在商业视觉设计与概念插画创作中，创作者面临的最典型痛点莫过于“风格漂移”。当需要围绕同一项目制作成套的分镜脚本、角色设定或品牌主视觉时，仅凭文本提示词往往极为脆弱。为了维持一致的画面调性，创作者通常不得不反复堆砌数十个风格修饰词——例如“电影级光影、低饱和莫兰迪色系、35毫米胶片质感、商业摄影光效”。然而，一旦提示词中的主体或场景发生变化，底层模型便会以不可预测的方式补全画面的隐式细节，导致光影反差、色彩层级和构图透视发生严重断层。
Midjourney 推出的模型个性化（Model Personalization，参数 --p）从底层机制上解决了这一瓶颈。它并非简单的提示词前缀拼接，而是将创作者个人的审美偏好编码为可复用的潜在空间样式偏置。掌握该工作流的核心，在于通过网页端严谨的成对盲选训练审美档案、提取并固化独立的字母数字代码（Hash）、利用风格化参数（--s）与权重语法精确调控影响力度，并在设计团队内部建立标准化的风格分发机制。
1. 工作原理：模型个性化如何终结“风格漂移”
当用户输入的提示词未明确指定全部视觉属性时（例如暗部阴影的色温、镜头虚化程度或画面构图比率），Midjourney 默认会根据海量社区用户的打分偏好填充这些留白。这正是为什么不同提示词生成的画面往往带有强烈的“Midjourney 社区通用画风”。
模型个性化用创作者个人的审美取向替换了社区平均偏好。它作为底层隐式渲染层生效，既不侵占提示词长度，也不会与具体的主体描述产生语法冲突。
| 评估维度 | 传统修饰词堆叠方式 | 模型个性化（--p）工作流 |
|---|---|---|
| 风格稳定性 | 极易漂移；更换主体或环境时色彩与质感频繁突变 | 高度稳定；光影反差、冷暖倾向与构图偏好跨场景保持一致 |
| 提示词负担 | 冗长臃肿；常需附加 15–30 个风格修饰词 | 精简纯粹；聚焦主体、动作与物理场景构建 |
| 词元冲突风险 | 高；风格词容易与主体词争夺注意力权重 | 极低；审美偏好在潜空间直接生效 |
| 团队复用难度 | 困难；不同设计师提示词习惯差异导致产出风格割裂 | 极简；全团队共享同一套短代码即刻对齐风格 |
| 多参数兼容性 | 易与图像参考产生逻辑冲突 | 与 --sref（风格参考）及 --oref（全能主体参考）天然互补 |
2. 训练专属审美偏好：网页端成对盲选工作流
个性化档案并非通过文字输入构建，而是基于一系列直观的视觉选择训练而成。Midjourney 通过成对图像盲选与画廊互动沉淀创作者的审美偏好。
第一步：进入个性化训练界面
登录 Midjourney 官方网页端，进入 Personalize 页面（或图像审美盲选入口）。系统会在屏幕上并列展示两张由算法随机生成、涵盖不同材质、光影与题材的图像。
第二步：保持高度克制的“审美基因”筛选
训练过程中最常见的误区是“随性打分”——仅仅因为某张图看起来精致好看就随手点击。如果你的目标是建立冷峻压抑的废土科幻风格，却频繁给精美的高饱和水彩插画点赞，就会直接污染模型的数据基准。
- 对齐核心审美基因： 始终根据你期望沉淀的明暗对比、色彩调性、镜头透视和材质质感做出选择。
- 善用跳过（Skip）功能： 如果成对出现的两张图片都不符合你的预期视觉方向，果断点击跳过。盲目二选一只会引入审美噪声。
- 结合 Explore 社区点赞： 在 Midjourney 官方 Explore 画廊中对高度契合项目审美的优质作品点赞（Like），同样会被纳入偏好统计。
第三步：达成激活门槛
通常需要完成约 200 次成对打分或点赞，系统才会建立起稳定的个性化偏好特征。创作者可在网页端进度条中查看完成度，或在 Discord 中输入 /info 查看当前账号的评分总量。门槛达成后，个性化功能即在账号内全面解锁。
3. 提取与“冻结”个性化代码（--p）
功能解锁后，在提示词末尾添加 --p 即可调用当前账号的全局审美档案（Global Profile）。但在商业化生产管线中，单纯使用动态的 --p 存在致命隐患：档案漂移。
由于创作者在后续日常浏览中产生的每一次点赞和打分都会持续更新全局档案，周一测试完美的风格，到了周五可能因为数十次新打分而发生细微演变。为了确保商业交付的绝对可重现性，必须提取并“冻结”特定状态的字母数字代码。
# 第一步：使用动态个性化参数生成测试图
/imagine a brutalist concrete pavilion in foggy dawn --p --v 7
# 第二步：查看生成作业生成的实际元数据
# Midjourney 会在作业的完整提示词中将 --p 解析为具体的短代码哈希，例如：
# /imagine a brutalist concrete pavilion in foggy dawn --p ab12cd3 --v 7
固化代码的标准步骤
- 提取哈希字串： 复制已生成作业中展开的专属代码（如
ab12cd3）。 - 硬编码写入提示词： 在后续该项目的全部生图提示词中，将独立的
--p替换为固定代码：--p ab12cd3。 - 调取历史档案： 在 Discord 频道输入
/list_personalize_codes命令，可列出当前账号历史上沉淀的所有版本代码，方便随时回溯特定视觉阶段。
将固定代码写入工作流，即可将该瞬间的审美取向彻底“冻结”，无论今后账号如何打分，该代码生成的风格特征都将恒定不变。
4. 调节影响权重：破除“--pw”误区，精通 Stylize（--s）与双冒号加权
许多习惯了风格参考（--sref）配套参数 --sw（Style Weight）的创作者，会直觉性地尝试寻找 --pw（Personalization Weight）参数，试图写出 --pw 500 这样的指令。
参数事实澄清： Midjourney 官方并不存在独立的
--pw参数。
在实际操作中，调控个性化风格强弱与权重的标准途径包含两个维度：使用 风格化参数（--s） 控制全局审美介入深度；使用 双冒号加权语法（::） 调控多个个性化代码之间的相对权重。
维度一：通过 --s（Stylize）调控全局介入强度
--s（或 --stylize）参数的取值范围为 0 至 1000（默认值为 100）。当开启 --p 时，--s 就成了控制个性化审美接管画面的总油门：
--s 0（完全抑制个性化）： 个性化偏好被彻底关闭，模型完全按照字面意思直接渲染提示词。--s 100（平衡基准）： 默认平衡状态，既融入个人审美偏好的光色质感，又严格遵守提示词主体要求。--s 250至--s 400（商业交付黄金区间）： 在保持主体细节绝对受控的同时，赋予整套画面高度统一的电影感光影与色彩印记。--s 750至--s 1000（审美强势接管）： 个性化代码对镜头构图、明暗反差与胶片质感展开全方位接管，文本提示词更多仅作为概念引子。
/imagine an astronaut examining botanical specimens in a glass greenhouse --p ab12cd3 --s 350 --ar 16:9 --v 7
维度二：混合与加权多组个性化代码（::）
若商业项目需要融合多位创作者的风格优势——例如将艺术总监的电影光影代码与主美概念插画师的材质纹理代码相结合，可通过空格串联并在各代码后使用双冒号赋予权重：
/imagine a cyberpunk courier in rainy alley --p codeA::2 codeB::1 --s 300 --ar 16:9 --v 7
在此示例中，codeA 的美学影响力为 codeB 的两倍，帮助团队在既有风格资产间实现细腻的渐变与混音。
5. 团队协作落地：在设计工作室共享统一视觉标识
在广告代理公司、游戏研发团队或电商视觉部门中，跨成员风格割裂是普遍存在的痛点。每位设计师的提示词词汇量和描述习惯各异，拼接在一起的物料往往极具违和感。
引入模型个性化代码后，设计团队可以建立标准化的视觉中台工作流：
[艺术总监 / 主美设计]
│
▼
完成 200+ 轮严格筛选的成对盲选打分（确立项目视觉基调）
│
▼
生成标杆画面 ──► 提取冻结短代码 (--p studio_hash)
│
▼
写入项目《AI 视觉规范白皮书》并分发
│
┌───────┴───────────────────────┐
▼ ▼
[概念设计师 A] [平面视觉师 B]
提示词："雨夜街道场景..." 提示词："产品展示台..."
+ --p studio_hash + --p studio_hash
+ --s 350 + --s 350
│ │
└───────► 统一的光影层级、色彩饱和度与画面质感 ◄──────┘
与多重参考机制的协同架构
模型个性化并非孤立运作，它能与 Midjourney 的图像参考矩阵形成强大的互补配合：
--p [code]（底层审美直觉）： 主导镜头语言偏好、光线冷暖、景深倾向与影调关系。--sref [URL]（表面艺术媒介）： 锁定具体的视觉媒介风格（如复古丝网印刷、哑光厚涂插画）或具体色盘。--oref [URL] --ow 400（全能主体锚定）： 在 V7 及更高版本中，精确锁定角色容貌、特定道具载具或产品工业结构。
/imagine a pilot standing next to a patrol speeder in dusty hangar --oref https://example.com/speeder.png --ow 400 --sref https://example.com/moodboard.jpg --p studio_hash --s 300 --ar 16:9 --v 7
6. 避坑指南与生产实践建议
要在严谨的商业生产交付中稳定发挥个性化代码的价值，需遵循以下实践准则：
- 严防档案污染： 切勿使用主力生产账号随意浏览打分。若该账号已固化核心代码，应及时复制留存，避免后续娱乐性操作冲淡模型表现。
- 注意模型版本边界： 个性化代码与具体的底层模型版本紧密绑定。在 V6 或 Niji 引擎下生成的代码，直接跨版本应用到 V7 时可能表现异常，重大模型换代时需重新测试并锁定新版本代码。
- 主动清理冗余风格修饰词： 一旦挂载了成熟的
--p代码，务必从提示词中删去诸如“8k、电影质感、超逼真”等空洞修饰词，防止无意义词元干扰底层个性化样式的正确释放。 - 建立项目风格资产库： 在团队知识库（如飞书或 Notion）中集中沉淀各项目代码、推荐
--s区间及对应的标杆测试 Prompt，形成可追溯的数字风格资产。
通过将风格把控从表层的词汇博弈转变为底层的个性化代码固化，视觉创作者得以将 Midjourney 从碰运气的“灵感发生器”，升级为输出稳定、团队协同的高效工业化生产工具。