Midjourney 概念介绍
概念介绍
Midjourney 是一套托管式的文生图（text-to-image）服务。用户用一段自然语言描述画面，服务端在几十秒内返回四张缩略图组成的一组 grid，再从中挑选一张放大（upscale）、或基于某一张继续生成变体（vary）。它的底层扩散模型不开源、不提供权重下载、也不支持本地部署，所有推理都发生在官方服务器上——这一点决定了它和 Stable Diffusion、ComfyUI 的根本区别。
用一句话概括它解决的问题：把「我想画一个什么东西」翻译成「一张能直接用的图」这件事，从需要数天沟通、建模、渲染的流程，压缩到几分钟的对话里。它不要求你会画画，也不要求你会写代码，只要求你能把脑子里的画面拆成模型听得懂的词组。
与同类工具的定位差异
- 对比 Stable Diffusion / ComfyUI：后两者是开源的本地推理方案，优势是可控性——LoRA 微调、ControlNet 骨骼约束、IP-Adapter 特征注入，能做到像素级的姿势与结构控制；代价是硬件门槛（需要独立显卡）、环境配置成本和调参曲线。Midjourney 反过来：控制手段少、不能训练专属模型，但开箱即用的成图质感和审美水准更高，适合「先出图、再谈控制」的场景。
- 对比 DALL·E / 即梦等对话式生图：这类工具与聊天产品深度绑定，强项是理解复杂句子和画面内文字排版，适合插画、示意图、带字海报。Midjourney 的强项是光影、材质、摄影写实感与统一风格批量产出，弱项恰恰是画面内的文字——它生成的文字经常是乱码，标书、海报上的中文标题建议后期加。
- 对比本地 SD 工作流：Midjourney 用订阅制买「GPU 分钟」，按用量计费；本地方案是一次性硬件投入、按电费计费。用量大、要求风格稳定可控的团队，往往会两条腿走路：Midjourney 出概念图和主视觉，SD / ComfyUI 做后期的精确修正与批量派生。
核心术语表
下面这些词会贯穿全文，先混个脸熟，后面每一节都会用到。
| 术语 | 含义与用途 |
|---|---|
prompt | 提示词。描述画面的那段自然语言，外加跟在后面的参数。它是你唯一的主要输入。 |
| 参数 | 写在 prompt 末尾、以两个连字符开头的开关，如 --ar 16:9。参数不描述画面内容，只控制画幅、风格强度、随机性这类「生成方式」。 |
grid | 一次任务返回的四张图组成的拼版。默认 2×2，四张图共享同一个 prompt，但被四个不同的随机种子同时生成，用于快速比对方向。 |
upscale | 放大。把 grid 里选中那一张的尺寸与细节提升一档，同时分离出独立的单张图片。放大过的图才是可以交付、可以继续做 Zoom / Pan 的成品。 |
seed | 随机种子。同一 prompt 搭配同一 seed，能复现出高度接近（实践中几乎是同一张）的图，是做系列图、做 A/B 对比、做多人协作复现的关键。 |
sref | Style Reference，风格参考。喂一张图，让新生成的图沿用它的画风、色调、笔触，但内容由 prompt 决定。配合 --sw 控制风格权重。 |
cref | Character Reference，角色参考。喂一张人物图，让新图里的人物保持同一张脸、同一套装扮。配合 --cw 控制「只锁脸」还是「连衣服一起锁」。做 IP、做连载漫画、做同一人物多场景时必用。 |
job | 任务。提交一次 /imagine 就是提交一个 job，它会被排进队列，完成后在频道里返回结果。查排队与用量用 /info。 |
一个容易被忽略的心智模型：Midjourney 不是「画图工具」，而是一个「有审美偏好的合作者」。它对构图、光线、材质的默认处理已经很强，你写 prompt 的工作量往往不在「描述得多细」，而在「把不该出现的东西排除掉」以及「把风格锚定住」。
