AI Research 技术调研

Midjourney V8.1

15分钟阅读

一句话定位

Midjourney V8.1 是 Midjourney 2026 年 V8 系列的第二个迭代（基座 V8.0 于 2026-03-17 内测，V8.1 于 2026-04-30 发布、2026-06-10 成为默认模型），是一款闭源文生图产品模型；最关键的卖点是速度——官方称标准任务渲染比旧版快约 4–5 倍，SD（标准）出图约 4 秒、HD（原生 2K）约 12 秒，HD 模式相比 V8.0 alpha 提速并降价约 3 倍；同时保持与 V7 一致的审美风格、更强的提示词遵循和文本渲染。架构、数据与训练的工程细节均未公开。

背景与定位

Midjourney 一贯不发表论文 / 技术报告 / model card，模型为纯闭源 SaaS（Web + Discord），所有可考信息只来自官方更新博客（updates.midjourney.com）与帮助文档（docs.midjourney.com）。因此本页对“数据 / 架构 / 训练目标 / infra / 标准 benchmark”等维度只能给出官方博客披露的定性信息与零散数字，严禁推测具体技术实现。

技术脉络上，V8.1 延续 Midjourney 自 midjourney-v6、V6.1、V7 一路演进的产品迭代：

  • V6（2023-12）：长提示词准确性、连贯性、图像提示与 remix。
  • V6.1（2024-07）：连贯性与细节提升，比 V6 快约 25%。
  • V7（2025-04 发布、2025-06 默认）：文本/图像提示精度大幅提升，纹理与肢体/手部连贯性改善；docs 明确 V7 引入 Draft Mode 与 Omni Reference（个性化 Personalization 在 V6 已支持，非 V7 新增）。
  • V8.0 alpha（2026-03-17，仅在 alpha.midjourney.com 内测）：全新模型，号称比此前快约 5 倍；新增原生 2K 的 --hd 模式与提供额外连贯性的 --q 4 模式；强调通过个性化、风格参考（sref）、moodboard 理解用户审美；引号内文本渲染显著改善。
  • V8.1（2026-04-30）：在 V8.0 基础上做审美回调与效率优化，找回 V7 风格的稳定一致性，回归社区喜欢的 image prompt / image weight 等功能，并将 HD 设为默认（后因服务器迁移又临时改回 SD 默认）。

V8.1 在 Midjourney 自家版本谱系中的定位是“最快的 Midjourney 模型”，主打快速探索/迭代的体验（官方称 V8.1 SD 满质量的速度相当于 V7 的 draft 模式），同时把原生高分辨率（2K）作为常态化能力。它与同期开源/可控的扩散家族（如 latent-diffusion-ldm、rectified-flow/flow-matching 路线、latent-consistency-models 加速）属于完全不同的披露范式——后者公开方法与权重，Midjourney 只公开产品行为。

模型架构

未披露。 官方从未公布 V8/V8.1 的 backbone（U-Net / DiT / MMDiT / 自回归 / 掩码生成均无确认）、visual tokenizer / VAE、text encoder（T5 / CLIP / LLM）、条件注入方式、参数量或具体分辨率策略。可从博客观察到的、与架构能力相关的产品级事实：

  • 分辨率档位：V8.1 支持两档——
    • SD（标准分辨率）：默认快速档；
    • HD：原生 2K（2048px）渲染、无需 upscale（与 V6/V7 不支持原生 HD 形成对比）。官方称“HD 模式下 V8.1 输出是 V7 图像的 2 倍尺寸、4 倍分辨率”。HD 的最大宽高比限制为 4:1（SD 仍为 14:1）。
  • 额外连贯性档：V8.0 alpha 引入 --q 4 模式提供“一点额外连贯性”（V8.1 的 Quality 参数表标为不适用，疑随版本调整；见“局限”）。
  • 控制/条件能力（产品层）：支持 --chaos、--weird、--exp、--raw（去默认风格化、提升提示遵循）、--stylize、--tile、--sref（Style Reference，含 sref code）、Moodboard、Personalization profile、Image Prompt + Image Weight、Seed（V8.1 标注 seed 复现“99% 一致”）。
  • 不向后兼容/复用的能力：V8.1 的 Character Reference / Character Weight 不支持；Omni Reference 在 V8.1 下回退使用 V7 模型（官方说明“V8 改进版 Omni Reference 仍在训练中”）；Editor / Pan / Zoom Out 在 V8.1 下复用 V6.1 的对应模型（docs 对照表标注 “Using V6.1”）；Upscaler 在 V8.1 仅作用于 SD 图像（docs 标 “SD Images”，并非复用 V6.1）；不支持 Turbo 模式、不支持 Multi-Prompting、不支持 --niji。

这些都属于行为/接口层面的观察，不能据此反推内部网络结构。

数据

未披露。 官方从未公布训练数据来源、规模、配比、清洗过滤、re-captioning 或合成数据策略。唯一可考的、与“数据”相关的一手信息是人类审美偏好数据的众包采集机制（详见“训练方法”）：Midjourney 通过“Rating Party”让社区对成对图像做美学偏好打分，作为模型优化的训练信号。除此之外，图文对数量、版权来源、安全/NSFW 过滤等均无官方数字。

训练方法

训练目标 / 多阶段流程 / 蒸馏方案均未披露。 不过 Midjourney 公开了其标志性的人类审美偏好对齐数据闭环，这是其训练方法中可考的核心部分：

  • Rating Party（成对偏好打分）：发布前与发布后，官方在 midjourney.com/rank-v8、rank-v8-1 等页面投放成对图像，让社区用户选择“更美”的一张（键 1 = 左、2 = 右、3 = 跳过）。官方强调：
    • 用于 ranking 的图像“并不代表即将发布的模型”，而是刻意做得平淡/无个性甚至偏差，以帮助系统学习社区想要的方向、并“给垃圾图打标签”是流程中很重要的一环；
    • 这些评分“很认真”，被当作严肃的训练数据。
  • 原生 2K 偏好采集：因为此前的 rating party 从未在满 2K 分辨率下做过，官方专门发起 High-res rating（2026-04-27），让用户在“从零生成的 raw 2K 图像”上排序，以把模型调到原生 HD/2K 层面就“漂亮”（而非靠 upscale）。这条直接对应 V8.1/V8.2 的 HD 画质提升。
  • 持续在线迭代：V8.1 Updates（2026-04-30）明确“你们提供的评分数据正在持续帮助我们改进 V8.2 的质量”，说明偏好数据是跨版本持续喂入的在线闭环。
  • 审美回调：V8.1 相对 V8.0 的一个显式训练目标是“找回 V7 风格的一致与熟悉审美”，让 moodboard 与 sref 表现“超级稳定”；V8.1 Updates 又进一步“提升锐度与画质”（对 sref/moodboard 与 HD 最明显）。

注意：官方从未说明这套偏好数据具体是用作 reward model + RL（RLHF/DPO 等）还是仅用于数据筛选/再训练；扩散/flow/自回归等底层训练目标、蒸馏与步数加速方案（速度提升的来源）均未披露，不得编造。速度的工程化（“升级了 Web 界面来支撑这一速度”、“为 Relax 与更便宜的渲染做新服务器集群”）只见于产品层描述。

Infra（训练 / 推理工程）

训练算力 / GPU 时 / 并行策略 / 精度 / 吞吐均未披露。 可考的只有推理与计费侧的产品事实（以 GPU 分钟与端到端时延衡量）：

  • 端到端时延（官方“默认模型”公告）：V8.1 SD 约 4 秒出图、HD 约 12 秒。
  • 相对提速：标准任务比旧版快约 4–5 倍（docs）；V8.0 alpha 已号称比此前快约 5 倍；V8.1 相对 V8.0，HD 提速并降价约 3 倍、SD 提速 50% 且便宜 25%。
  • GPU 时计费（docs，按“GPU 分钟”计）：V8.1 HD = 1.3 分钟 GPU 时，SD = 0.8 分钟 GPU 时。
  • Draft 模式（2026-06-16）：单次 draft 生成 24 张低分辨率/低质量图，整体只花 V8.1 SD 任务一半的 fast hours；点 “Vary” 再把选中图渲染成全质量全分辨率。
  • 服务器集群 / 模式：V8.0 alpha 初期 Relax 模式尚不支持，官方在建“新服务器集群”支持 Relax 与更便宜的渲染档；V8.1 上线后 Relax/Fast 可用、Turbo 不可用。V8.1 Updates 提到“为节省一次服务器迁移期间的算力，暂时把 SD 设为默认”。
  • 早期 V8.0 alpha 的相对计费：--hd、--q 4、sref、Moodboard 任务约为常规任务的 4 倍慢、4 倍价；--hd 与 --q 4 同开为 16 倍——这些是 V8.0 内测期数据，V8.1 已大幅下调（HD 降为 1.3 分钟）。

底层是否做了步数蒸馏 / 缓存 / 量化以达成 4 秒出图，官方未说明。

评测 benchmark（把效果讲清楚）

没有任何标准化学术 benchmark 数字。 Midjourney 不报告 FID、CLIPScore、GenEval、T2I-CompBench、DPG-Bench、MJHQ-30K、HPSv2、ImageReward、PickScore、GEdit/MagicBrush 等任何指标；也没有官方公布的 LMArena / Artificial Analysis 图像竞技场 ELO（小规模检索未找到针对 V8.1 的清晰一手榜单数据）。本页不编造任何评测数字。

官方给出的“效果”只能以**定性主张 + 产品级量化（速度/分辨率/计费）**呈现：

维度V7V8.1来源
SD 出图时延—（V8.1 SD≈V7 draft 速度）~4 秒默认模型公告
HD 出图时延不支持原生 HD~12 秒默认模型公告
原生分辨率无原生 2K原生 2K（2048px），相对 V7 为 2×尺寸 / 4×分辨率默认模型公告 / docs
相对速度基准比旧版快 ~4–5×docs
GPU 计费—SD 0.8 分钟 / HD 1.3 分钟docs
提示遵循 / 文本渲染较 V6 强“更聪明、更连贯、更好遵循细节提示、文本渲染前所未有地好”默认模型公告
sref/moodboard 稳定性基准“super stable”，与 V7 风格一致V8.1 Alpha post

其余如“锐度/画质提升”（V8.1 Updates，对 sref/moodboard 与 HD 最明显）均为官方主观描述，无量化对照。严谨结论：V8.1 的“效果”在公开层面无法用学术指标量化，只能引用官方的相对速度/分辨率/计费数字与定性主张。

创新点与影响

  • 核心可考贡献：(1) 把原生 2K（HD）做成常态能力并大幅降本提速（HD 1.3 分钟 GPU 时、约 12 秒），(2) 速度优先的产品定位（SD 约 4 秒、相对旧版 4–5×），(3) 审美一致性回调（V8.0→V8.1 找回 V7 风格、sref/moodboard 稳定），(4) 成体系的社区成对审美偏好打分（Rating Party）闭环，且专门在 2K 分辨率上重做 ranking 以提升“原生 HD 美感”。
  • 影响：作为头部闭源审美向 t2i 产品，V8.1 强化了“人类审美偏好众包 → 持续在线对齐”这一与开源学术路线（公开方法/权重/benchmark）截然不同的范式；其“draft（24 图低成本探索）→ vary（精修）”工作流也是产品化的探索-精修范式样本。
  • 已知局限 / 缺口：
    • 能力回退：V8.1 下 Character Reference 不支持；Omni Reference 回退用 V7（V8 版仍在训练）；Editor/Pan/Zoom Out 复用 V6.1；Upscaler 仅作用于 SD 图像（非复用 V6.1）；不支持 Turbo、Multi-Prompting、--niji。
    • HD 编辑降采样：对 HD 图使用 inpaint/outpaint（Pan/Zoom/Vary Region）会降采样回 SD，需再 Upscale 才回到 HD。
    • 内测属性：V8 系列长期标注“早期测试、可能无预告变动”；HD vs SD 默认随服务器迁移反复。
    • 披露缺口（本页确认未获取/未披露的维度）：模型架构、训练目标与蒸馏方案、训练数据来源/规模/配比、训练算力/并行/精度、所有标准化 benchmark 与第三方 ELO——Midjourney 官方一律未公开。

原始链接

一手源存档（sources/）

关系图谱

反向链接