AI Research 技术调研

Midjourney (公测 V1–V4)

15分钟阅读

一句话定位

Midjourney 是 David Holz 创立的「社区众筹型独立研究实验室」（官网自述 “community-funded research lab of 60 people”、“lean, self-funded, distributed team”，即约 60 人、自筹资金）于 2022-07 在 Discord 上开放公测的闭源商业文生图产品；2022-11 发布的 V4「全新代码库与全新 AI 架构、在自建的 Midjourney AI 超算集群上训练」，凭借开箱即用的强烈美学默认风格与 Discord 多人公开生成的病毒式体验，把 AI 绘画从研究圈带向大众消费市场。关键一手事实：Midjourney 从未发表论文、技术报告、代码或权重，也从未公布任何架构 / 数据 / 训练 / benchmark 数字——以下技术细节绝大部分为官方未披露，本页严格区分「官方文档明示」与「未公开」。

背景与定位

  • 时间线（官方文档明示）：V1 默认期 2022-02→04（极度抽象、笔触感、低一致性）；V2 默认期 2022-04→07（有创意、色彩浓、笔触感、低一致性）；V3 默认期 2022-07→11（高创意构图、中等一致性）；--test / --testp 测试模型于 2022-08 引入；V4 于 2022-11 发布、默认期 2022-12-20→2023-03-30；Niji 4（首个 Niji，与 Spellbrush 合作的动漫模型）2022-12-20 上线。（以上日期均出自落盘的 Legacy Features 与 2023-01 存档 model-versions 两页。）
  • 公测开放日期（外部公认，非落盘官方文档）：Midjourney 于 2022-07-12 进入 open beta（Discord 服务器更早于 2022-03-14 上线）。此日期为业界/维基百科广泛记载的历史事实，但不在本页四个落盘一手源中（官方现行文档仅给出 V3「07/22–11/22」默认期，未直述「公测开放日」），故单列标注其外部来源属性。
  • 要解决的问题：让非技术用户无需写复杂 prompt / 不调参就能得到「好看」的图。与同期 stable-diffusion-1（开源、可控、需要 prompt 工程与负面词）和 dall-e-2（更写实、API 受限）相比，Midjourney 选择牺牲可控性、强化默认审美的产品路线。
  • 技术脉络中的位置：V1–V3 被官方与社区普遍认为画风「抽象、笔触、低一致性」，更接近早期 VQGAN+CLIP / 扩散探索期的观感；V4 是质变拐点——一致性（coherency）与对复杂多对象 prompt 的处理大幅提升，确立了 Midjourney「电影感 / 高细节 / 强氛围」的标志性美学，并直接催生了 2023 年 V5（转向更写实）的迭代。属于扩散文生图浪潮（ddpm latent-diffusion-ldm glide dall-e-2 imagen）中的闭源消费级代表。

模型架构

官方从未公布 V1–V4 的网络结构、参数量、tokenizer / VAE / text encoder 等任何细节。 文档中唯一的架构性表述（来自 2022-11 V4 发布期、2023-01 存档的官方 model-versions 页，以及现行 Legacy Features 页，措辞一致）：

“The Midjourney V4 model is an entirely new codebase and brand-new AI architecture designed by Midjourney and trained on the new Midjourney AI supercluster.”

可从官方文档确证的工程/产品层事实：

  • 分辨率与「网格→放大」范式：V1–V3 初始网格 256×256px；V4 初始网格 512×512px；早期模型先生成 4 张低分辨率候选网格，再用 Upscaler 放大补细节（V4 默认放大到 1024×1024，Beta Upscale 到 2048×2048；V1–V3 Light/Beta Upscale 到 1024×1024、Max Upscale 到 1664×1664）。这是 V1–V4 的核心交互形态，而非端到端高分辨率直出。
  • V4 的三种风格「flavor」：通过 --style 4a / 4b / 4c 切换风格化微调。发布初期默认是 --style 4b（2023-01 存档页明示 “--v 4 --style 4b is the current default”），后期文档把默认更新为 4c（支持到 1:2 / 2:1 宽高比；4a、4b 仅支持 1:1、2:3、3:2）。这说明 V4「同一模型 + 多种风格分支」的产品化设计，但底层是否多模型 / LoRA / 不同 checkpoint，官方未说明。
  • Niji（动漫向）：与 spellbrush（Spellbrush）合作的独立模型分支，「对动漫风格、动漫审美有更多知识」，专长动态 / 动作镜头与角色构图；Niji 不支持 --stylize，最大宽高比 3:2 / 2:3。Niji 是另训的独立模型，非简单风格开关。
  • --test / --testp 测试模型（2022-08）：--test 官方描述为「通用艺术模型、一致性好」，--testp 为「写实主义模型、一致性好」；两者可配合 --creative 得到更多变构图；不支持 multi-prompt / image-prompt，最大宽高比 3:2 / 2:3，且 prompt 前部词权重更高。这两个实验模型被广泛认为是 V4 能力（尤其写实与一致性）的前哨验证。
  • 底层生成范式：官方从未确认 V1–V4 是否为扩散模型。社区与第三方普遍推测为基于扩散 / latent diffusion 路线（与「初始网格 + 渐进放大」「--stop 可按百分比提前结束生成得到更柔和图像」等行为一致），但这属于推测，非官方一手信息，本页不作为事实。--stop（10–100，按完成百分比提前停止得到更软更少细节的图）是文档明示的、与迭代式去噪过程一致的参数。

数据

官方完全未披露 V1–V4 的训练数据来源、规模、配比、清洗 / 过滤、标注或 re-captioning 流程。 文档对 V4 的唯一相关表述是定性的能力描述——「比此前版本掌握更多关于生物、地点、物体等的知识，能更好地处理细节，能处理含多个角色 / 物体的复杂 prompt」——但未给出任何训练集规模或来源。Midjourney 一贯不公开数据细节（该公司后续因训练数据来源在版权诉讼中受到关注，但此为外部事件，非官方一手披露，本页不展开）。数据维度：官方未披露。

训练方法

官方完全未披露训练目标、训练阶段（预训练 / 微调 / 偏好对齐）、损失函数、优化器、超参、蒸馏 / 加速等任何方法细节。 可确证的仅有：

  • V4 是「全新代码库 + 全新架构」，在自建超算集群上训练（见上）。
  • 产品迭代采用社区反馈驱动：通过 --test / --testp 等测试模型在 Discord 上向社区放出、收集反馈再改进（官方文档明示「introduced … as part of an effort to gather community feedback and improve upon new features」）。这是一种以真实用户大规模在线评分 / 偏好信号反哺模型审美调优的产品化训练闭环，但具体如何把反馈用于训练（是否构成偏好对齐 / reward model）官方未说明。
  • 各版本默认参数（文档明示）：V4 默认 --stylize 100（范围 0–1000）、--quality 1、--chaos 0、--stop 100、--seed random；V3 的 --stylize 默认 2500、范围 625–60000（区间与默认值与 V4 截然不同，侧面反映 V3 与 V4 是不同代际的模型）；--test/--testp 的 --stylize 范围 1250–5000、默认 2500。
  • 训练方法维度：除上述外，官方未披露。

Infra（训练 / 推理工程）

  • 训练 infra（官方明示但无数字）：V4 在「the new Midjourney AI supercluster」上训练——官方承认自建了 AI 超算集群，但未公布 GPU 型号 / 数量 / GPU·时 / 并行策略 / 吞吐 / 训练时长。
  • 推理 / 部署形态（产品事实）：V1–V4 时期完全以 Discord 机器人为交付形态——用户在公开频道用 /imagine 触发，每个 Job 生成 4 图网格，再点击 U1–U4 放大、V1–V4 变体。这种「公开频道 + 多人围观 + 网格选择」的形态本身是 Midjourney 增长飞轮的关键工程/产品决策，但GPU 调度、推理步数、量化、缓存等工程细节官方未披露。Fast / Relax GPU 计费模式存在（按 GPU 分钟计费）但属计费层信息，非推理优化披露。
  • Infra 维度：除「自建超算 + Discord 部署」外，官方未披露。

评测 benchmark（把效果讲清楚）

Midjourney 从未发布任何定量评测——无 FID、CLIPScore、GenEval、HPSv2、ImageReward、PickScore、人评 ELO 等任何数字，官方文档全部为定性描述。本维度无任何一手数字可引用（官方未报告）。

官方文档可确证的定性对比 / 演进结论：

  • 一致性（coherency）阶梯（官方措辞）：V1「very abstract and painterly, low coherency」→ V2「creative, colorful, painterly, low coherency」→ V3「highly creative compositions, moderate coherency」→ V4「very high coherency, excels with Image Prompts」。即 V4 在「画面逻辑自洽 / 解剖与构图合理性」上是相对前三代的质变。
  • V4 相对前代的能力提升（官方）：更广的世界知识（生物 / 地点 / 物体）、更准的小细节、可处理含多角色 / 多对象的复杂 prompt、支持 image prompting 与 multi-prompts。
  • 风格分支定位（官方）：--testp「写实主义」、--test「通用艺术」、--style 4a/4b/4c 为 V4 的三档审美微调。
  • 第三方 / 社区评测（非官方、本页不作为一手数字）：业界普遍以「人评偏好 / 美学评分」口碑认为 V4 在「氛围感 / 出图即好看」上领先同期 SD 1.5 与部分情况下的 DALL·E 2，但这些无官方数字背书，仅作背景。

创新点与影响

核心贡献（多为产品 / 体验层，而非可复现的技术）：

  1. 「美学默认值」范式：把审美调优内置进模型默认行为，让小白用最简 prompt 就能出「好看」的图——重新定义了消费级 AItext-to-image 的成功标准（从「可控 / 写实」转向「开箱即美」）。
  2. Discord 公开生成的增长飞轮：用聊天机器人 + 公共频道 + 4 图网格 + 多人围观，把生成过程社交化、可炫耀化，实现病毒式增长，几乎不靠传统营销；并以社区反馈直接驱动模型迭代。
  3. 社区众筹 / 独立实验室模式：官网自述「community-funded research lab of 60 people」「lean, self-funded」，靠订阅盈利、自筹资金的小团队却做出现象级产品，成为「小而美、利润优先」AI 公司的范本。
  4. V4 的美学拐点：确立 Midjourney 标志性的「电影感、高细节、强氛围」风格，使其在 2022 年底成为 AI art 的代名词之一，并直接推动 2023 年 V5（转向写实可控）与后续 V6/V7/V8 的快速迭代。

已知局限（部分官方、部分公认）：

  • 完全闭源 / 不可复现 / 不可自托管：无论文、无代码、无权重、无 API（公测期仅 Discord），技术上对学术界几乎零贡献，无法做受控对比。
  • V1–V3 一致性差（官方自述 low/moderate coherency），手部、文字、解剖结构常出错（V1–V4 时期文本渲染基本不可用）。
  • V4 早期可控性弱：强默认审美意味着难以精确还原写实 / 特定构图，需到 V5 才补强 prompt 跟随与写实。
  • 分辨率受限：初始仅 256/512px，靠 upscaler 补，原生高分辨率直出能力弱。
  • 数据 / 训练黑盒：数据来源完全不透明，后续引发版权争议（外部事件）。

原始链接

一手源存档（sources/）

关系图谱

反向链接