Ein nachvollziehbares Beispiel mit den Dateien
AUTOMATIC1111-Parameter aus einer PNG lesen
Eine ursprüngliche PNG kann ihren Prompt und ihre Generierungseinstellungen in einem parameters-Eintrag enthalten. Öffnen Sie die Datei im Extraktor für gespeicherte Prompts, um den Text zu kopieren und die tatsächlich in dieser Kopie vorhandenen Felder zu sehen.
Schritt für Schritt
- Laden Sie unten das Parameterbeispiel herunter oder wählen Sie eine ursprüngliche PNG, die Sie untersuchen dürfen.
- Öffnen Sie den Extraktor für gespeicherte Prompts und wählen Sie die Datei. Lesen Sie zunächst den positiven Prompt und öffnen Sie dann die gespeicherten Details.
- Vergleichen Sie den negativen Prompt, das eingetragene Modell und die Generierungseinstellungen. Laden Sie das JSON-Ergebnis herunter, wenn Sie die Werte zusammen aufbewahren möchten.
Was das Beispiel zeigt
Wir haben einem per Code gezeichneten Bild einen bekannten parameters-Eintrag hinzugefügt. Der erwartete positive Prompt beginnt mit „Controlled example: a paper boat“. Der negative Prompt lautet „text, blur“. Seed 42, 20 Schritte und CFG-Skala 7 sind Werte im Datensatz, keine aus dem Bild abgeleiteten Einstellungen.
Der Modellname im Beispiel dient nur der Demonstration. Diese Pixel wurden nicht mit diesem Modell erzeugt. Mit der Testdatei können Sie prüfen, ob ein anderes Leseprogramm dieselben gespeicherten Werte zurückgibt.
Verwenden Sie die ursprüngliche Datei
AUTOMATIC1111 dokumentiert Generierungsinformationen in PNG-Dateien und den Ablauf mit PNG Info. Wählen Sie für isGenAI die heruntergeladene Datei selbst. Wenn Sie eine Vorschau in eine andere App kopieren, kann eine andere Datei entstehen, selbst wenn sie gleich aussieht.
Findet das Leseprogramm keinen unterstützten Datensatz, versuchen Sie es mit dem ursprünglichen Export. Wiederholte Prüfungen können keine Daten rekonstruieren, die in dieser Kopie fehlen.
Was Sie mit dem Ergebnis aufbewahren sollten
Speichern Sie die Datei zusammen mit ihrer Quelle und dem extrahierten JSON. Ein eingetragener Modellname ist eine Bezeichnung; er liefert keine Modellgewichte und bestätigt nicht, wie die Pixel entstanden sind. Verwenden Sie für einen signierten Herkunftsdatensatz die separate Prüfung der Content Credentials.
Herunterladen · Ausführen · Vergleichen
Das geprüfte Beispiel ausprobieren
Wir haben das Bild per Code gezeichnet und kontrollierte Datensätze angehängt. Die gespeicherten Prompts und Modellnamen sind Demonstrationsdaten. Diese Dateien prüfen das Lesen von Datensätzen; für diese Testergebnisse wurden weder ein Bildgenerator noch eine Screenshot-App oder ein soziales Netzwerk verwendet.
Beobachtete Ausgabe
{
"format": "automatic1111",
"prompt": "Controlled example: a paper boat on a blue table",
"negative_prompt": "text, blur",
"recorded_model": "demonstration-only",
"settings": {
"seed": "42",
"steps": 20,
"sampler": "Euler",
"cfg_scale": 7,
"width": 1024,
"height": 768
}
}Seed-Werte sind im JSON Zeichenfolgen, damit große Ganzzahlen ihre Genauigkeit behalten. Ein null-Ergebnis bedeutet hier, dass kein unterstützter gespeicherter Prompt zurückgegeben wurde.
Hashes und Reproduktion
- parameters-tEXt.png · 13.371 Bytes
e76d2af4e6c273e1ba8ca6cf2b5b7885ceda2321bce893f0bb5f9e64ace17c9f
Testdateien und Beobachtungen stehen unter CC0-1.0. Alle Beobachtungen und Versionen herunterladen oder das Verfahren lesen. Das vollständige Node.js-Skript zur Reproduktion (benötigt sharp) erstellt dieselben Testeingaben und vergleicht Bytes und Pixel. Der isGenAI-Quellcode prüft zusätzlich gespeicherte Felder mit npx tsx scripts/build-guide-lab.ts.
Für die separate Exportstudie: die 18 Fälle zum Metadatenerhalt untersuchen.
Quellen und Methode
Die verlinkten Primärquellen beschreiben die Formate. Die Ausgaben der herunterladbaren Testdateien wurden mit automatisierten Prüfungen gegen das aktuelle isGenAI-Leseprogramm abgeglichen. Diese Anleitungen wurden mit KI-Unterstützung erstellt und anhand dieser Beispiele geprüft.
Fehler oder nicht unterstütztes Beispiel melden. Für einen signierten Datensatz: Content Credentials prüfen.