5 בספטמבר 2026
ידיים מעוותות וטקסט לא קריא: למה הבינה המלאכותית נכשלת בשני הדברים האלה ואיך יוצאים מזה
הסיבה הטכנית האמיתית מאחורי שש האצבעות והמילים המומצאות, המודלים שכותבים נכון היום, ושיטת הקאדר והריטוש שפותרת את רוב המקרים בלי לשגר עוד עשר גנרציות.
Frank Houbreמייסד Imaginode
שני הפגמים שמסגירים תמונת בינה מלאכותית בשנייה
ידיים וטקסט נכשלים מסיבות הפוכות: הידיים משתנות מדי מכדי להילמד נקי, והטקסט דורש דיוק סמלי שהמודל פשוט לא מתאמן עליו.
אתם מראים למישהו את התמונה שלכם. יפה, האור טוב, הדמות עומדת יציב. והאדם מסתכל על היד, סופר אצבעות, ואז קורא את שלט החנות ברקע שכתוב עליו משהו כמו מאפייח.
שני הפגמים האלה הם החתימות המזוהות ביותר של יצירת תמונות, והם הפכו למבחן שכולם מפעילים. המתסכל הוא שהם חיים לצד תמונות מצוינות מכל בחינה אחרת: פורטרט עם גרעיניות מושלמת, שנהרס מיד בעלת שש אצבעות.
החדשות הטובות הן ששתי הבעיות נובעות מסיבות שונות ולכן יש להן פתרונות שונים. ושב 2026 אחת מהשתיים כבר פתורה במידה רבה אם בוחרים את המודל הנכון. נראה למה זה נכשל, ואז בדיוק מה לעשות.
למה הידיים נכשלות: מה המודל באמת למד
ליד יש יותר מעשרים מפרקים, היא מופיעה זעירה ומוסתרת חלקית ברוב תמונות האימון, ומקבלת צורות שונות לגמרי לפי הזווית: המודל למד ממנה ממוצע מטושטש.
פנים הן שתי עיניים, אף ופה, תמיד באותו סדר, כמעט תמיד מלפנים או בשלושת רבעי, ולעיתים קרובות האלמנט הגדול ביותר בתמונה. מודל רואה את זה מאות מיליוני פעמים בתנאים דומים. הוא לומד טוב מאוד.
יד היא ההפך בכל נקודה. יותר מעשרים מפרקים, ולכן מספר התנוחות האפשריות מתפוצץ. היא קטנה בתוך הפריים, לרוב מטושטשת כי היא זזה, ומוסתרת באופן קבוע מאחורי חפץ, בגד או היד השנייה. ולפי הזווית, אותה יד עצמה נותנת צלליות שאין ביניהן שום קשר.
התוצאה, המודל מוציא את ממוצע הידיים, בדיוק כמו שהוא מוציא את ממוצע הדרקונים כשמבקשים דרקון. רק שממוצע דרקונים נשאר אמין, אף אחד לא ראה אחד, בעוד שממוצע ידיים קופץ לעיניים של כל אחד. ושום דבר באופן הפעולה שלו לא אומר לו שאצבע אחת עודפת היא טעות: אין לו כללים, יש לו הסתברויות.
למה הטקסט נכשל: המודל מצייר, הוא לא מאיית
מודל תמונה מייצר צורות סבירות פיקסל אחר פיקסל, בלי ייצוג של אותיות כסמלים: לכן הוא מייצר משהו שנראה ככתב במקום כתב.
טקסט הוא בעיה מסוג אחר. מודל תמונה לא מכיר את האלפבית. הוא לא יודע שב היא ב ושהיא באה לפני ג. הוא ראה מיליארדי תמונות שמכילות אזורים שנראים כמו טקסט, ולמד לייצר אזורים שנראים כמו טקסט.
לכן לכישלונות יש את המראה האופייני הזה: זה אף פעם לא ג'יבריש מלא, זה כמעט נכון. הפרופורציות נכונות, המרווח בין האותיות נכון, הפונט נכון, ושתי אותיות מומצאות באמצע. המודל הצליח בצורה מושלמת במה שהוא באמת עשה, כלומר לצייר מרקם טיפוגרפי.
הוסיפו לזה שבתמונה הטקסט לרוב זעיר ביחס לשאר. המודל מחלק את תשומת הלב שלו למה שממלא את הפריים. שלט בגובה עשרים פיקסלים לא מקבל את תשומת הלב שהוא דורש, ובדיוק שם המילה מאפייה מאבדת אות בדרך.
מה באמת השתנה בעניין הטקסט
מודלים עדכניים שאומנו עם הבנה לשונית חזקה כותבים טקסט קצר נכון ובאופן אמין: בעיית הטקסט היא היום בעיה של בחירת מודל.
זו הנקודה שהרבה אנשים לא עדכנו, כי הם גיבשו דעה ב 2023 ומעולם לא פתחו אותה מחדש. טקסט בתוך תמונה עובד עכשיו, בתנאי שמוציאים את המודל הנכון.
למודלים שהם קודם כול מודלי שפה ורק אחר כך מציירים יש יתרון מבני: הם יודעים מה זו מילה לפני שהם מציירים אותה. Nano Banana Pro נשען על Gemini 3 Pro ומטפל בטקסט בתוך התמונה ובפריסה מדויקת. לGPT Image 2 יש בדיוק את אותו אופי: החוזק שלו הוא לא המרקם אלא הציות, והוא כותב טקסט קצר נקי.
לצידם, Recraft V4.1 מגיע מעולם העיצוב ומשלב טקסט קצר בנקיות בתוך קומפוזיציה גרפית, מה שהופך אותו לרפלקס הראשון לכרזה או ללוגו. וFlux 2 Max מחזיק את הטקסט דרגה מעל Flux 2 Pro כשצריך פוטוריאליזם עם שלט קריא בתוכו.
המודלים שלא כדאי להשתמש בהם כשיש טקסט
מודלים מהירים וזולים מייצרים תמונות טובות מאוד בלי לדעת לכתוב: Flux Schnell בקרדיט אחד נשאר בלתי מנוצח לחקירה, ולא שמיש לוויזואל שנושא מילה.
מסקנה מהפסקה הקודמת, וזו שמבזבזת הכי הרבה קרדיטים. Flux Schnell בקרדיט אחד מושלם לחקור קומפוזיציה, לבדוק קאדר, לאשר אווירה. הוא לא יכתוב את הסלוגן שלכם נכון, וחמישה עשר שיגורים נוספים לא ישנו את זה.
הרפלקס שעולה ביוקר הוא להתעקש על המודל שהתחלתם איתו. אתם בגנרציה השתים עשרה, בזבזתם שנים עשר קרדיטים לחינם, בזמן שמעבר למודל שיודע לכתוב היה פותר את הבעיה בפעם הראשונה תמורת 8 או 19 קרדיטים.
לעולם אל תשגרו את אותו מודל יותר משלוש פעמים על פגם בטקסט. אם שלושה ניסיונות לא מגיעים לשם, המודל פשוט לא יודע לעשות את זה, ולא שביקשתם לא נכון. תחליפו מודל, זהו.
איך לנסח את ההוראה כדי שהטקסט ייצא נכון
שימו את הטקסט המדויק במירכאות, דרשו במפורש שהוא יופיע באיות הזה בדיוק ושלא תופיע שום מילה אחרת, והסתפקו בכמה מילים.
הניסוח חשוב לא פחות מהמודל. כתבו את הטקסט המדויק במירכאות בתוך הפרומפט, ואז הוסיפו משפט שנועל: חייב להופיע, מאוית בדיוק כך, קריא לחלוטין, שום מילה אחרת. בלי המשפט הזה, המודל מוסיף בשמחה כותרת משנה מהמצאתו מתחת לכותרת שלכם.
כלל שני: תישארו קצרים. שם מותג, סלוגן של חמש מילים, תאריך. פסקה שלמה בתוך תמונה, אף מודל לא יעשה את זה נקי היום, וגם מבחינה גרפית זה לא רעיון טוב. טקסט ארוך מונח בעריכה או בתוכנת עימוד, לא בגנרציה.
כלל שלישי: תנו לו מקום. בקשו במפורש שהטקסט יתפוס אזור רחב ומנוגד היטב. מודל שצריך לכתוב שש אותיות על שלט בסוף הרחוב ייכשל היכן שהוא מצליח בכותרת על מלוא הפריים. זו אותה לוגיקה כמו לכל הוראה, והנושא נדון בהרחבה בכתיבת פרומפט שעובד.
הידיים: שלוש החלטות קאדר שפותרות את העיקר
קדרו מעל הידיים, תעסיקו אותן בחפץ, או הוציאו אותן ממישור החדות: שלוש ההחלטות האלה מבטלות את רוב הכישלונות בלי לעלות קרדיט אחד.
בעניין הידיים לאף אחד אין פתרון קסם ואני לא הולך להמציא לכם אחד. המודלים העדכניים מסתדרים הרבה יותר טוב מלפני שנתיים, אבל אף אחד לא מבטיח חמש אצבעות בכל פעם. מה שעובד זה לא לבקש מהם את התרגיל הקשה ביותר.
החלטה ראשונה: הקאדר. פלאן חזה או קלוז אפ של הפנים מבטל את הבעיה מעצם המבנה. הסתכלו על צילום פרסומי מקצועי, הוא חותך מעל הידיים הרבה יותר ממה שחושבים. נוד המצלמה מאפשר לכם לקבע את הקאדר הזה בנקיות במקום לקוות לו.
החלטה שנייה: תעסיקו את היד. יד שמחזיקה כוס, טלפון, עט, הגה, לא משנה, היא יד שהתנוחה שלה מוגבלת על ידי החפץ, והמודלים מצליחים בתצורות האלה הרבה יותר טוב מאשר ביד פתוחה באוויר. החלטה שלישית: הוציאו אותה מאזור החדות. צמצם f/1.4 בנוד המצלמה ממקם את הידיים בטשטוש הרקע, ואצבע מטושטשת לא נספרת.
לתאר את הפעולה במקום את האנטומיה
לספור אצבעות בפרומפט לא עובד: המודל לא סופר, צריך לתאר את התנועה, מה היד מחזיקה ואיך היא מחזיקה.
הרפלקס האוניברסלי הוא לכתוב חמש אצבעות בפרומפט. זה לא עובד, וזה לא יעבוד, כי למודל אין שום מנגנון ספירה. אתם יכולים לכתוב בדיוק חמש אצבעות, יד נכונה אנטומית, אין לו שום כלל להפעיל.
מה שעובד זה לתאר את הסצנה כך שהתנוחה משתמעת מאליה. שתי הידיים מונחות שטוח על השולחן. יד אחת סגורה סביב ידית של כוס. הידיים שלובות. הידיים בכיסים. אתם מתארים תצורה שהמודל ראה מיליוני פעמים בתנוחה יציבה, והוא משחזר אותה.
זה בעצם אותו עיקרון כמו בכל שאר הדברים: מקבלים הרבה יותר בתיאור מצב קונקרטי מאשר במתן הוראות מופשטות למודל. לתאר פעולה הוא יודע. לעמוד באילוץ מספרי הוא לא יודע.
לתקן במקום לשגר מחדש: עריכה ממוקדת
מודל עריכה לוקח את התמונה שלכם ומשנה רק את מה שתיארתם: לתקן יד עולה כמה קרדיטים, מול גנרציה חדשה שלמה וקאדר חדש שצריך לאשר מחדש.
זה ההרגל שמשנה הכול, וזה ההרגל שאין למתחילים. כשתמונה טובה ב 95 אחוז, לא משגרים מחדש. מתקנים.
Flux Kontext ב 6 קרדיטים אף פעם לא מתחיל מאפס: הוא דורש תמונת קלט והופך אותה לפי ההוראה, תוך שמירה על מה שמודלים של גנרציה טהורה היו מרכיבים מחדש באקראי. אתם נותנים לו את התמונה שלכם ומתארים רק את מה שצריך להשתנות: תקן את יד שמאל, היא צריכה להחזיק את הכוס בידית, אל תשנה שום דבר אחר.
Nano Banana 2 ב 10 קרדיטים עושה את אותה עבודה עם הבנה של הוראות מורכבות, וGPT Image Mini ב 2 קרדיטים הוא האפשרות הזולה ביותר בקטלוג לריטוש פשוט. בכל מקרה, החצי השני של ההוראה שלכם חייב לפרט מה לא זז: פנים, פוזה, קאדר, אור, תפאורה. בלי הרשימה הזאת, המודל מחזיר לכם תמונה אחרת, טובה מאוד, אבל אחרת.
הזום לפני המסירה, הבדיקה שכולם מדלגים עליה
פגמים נראים במאה אחוז, לא בתמונה ממוזערת: להגדיל את התמונה לפני המסירה עולה 12 קרדיטים ומונע את הטעות שמתגלה בדפוס.
תמונה שנוצרה נבדקת על תמונה ממוזערת בקנבס, מאושרת, ונשלחת. שלושה שבועות אחר כך היא מודפסת בגודל A2 וליד יש שש אצבעות. זה קרה לי, ופעם אחת מספיקה כדי לאמץ את ההרגל.
הבדיקה לוקחת שתי דקות. פותחים את התמונה בגדול וסורקים שלושה אזורים לפי הסדר: הידיים, כל מה שמכיל טקסט כולל הרקעים, ואז העיניים והשיניים. שלושת המעברים האלה תופסים כמעט את כל הפגמים.
לוויזואל שמיועד לדפוס, נוד השיפור עם Topaz Precision ב 12 קרדיטים מגדיל בנקיות וחושף אגב כך את מה שהרזולוציה הנמוכה הסתירה. זה אותו כלי שמתואר בלהפוך תמונה לחדה, והוא משמש כזכוכית מגדלת לבקרה לא פחות מאשר כמגדיל.
שאר הפרטים שמסגירים תמונת בינה מלאכותית
שיניים אחידות מדי, תכשיטים שמכפילים את עצמם, דוגמאות בד לא עקביות, השתקפויות שלא תואמות לכלום: אותן סיבות מייצרות פגמים אחרים, פחות מפורסמים אבל גלויים באותה מידה.
הידיים והטקסט מקבלים את הבמה, אבל אותו מנגנון מייצר כישלונות נוספים. השיניים, לרוב רבות מדי ואחידות מדי, כי הן קטנות וחוזרות על עצמן. תכשיטים ומשקפיים, שמכפילים את עצמם באזור הזרועות. דוגמאות בד, פסים או משבצות, שהולכות לכיוון אחד ואז לכיוון אחר באמצע הבגד.
ההשתקפויות הן מקרה בפני עצמו ומאוד מדבר: במראה או בחלון ראווה, המודל מצייר משהו שנראה כמו השתקפות בלי לבדוק שהוא תואם לסצנה. הסתכלו על הזגוגיות מאחורי הדמויות שלכם, תמצאו שם באופן קבוע דברים שלא קיימים בשום מקום בתמונה.
וההמונים, שבהם הפרצופים ברקע נעשים מטרידים ברגע שמתקרבים. גם שם הרפלקס זהה: קאדר שמונע את הבעיה, או עריכה ממוקדת שמתקנת אותה. אלה בדיוק הנקודות שאני עובר עליהן בטעויות של מתחילים בבינה מלאכותית יוצרת.
דרך הפעולה, בקצרה
בחרו מודל שיודע לכתוב כשיש טקסט, קדרו כדי להימנע מידיים פתוחות, תקנו בעריכה במקום לשגר מחדש, ובדקו בגדול לפני המסירה.
בטקסט הבעיה פתורה וזו שאלה של מודל: Nano Banana Pro, GPT Image 2 או Recraft לעבודה גרפית, Flux 2 Max כשצריך פוטוריאליזם עם טקסט בתוכו. טקסט מדויק במירכאות, משפט נועל, כמה מילים לכל היותר.
בידיים אף מודל אינו מושלם, והתשובה נמצאת בבימוי: לקדר מלמעלה, להעסיק את היד בחפץ, או להוציא אותה ממישור החדות. תארו את התנועה, לעולם לא את מספר האצבעות. וכשתמונה טובה ב 95 אחוז, תקנו אותה עם מודל עריכה במקום להתחיל מאפס.
כדי לבדוק את כל זה בלי לשרוף תקציב, חקרו בקרדיט אחד ב Flux Schnell ועברו למודל של 8 או 19 קרדיטים רק על הקומפוזיציה שנבחרה. המחיר המדויק מוצג על הכפתור לפני כל לחיצה, והטבלה המלאה נמצאת כאן.