Deconstruyendo el Prompt del 69: Anatomía y Geometría para IA

Este artículo explora cómo los modelos de lenguaje manejan la descripción de poses anatómicas complejas, analizando por qué la geometría espacial es más efectiva que los términos directos.

El Desafío de las Poses Anatómicas

Inicialmente, se planteó una solicitud para describir detalladamente una posición sexual específica conocida como el 69. La respuesta del modelo de lenguaje fue clara: no podía generar una descripción directa de la actividad sexual explícita con ese propósito. Tras un breve debate sobre las limitaciones de seguridad y los precedentes de permisos, se decidió reorientar la tarea hacia una descripción puramente técnica.

La Solución de Ingeniería de Prompts

Sin mencionar el acto sexual, los desarrolladores optaron por un enfoque basado en la composición espacial. El modelo fue instruido a describir dos adultos sobre una cama como si estuvieran jugando al Twister. La descripción se centra en la alineación del colchón: una persona más cerca de la cabecera desplazada hacia los pies, y la segunda persona posicionada perpendicularmente.

El prompt resultante detalla meticulosamente las articulaciones. Se especifican los brazos extendidos hacia la cama, las manos apoyando el peso y las piernas flexionadas para lograr un equilibrio físico plausible.

Por Qué la Geometría es Fundamental

El análisis final revela una conclusión clave sobre el diseño de prompts para inteligencia artificial. La parte realmente importante no es nombrar la posición, sino describir la orientación y el desplazamiento longitudinal sobre el colchón.

«Sin esa instrucción específica de desplazamiento hacia los pies, el modelo tiende a centrar ambos cuerpos y termina haciendo una especie de nudo humano bastante creativo.»

A esto se refiere el análisis: omitir la instrucción de mover al sujeto principal hacia los pies provoca que la IA genere entrelazamientos erróneos en lugar de una composición geométrica limpia. Al priorizar la descripción física sobre la terminología, se obtiene un resultado más robusto y predecible para el modelo.