AI Research 技术调研

Midjourney V7

14分钟阅读

一句话定位

Midjourney V7 是 Midjourney 第七代闭源文生图模型（2025-04-03 alpha、2025-06-17 成为默认），官方称”一个全新的模型”，最大产品创新是默认开启个性化（personalization on by default）、Draft Mode（半价、约 10 倍速的草稿迭代/对话式生成） 与 V7 专属的 Omni Reference（角色/物体一致性参考）；图像质量、文本理解、手/身体/物体一致性较 V6 显著提升。模型架构、数据、训练方法、评测数字均未公开——本页只呈现官方一手披露的内容，不臆造技术细节。

背景与定位

Midjourney 是商业闭源文生图产品的代表，自 V1 起按代际迭代（V5/V6/V6.1/V7/V8.1），通过 Discord 与官网 web 提供服务，不发布论文、技术报告、模型权重或 benchmark。V7 延续这一封闭策略：官方仅以更新博客与帮助文档披露能力与使用方式，从不公开 backbone、参数量、训练数据与定量指标。

V7 在产品脉络中的定位：

  • 相对 V6/V6.1 的升级：官方称 V7 是”一个全新的模型，有独特的优势（也可能有一些弱点），可能需要不同的 prompt 风格”——暗示它不是在旧模型上微调，而是重新训练，但官方未给出”from scratch / 全新架构”的明确技术声明，故此处只能按”entirely new model”的原话理解，不外推。
  • 个性化范式转变：V7 是第一个默认开启模型个性化的 Midjourney 模型。用户必须先”解锁”个性化档案（官方称约 5 分钟；在 Personalize 页的图片网格中点选喜欢的图，进度条满即解锁——官方未给出具体张数，仅说”选够足够多的图”且”选得越多越准”），之后所有生成都会偏向用户审美。可随时开关（--p 参数 / Imagine bar 按钮）。
  • 与同期闭源 t2i 的关系：处于 flux-1-1-pro、ideogram-3-0、imagen-4、reve-image、firefly-image-model-4 等 2025 年闭源/半闭源 t2i 的竞争带；Midjourney 的差异化在于审美导向 + 个性化 + 强一致性参考，而非可控编辑/排版能力。
  • 与开源扩散/流匹配路线（ddpm、latent-diffusion-ldm、stable-diffusion-3、flux-1）相比，V7 不公开任何内部机制，无法对齐到具体的 DiT/MMDiT/flow-matching 技术谱系。

时间线（官方文档原文）：2025-04-03 发布 V7 alpha；2025-05-01 推出 V7 模型小更新 + 新版编辑器 + --exp 参数；随后上线 Omni Reference 与 Fast Mode；2025-06-17 V7 成为默认版本（V6.1 此前为默认）。

模型架构

未披露。 Midjourney 从不公开 V7 的 backbone（U-Net / DiT / MMDiT / 自回归 / 掩码生成均未说明）、visual tokenizer / VAE、text encoder（是否用 T5 / CLIP / LLM 未知）、条件注入方式、参数量或多分辨率策略。

仅能从产品行为间接观察到的、与”架构层”相关的官方事实：

  • 官方称 V7”更聪明地处理文本 prompt，图像 prompt 效果极佳”，“图像质量明显更高、纹理更漂亮，手/身体/各类物体的细节一致性显著更好”——指向更强的文本-图像对齐与细节连贯性，但无任何机制说明。
  • 不再支持 Multi-Prompting（多 prompt :: 权重）（V6 支持，V7/V8.1 取消，见官方兼容性表），可能暗示 V7 的条件注入/文本编码方式与 V6 不同，但官方未解释原因——此处仅记录现象，不外推架构结论。
  • Character Reference（--cref）在 V7 不支持，由 V7 专属的 Omni Reference（--oref） 替代；后者声称能把参考图中的人物/物体/车辆/非人生物放进新图，可见 V7 在”参考图条件注入”上做了重做，但实现细节（IP-Adapter 类 / 重训练 cross-attention / 其他）未披露。
  • Seed 行为：V7 支持 --seed；官方称跨版本重跑旧 seed”可能保持一致但更好”。

严格说明：以上均为产品行为层观察，不能据此声称 V7 用了某种具体架构。

数据

完全未披露。 官方从未公开 V7 的训练数据来源、规模、图文对数量、配比、清洗/过滤流程、re-captioning 方案或合成数据使用。Midjourney 历来不公布数据集信息（且其训练数据来源在业界与多起版权诉讼中存在争议，但官方对 V7 无任何数据披露）。美学/安全过滤方面，官方仅在 Omni Reference 文档中提到”内容审核（moderation）会拦截看似无害的 prompt，被拦的 job 不扣费，只有出图才扣 GPU time”——属于推理侧的内容安全过滤，非训练数据披露。

训练方法

完全未披露。 训练目标（diffusion / flow matching / rectified flow / next-token / masked-token）、多阶段流程（预训练→continue→SFT→偏好对齐）、是否使用 RLHF/DPO/reward model、蒸馏与步数加速方案（consistency/LCM/ADD 等）均无官方说明。

可确证的、与”训练/对齐”间接相关的官方信息：

  • 预发布”评级派对（pre-release rating party）“：V7 alpha 博客明确感谢社区参与”V7 pre-release rating party”。Midjourney 历来用大规模社区图片偏好评分（ranking pairs）来构建审美偏好信号；V7 同样依赖这种人类偏好数据，但官方未说明它如何进入训练（是否用于 reward model / 偏好对齐 / 数据筛选均未明）。
  • 个性化（Personalization）：用户在 Personalize 页的图片网格里点选喜欢的图（进度条满即解锁，官方未给具体张数），生成一个个性化”profile”（--p），V7 默认应用它。官方把它描述为”风格助手”——这是推理时的偏好条件（per-user style steering），不是模型本体的训练改动，官方未把它描述为训练流程的一部分。
  • 2025-05-01 的”V7 模型更新”：官方称所有 --v 7 图像”质量、prompt 准确度、手部准确度、身体一致性都略有提升”，且”无需改动任何东西”。说明 V7 在 alpha 期后有过模型层面的在线迭代/替换，但未说明是重训练、continue-train 还是后处理改动。

Infra（训练 / 推理工程）

训练 infra 完全未披露（GPU 规模、并行、精度、吞吐均无）。

推理/服务侧可量化的官方事实（按 GPU time 计费，单位”分钟”）：

  • 运行模式：V7 launch 时仅开放 Turbo 与 Relax 两种模式；标准 speed 模式”需要更多时间优化”延后上线。官方称 Turbo job 比普通 V6 job 贵 2 倍。
  • Draft Mode（V7）：生成 4 张图，GPU 成本为标准 V7 的一半；官方在博客中称”半价、约 10 倍速渲染”。Draft 图质量低于标准模式但”行为与审美非常一致”，可作为可信的迭代方式；点 “Enhance” 可用标准质量重渲染相似结果，喜欢的草稿也可直接 upscale。
    • 对比 V8.1 的 Draft（一次出 24 张、512×512、每 prompt 0.4 分钟 GPU），V7 的 Draft 是 4 张——两代 Draft 机制不同。
  • Omni Reference（V7）：比常规 V7 图多花 2 倍 GPU time；不兼容 Fast Mode、Draft/Conversational Mode、--q 4，也不兼容 inpainting/outpainting（这些仍走 V6.1）。
  • Quality 参数：V7 支持 --q 1 / 2 / 4（V6 是 0.5 / 1 / 2），更高质量档对应更多算力。
  • --exp 参数（2025-05 上线）：实验性”图像美学增强”参数，0–100（默认 0），与 --stylize 类似但更细节、更动态、更”tone mapped”；官方建议用 5/10/25/50/100，提示高值会牺牲 prompt 准确度与多样性。
  • 回退到 V6/V6.1 的功能：Upscaling、Editor、Retexture、Pan、Zoom Out、Vary Region 在 V7 期间仍由 V6 / V6.1 模型处理（官方兼容表明确标注 “Using V6.1”）——说明 V7 launch 时是”核心 t2i + Omni Reference 用 V7，编辑/放大类用旧模型”的拼接形态。
  • 分辨率：V7 不支持 HD（2048px）图像（该能力到 V8.1 才有）；最大宽高比 14:1（与 V6 相同）。
  • 部署形态：Discord bot + midjourney.com web 应用；Draft/Conversational/Voice mode 主要在 web 上。

评测 benchmark（把效果讲清楚）

官方未报告任何定量指标。 Midjourney 不公布 FID、CLIPScore、GenEval、T2I-CompBench、DPG-Bench、MJHQ-30K、HPSv2、ImageReward、PickScore 或人评 ELO/Arena 等任何数字。V7 页面、更新博客与帮助文档中没有一条 benchmark 数据。

官方仅有的”效果”描述均为定性原话：

  • V7 alpha 博客：“much smarter with text prompts；image prompts look fantastic；image quality is noticeably higher with beautiful textures；bodies, hands and objects … significantly better coherence on all details”。
  • 2025-05 更新：“slightly improved image quality, prompt accuracy, hand accuracy, and body coherence”。
  • 文档总结：“text and image prompts are handled with stunning precision；richer textures and more coherent details—especially in bodies, hands, and objects”。

注：第三方榜单（如 LMArena Text-to-Image / Artificial Analysis Image Arena）在 V7 期间有过 Midjourney 的对局排名，但那不是 Midjourney 官方一手披露，本页不引用未抓取/非一手的数字。官方源里没有任何可抠的 benchmark 数字——记为”未报告”。

创新点与影响

核心贡献（产品/体验层，非可验证的技术贡献）：

  1. 默认个性化（personalization by default）：首个把”模型个性化”设为默认开关的 Midjourney 模型，把”per-user 审美偏好”从可选功能变成生成的默认条件，推动了”个性化生成”作为产品默认形态的行业话语。
  2. Draft Mode + Conversational/Voice Mode：以半价、约 10 倍速的草稿出图 + 自然语言/语音对话改 prompt，把 t2i 从”写好 prompt 再生成”变成”边对话边迭代”的交互范式；这一草稿-迭代-增强（draft→enhance/vary→upscale）的工作流被后续 V8.1 继承并放大（24 张草稿）。
  3. Omni Reference：把 V6 的 Character Reference 升级为可放入”人物/物体/车辆/非人生物”的统一参考，并提供 --ow（1–1000，默认 100）连续权重控制，强化了”主体一致性”这一闭源 t2i 的关键卖点。

对后续工作的影响： V7 的个性化默认、Draft/对话式迭代与 Omni Reference 直接被 V8.1 继承演进；它强化了”审美 + 一致性 + 个性化”作为 Midjourney 与其他 t2i（flux-1-1-pro、ideogram-3-0、imagen-4）差异化的产品轴线。

已知局限（官方明示）：

  • launch 时无标准 speed 模式（仅 Turbo/Relax），Turbo 比 V6 普通 job 贵 2 倍。
  • 编辑/放大/Pan/Zoom/Retexture/inpaint/outpaint 仍回退到 V6/V6.1，V7 launch 时并非全功能闭环。
  • 取消 Multi-Prompting 与 Character Reference（cref）；不支持 HD 2048px。
  • 官方坦承 V7 是”全新模型，有独特优势也可能有弱点，可能需要不同 prompt 风格”。
  • 透明度局限（本页最大 gap）：架构、数据、训练、infra、benchmark 全部闭源未披露，无法做任何机制级或定量级分析；本页所有内容均来自官方博客 + 帮助文档的产品层描述。

原始链接

一手源存档（sources/）

关系图谱

反向链接