Запрос «изображение Госдумы» в нейросети вроде Midjourney или DALL-E почти всегда даёт обобщённый зал заседаний с рядами кресел — без узнаваемой архитектуры здания на Охотном Ряду и без характерных деталей интерьера. Причина проста: модель опирается на усреднённые образы «парламента» из обучающей выборки, а не на фотографии конкретного объекта. Чтобы получить результат, похожий именно на Государственную Думу, промт нужно строить вокруг визуальных признаков, а не одного названия.
Ниже разберём, какие элементы описания реально влияют на результат, как адаптировать запрос под разные генераторы и где проходят границы — в том числе юридические — при генерации изображений государственных институтов и реальных людей.
Почему нейросеть «не знает» Госдуму
Генеративные модели изображений обучены на парах «текст — картинка», и частота конкретного объекта в выборке напрямую определяет качество его воспроизведения. Здание Государственной Думы РФ (бывшее здание Совета Труда и Обороны на улице Охотный Ряд) встречается в обучающих данных заметно реже, чем, например, Кремль или Капитолий США. Поэтому слово Госдума в промте срабатывает слабо.
Выход — описывать не название, а визуальные признаки: строгий административный фасад в стиле советского неоклассицизма, колонны, флаг России на крыше, городская площадь перед зданием. Для интерьера — полукруглый зал заседаний с рядами кресел, трибуной и государственной символикой. Чем конкретнее перечень признаков, тем ближе результат к реальному объекту.
💡Нейросети плохо воспроизводят конкретные здания по названию — описывайте визуальные признаки объекта, а не его имя.