źródłem problemu) może przesunąć wyniki w stronę bardziej naturalistycznych rezultatów.\n\nPomocne są też odniesienia stylistyczne. Promptowanie w kierunku estetyki fotografii dokumentalnej konkretnej kuchni — japońska fotografia kulinarna z magazynów ma wyraźny, dobrze reprezentowany styl w większości zbiorów treningowych — daje modelowi węższy rozkład, z którego może próbkować.\n\nDla twórców budujących postacie lub sceny związane z jedzeniem w generatorze obrazów Charmloop te same zasady mają zastosowanie: zakotwicz elementy kulinarne w konkretnych, nazwanych potrawach i rzeczywistych kontekstach kulinarnych, a nie w abstrakcyjnych kategoriach jedzenia. Sekcja przewodników zawiera szersze omówienia technik promptowania, obejmujące precyzję i negatywne promptowanie.\n\nPodstawowy problem modelu — dane treningowe, które nie oddają fizyki materiałów — jest trudniejszy do naprawienia i wymaga zmian na poziomie zbioru danych oraz architektury, których indywidualni twórcy nie mogą kontrolować. Jednak obejścia na poziomie promptu są realne i możliwe do zastosowania już dziś — i właśnie dlatego zrozumienie pierwotnej przyczyny jest warte wysiłku.
