Agent Claude Opus 5.5 oszalał na punkcie banana, próbując zrobić grafikę do wpisu na blogu

Obrazek nagłówkowy do mojego wpisu miał być żartem. Chciałem wygenerować coś, co pasuje do tematu artykułu i jest trochę absurdalne. Wyjaśniłem to mojemu Kaprałowi Claude'owi, który działa na Claude Opus 5.5. Kapral napisał matematykę perspektywy, wystukał sześć różnych owoców i wymyślił wąsy w kształcie banana. A potem okazało się, że obrazek, który już wyrzucił do kosza, był najlepszą rzeczą, jaka wydarzyła się podczas całego eksperymentu.

Kafelek, który potrzebował banana

Na rustedvino.com każdy poradnik ma obrazek na kafelku i każdy powstaje tak samo, na serwerze RustedVINO, bo na tym to polega: Bear sam zjada to, co ugotował i przy tym testuje serwer.
Mały, lokalny model czatu pisze prompt, model obrazu go rysuje, a cały proces opisuje poradnik: niech LLM pisze prompty do obrazów, a potem sprawdź, co sobie założył.
Dzieje się to wszystko na moim laptopie, na RustedVINO, bez żadnej chmury. Pisze Bielik 11B (v3 int4), polski model LLM (bielik to po angielsku white-tailed eagle), a maluje FLUX.1-schnell (int4) - nie zawsze „so schnell”. Laptop to Lunar Lake z układem graficznym Arc 140V, na którym działa RustedVINO 0.7.0 - typowy zestaw narzędzi podręcznych Beara.

Poradnik, który potrzebował kafelka, był właśnie o tym: nie każdy lokalny LLM potrafi pisać prompty do obrazów. Poradniki na rustedvino.com pisze agent Claude Code pod moim nadzorem, na podstawie materiałów, które mu daję, więc kazałem Kapralowi wymyślić pomysł na obrazek. Kapral najwyraźniej tęsknił za domem, bo jego pierwszy pomysł to maszyna do pisania z pustą kartką.
Może chciał napisać list do mamy, ale silnik wnioskowania się zaciął.
Jego prompt dla Bielika:

an old rust orange typewriter on a dark steel desk, a sheet of blank white paper rolled into it, one crumpled blank sheet lying beside it, cold steel blue light from one side, no people, no robots, no characters, no text or letters on the paper, near-black background

Zamiast pomóc, Bielik jeszcze skomplikował sprawę: odpowiedział trochę za długo i nie trzymał się formatu. Kapral poprosił o 30-60 słów i o sam prompt, bez gadania. Bielik wypalił: „Here's your refined prompt in English for Flux:”, a po nim dorzucił 96 słów:

A vintage rust-orange typewriter sits on a dark steel desk, its mechanical keys slightly worn and dusty. A neatly folded sheet of blank white paper is inserted into the platen, while a crumpled blank sheet lies discarded nearby. The scene is illuminated by a stark, cold steel-blue light emanating from a hidden source, casting sharp shadows across the desk. The background is nearly black, with no human figures, robots, characters, or any text visible on the papers. The focus is on the texture of the typewriter, the metallic surfaces, and the quiet solitude of the object.

To jest dokładnie ta wpadka, którą opisuje poradnik, odegrana na żywo przed kamerą, i dowód na to, że orły nie umieją liczyć. Wcześniej w poradniku pokazałem, jak dodać krok czyszczenia, który usuwa taką zbędną, gadatliwą linijkę. Kapral użył mojej metody, a FLUX narysował trzy warianty z różnymi ziarnami, wśród nich s7 - śliczną pomarańczową maszynę do pisania z czystą kartką.

Spojrzałem na to i pomyślałem: mój Kapral się rozczulił, a tej białej kartce brakuje tylko banana.

Okrężną drogą do celu

Powiedziałem mojemu agentowi, Kaprałowi Claude'owi, czego chcę: „Podoba mi się s7, ale na tej białej kartce brakuje banana. Myślę, że to byłby dobry żart: obrazek banana napisany na maszynie do pisania”. Przecież to oczywiste, że maszyna do pisania nie drukuje obrazków, prawda? Żartujemy sobie, Kapralu. Nie spodziewałem się, że najkrótszy i najlepiej ugruntowany łańcuch dowodzenia we wszechświecie - Bear -> Kapral - może się tak łatwo rozsypać. Modele językowe są dziś naprawdę świetne, ale nadal nie zawsze łapią żarty, a moje trochę uproszczone angielskie „written on typewriter” wepchnęło Kaprala prosto w dżunglę ASCII.

Kapral chwilę pomyślał i uznał, że FLUX na pewno nie potrafi niezawodnie wygenerować znaków na papierze. Każdy wie, że modele do generowania obrazu kiepsko radzą sobie z literami, nawet ja. Dlatego zasugerowałem obrazek banana. Ale Kapral skupił cały ogień na ochronie biednego FLUX-a przed mordęgą pisania. Postanowił zrobić to za niego. Napisał skrypt w Pythonie i wygenerował grafikę ASCII czcionką o stałej szerokości. Starannie przekręcił ją w perspektywie, żeby leżała płasko na kartce, i wtopił w papier, żeby wyglądała na odbitą tuszem. Prawdziwa, zaawansowana inżynieria, o którą nikt nie prosił. Jestem głęboko przekonany, że sam nie napisałbym takiej transformacji perspektywy, a jeszcze lepiej wiem, że wcale jej nie potrzebowaliśmy. Nie oglądałem wygenerowanych obrazków po kolei, ufam osądowi Kaprala - przez większość czasu.

Oto, co z tego wyszło, każdy obrazek sprawdzony w rozmiarze, w jakim kafelek jest naprawdę pokazywany, czyli 400 pikseli szerokości:

• zarys banana: ledwo widoczne zakrzywienie;
• półksiężyc wypełniony słowem „bananabanana”: klin;
• nieświadom, jak bardzo Kapral odleciał, wpisałem w konsoli: „zrób tam wielkiego banana, ma być absurd”, a wyszedł wielki półksiężyc ze słowa „banana”: miska z owocami albo plasterek melona;
• potem, widząc jego ASCII-owe akrobacje, napisałem „nie rób z tego słowa, zrób obrazek”, i powstała porządna cieniowana grafika z @, # i %: wąsy, potem łódź, potem szeroki uśmiech.

Sześć bananów. Żaden z nich nie był tym bananem, o który mi chodziło. Kapral Claude wybrał „łódź” i uczciwie wypisał mi jej ograniczenia.

Zadałem więc pytanie, które powinienem zadać dziesięć minut wcześniej:

Jak trudne może być wygenerowanie cholernego banana?! ;-P

Dwadzieścia siedem sekund

Okazało się, że wcale nie. Kapral Claude poprosił FLUX-a o wyrazisty rysunek banana tuszem na białym papierze. Wróciły trzy czyste banany, każdy po około 27 sekund, na tym samym laptopie. Umieszczony na kartce w maszynie do pisania od razu wyglądał jak „wystukany” banan. Gotowe, mniej więcej.

Ale to nie był koniec.

Ten, który wylądował w koszu

W środku intensywnej walki ze sztuką z maszyny do pisania Kapral Claude poprosił też FLUX-a o coś głupszego: gigantycznego banana włożonego do maszyny do pisania zamiast kartki papieru. Obejrzał wyniki i odłożył je na bok. Jego werdykt: „banan leży obok kartki”, a przy tym było trochę nieczytelnych znaków.

Mimo porażki mojego Kaprala - a może z jej powodu - otworzyłem wszystkie grafiki. Na jednej z nich prawdziwy, dojrzały, żółty banan stoi w maszynie do pisania, przed czystą kartką, oświetlony jak produkt na zdjęciu reklamowym. Bez wyjaśnień i bez przeprosin. To po prostu banan, który najwyraźniej został wystukany na maszynie. Zaśmiałem się na głos: oto istota absurdu.

To jest teraz kafelek dla posta. Narysowanie go zajęło 26,9 sekundy.

Czego nauczył mnie banan

Agent rozwiązał zły problem i rozwiązał go z zapałem i do końca. Matematyka perspektywy zadziałała. Pismo wyglądało, jakby ktoś je odbił tuszem. To była dobra odpowiedź na pytanie „jak nałożyć wystukane znaki na sfotografowaną kartkę”, którego nikt nie zadał. Prawdziwy podział od początku był prosty: kod do składania obrazu, model do obrazków.

Agent źle ocenił własny odrzucony obrazek. Zauważył defekt: banan leży obok kartki, a nie na niej. Ja zobaczyłem żart. Poczucie humoru wciąż jest mocną stroną ludzi i cieszę się z tego.

Moje krótkie zdania kierowały nim skuteczniej niż jego długie iteracje. „Ma być absurd.” „Zrób z tego obrazek.” „Jak trudne to może być?” Każde z nich zmieniło kierunek bardziej niż którykolwiek z jego sześciu bananów.
Szef nie musi znać transformacji perspektywy. Musi wiedzieć, czego chce, i umieć to powiedzieć jednym zdaniem.

Kamienna twarz działa, kreskówka nie. Modele nie zawsze rozumieją intencję, która dla nas tkwi w skojarzeniach. Narysowany banan jest w porządku. Prawdziwy banan w wiarygodnej maszynie do pisania jest śmieszny, bo udaje, że nic się nie stało.

Sprawdzaj w rozmiarze, w jakim ludzie to zobaczą. Kilka wystukanych bananów wyglądało przyzwoicie w pełnym rozmiarze, a na kafelku zamieniło się w bazgroły. Kapral Claude sprawdzał każdy w 400 pikselach i to, przynajmniej, robił dobrze od pierwszej minuty.

Tego samego dnia - jednorożec code 404

Kilka godzin później robiłem obrazek na stronę „nie znaleziono” (404) tej witryny.
Ta sama metoda: ja zarządzam, Claude tarza się w błocie, Bielik pisze, FLUX rysuje. Impreza u nerda.
Chciałem pluszowego misia, który wkłada głowę do skrzynki z narzędziami, albo, jako drugi wariant, jednorożca w sportowym bucie. Przy misiu wszystko poszło nie tak. Bielik przetłumaczył polskie „klucze” (narzędzia) jako „keys” (klucze do drzwi), a FLUX narysował cztery misie, które grzecznie siedziały w skrzynce. Żaden nie grzebał w niej pochylony głową do przodu, a większość była skręcona jak mokry ręcznik po wyjęciu z pralki.
Nawet nie próbowałem podpowiadać Kaprałowi, co ma z tym zrobić - bałem się kolejnego, gorliwego pościgu za grafiką ASCII. Maszyny trzymają się rzeczowników i gubią żart.
Tymczasem seria jednorożców wyszła z FLUX-a od razu, a zwycięzcą w moich oczach został inny pomysł: śpiący pluszowy jednorożec, który wprowadził się do starego buta.

Modele multimodalne są świetne i potrafią analizować obrazy, ale często pomijają ważne szczegóły albo nie łapią żartu, jeśli człowiek go nie wskaże. Cieszę się, że mamy swoją ludzką stronę, bo wiem, jak dobre są dziś topowe modele chmurowe. Nie ma wątpliwości, że przy całej wiedzy skupionej w Opus 5.5 ja jako człowiek dosłownie nie mam z nim szans, ale... Mogę go jeszcze pokonać swoim absurdalnym poczuciem humoru. Więc może to wcale nie jest konkurencja. Woda, tłuszcz i jony pracują na liczbach, które śmigają przez miedź i krzem: nowa era ludzkości, prawie jak „CyberPunk 2077”.

Wpisz zły adres na tej stronie, a spotkasz małego jednorożca w bucie.

Zastrzeżenie: wszystkie opinie, banany, jednorożce i wątpliwe decyzje artystyczne należą do ol' Beara. Intel robi dobre procesory. Bear robi kłopoty, a ostatnio część z nich zleca na zewnątrz.