Midjourney 发布 V4 测试版

背景

Midjourney 提供的是一种文生图（text-to-image）服务：用户写下一段文字描述，模型返回与描述相符的图像。这家公司用编号标记自家图像模型的代际，新一代通常先以 alpha（早期测试版）的形式放出，让用户在开发继续推进的同时先试用，再根据反馈打磨。这类模型一般由两段过程组成：先用大量图文数据训练，再在用户提交提示时生成图像；V4 的变化正好落在这两段所依赖的硬件上。

发布

2022 年 11 月 5 日，Midjourney 以 alpha 形式发布 V4。^[1] 这是该公司图像模型第四个编号世代与用户见面的版本，性质上是测试版，而不是完成品。

算力上的变化

最能落到实处的变化发生在训练环节：从 V4 开始，Midjourney 的模型改用 Google TPU 训练。^[1][2] TPU（张量处理单元，tensor processing unit）是专为机器学习所需的那类运算——大批量的矩阵乘法——而设计的芯片，并不承担通用计算。训练一个文生图模型，等于让它反复看大量「图像—文本」配对，并据此一遍遍调整参数，使输出越来越接近给定的描述；这个循环非常吃算力，跑在什么硬件上，直接决定模型能以多快的速度、多大的规模训出来。

提供这些硬件的 Google Cloud 表示，Midjourney 是在运行 NVIDIA GPU 的 Google Cloud GPU 虚拟机上渲染图像的，TPU 则用于训练。^[2] 训练与生成分开使用不同硬件，是 AI 系统里常见的分工：训练是长时间的吞吐型任务，跑多久都要跑完；而为一位等待中的用户生成图像是短任务，更在意延迟。GPU（图形处理器，graphics processing unit）原本为图形渲染设计，因为擅长并行计算，后来成为深度学习的主力硬件；TPU 这类专用加速器则被造来接住最重的训练负载。

反响

The Decoder 把 V3 到 V4 的跨代变化形容为巨大，认为 V4 生成的图像更讨喜、细节更多，也更贴合输入的提示词。^[3] 提示词贴合度（prompt adherence）一直是文生图模型常被指出的短板——画面可以很漂亮，却画错主体、数量或位置——因此这方面的改善是用户最容易直接感知到的，因为它体现在最日常的用法里：同一句提示，得到的图更接近脑子里想的样子，返工重写的次数就少了。

Midjourney 在 V4 的测试阶段收集了社区评分，并表示这一过程进一步提升了最终版本的质量。^[3] 这类评分的常见做法，是把两幅生成图像摆在一起让用户选哪个更好；由此得到的偏好数据，是让模型向「人真正会选的」方向调整的常用手段，而不只是优化某个自动指标。对一个仍在迭代中的模型来说，这相当于把大量用户的判断接进了开发流程。

后续

面向动漫风格的 Niji 模型随后在 2022 年 12 月 20 日发布。^[1] 与面向广泛题材的通用模型不同，它把重点放在一种特定画风上，这一代产品的迭代也开始按风格和用途分化。