在商業視覺設計與概念插畫創作中，創作者面臨的最棘手痛點莫過於「風格漂移」。當需要針對同一專案製作成套的分鏡腳本、角色設定或品牌主視覺時，僅憑文本提示詞往往極度脆弱。為了維持一致的畫面調性，創作者通常不得不反覆堆砌數十個風格修飾詞——例如「電影級光影、低飽和莫蘭迪色系、35毫米底片質感、商業攝影光效」。然而，一旦提示詞中的主體或場景發生變換，底層模型便會以不可預測的方式補全畫面的隱式細節，導致光影反差、色彩層級與構圖透視產生嚴重斷層。
Midjourney 推出的模型個人化（Model Personalization，參數 --p）從底層機制上解決了這一瓶頸。它並非單純的提示詞前綴拼接，而是將創作者個人的審美偏好編碼為可重複調用的潛在空間風格偏置。掌握該工作流程的核心，在於透過網頁端嚴謹的成對盲選訓練審美檔案、提取並固化獨立的英數代碼（Hash）、利用風格化參數（--s）與權重語法精確調控影響強度，並在設計團隊內部建立標準化的風格共享機制。
1. 運作原理：模型個人化如何終結「風格漂移」
當使用者輸入的提示詞未明確指定全部視覺屬性時（例如暗部陰影的色溫、鏡頭景深程度或畫面構圖比率），Midjourney 預設會根據龐大社群使用者的評分偏好填充這些留白。這正是為何不同提示詞生成的畫面往往帶有強烈的「Midjourney 社群通用風格」。
模型個人化用創作者個人的審美取向取代了社群平均偏好。它作為底層隱式算圖層生效，既不侵佔提示詞長度，也不會與具體的主體描述產生語義衝突。
| 評估維度 | 傳統修飾詞堆疊方式 | 模型個人化（--p）工作流程 |
|---|---|---|
| 風格穩定度 | 極易漂移；更換主體或環境時色彩與質感頻繁突變 | 高度穩定；光影反差、冷暖傾向與構圖偏好跨場景維持一致 |
| 提示詞負擔 | 冗長臃腫；常需附加 15–30 個風格修飾詞 | 精簡純粹；聚焦主體、動作與物理場景構建 |
| 詞元衝突風險 | 高；風格詞容易與主體詞爭奪注意力權重 | 極低；審美偏好在潛在空間直接生效 |
| 團隊複用難度 | 困難；不同設計師提示詞習慣差異導致產出風格割裂 | 極簡；全團隊共享同一套短代碼即刻對齊風格 |
| 多參數相容性 | 易與圖像參考產生邏輯衝突 | 與 --sref（風格參考）及 --oref（全能主體參考）天然互補 |
2. 訓練專屬審美偏好：網頁端成對盲選工作流程
個人化檔案並非透過文字描述建立，而是基於一系列直觀的視覺抉擇訓練而成。Midjourney 透過成對圖像盲選與畫廊互動沉澱創作者的審美偏好。
第一步：進入個人化訓練介面
登入 Midjourney 官方網頁端，進入 Personalize 頁面（或圖像審美盲選入口）。系統會在螢幕上並列展示兩張由演算法隨機生成、涵蓋不同材質、光影與題材的圖像。
第二步：保持高度克制的「審美基因」篩選
訓練過程中最常見的誤區是「隨性評分」——僅僅因為某張圖看起來精緻好看就隨手點擊。如果你的目標是建立冷峻壓抑的廢土科幻風格，卻頻繁給精美的高飽和水彩插畫按讚，就會直接污染模型的數據基底。
- 對齊核心審美基因： 始終根據你期望沉澱的明暗對比、色彩調性、鏡頭透視與材質質感做出選擇。
- 善用跳過（Skip）功能： 若成對出現的兩張圖片都不符合你的預期視覺方向，果斷點擊跳過。盲目二選一只會引入審美雜訊。
- 結合 Explore 社群按讚： 在 Midjourney 官方 Explore 畫廊中對高度契合專案審美的優質作品按讚（Like），同樣會被納入偏好統計。
第三步：達到啟動門檻
通常需要完成約 200 次成對評分或按讚，系統才會建立起穩定的個人化偏好特徵。創作者可在網頁端進度條中檢視完成度，或在 Discord 中輸入 /info 查詢目前帳號的評分總量。門檻達成後，個人化功能即在帳號內全面解鎖。
3. 提取與「凍結」個人化代碼（--p）
功能解鎖後，在提示詞末尾添加 --p 即可調用目前帳號的全域審美檔案（Global Profile）。但在商業化生產流程中，單純使用動態的 --p 存在重大風險：檔案漂移。
由於創作者在後續日常瀏覽中產生的每一次按讚與評分都會持續更新全域檔案，週一測試完美的風格，到了週五可能因為數十次新評分而發生細微演變。為了確保商業交付的絕對可重現性，必須提取並「凍结」特定狀態的英數代碼。
# 第一步：使用動態個人化參數生成測試圖
/imagine a brutalist concrete pavilion in foggy dawn --p --v 7
# 第二步：檢視生成作業產出的實際元數據
# Midjourney 會在作業的完整提示詞中將 --p 解析為具體的短代碼雜湊，例如：
# /imagine a brutalist concrete pavilion in foggy dawn --p ab12cd3 --v 7
固化代碼的標準步驟
- 提取雜湊字串： 複製已生成作業中展開的專屬代碼（如
ab12cd3）。 - 硬編碼寫入提示詞： 在後續該專案的全部產圖提示詞中，將獨立的
--p替換為固定代碼：--p ab12cd3。 - 調取歷史檔案： 在 Discord 頻道輸入
/list_personalize_codes命令，可列出目前帳號歷史上沉澱的所有版本代碼，方便隨時回溯特定視覺階段。
將固定代碼寫入工作流程，即可將該瞬間的審美取向徹底「凍結」，無論今後帳號如何評分，該代碼生成的風格特徵都將恆定不變。
4. 調節影響權重：破除「--pw」誤區，精通 Stylize（--s）與雙冒號加權
許多習慣了風格參考（--sref）配套參數 --sw（Style Weight）的創作者，會直覺性地嘗試尋找 --pw（Personalization Weight）參數，試圖寫出 --pw 500 這樣的指令。
參數事實澄清： Midjourney 官方並不存在獨立的
--pw參數。
在實際操作中，調控個人化風格強弱與權重的標準途徑包含兩個維度：使用 風格化參數（--s） 控制全域審美介入深度；使用 雙冒號加權語法（::） 調控多個個人化代碼之間的相對權重。
維度一：透過 --s（Stylize）調控全域介入強度
--s（或 --stylize）參數的取值範圍為 0 至 1000（預設值為 100）。當開啟 --p 時，--s 就成了控制個人化審美接管畫面的主控制閥：
--s 0（完全抑制個人化）： 個人化偏好被徹底關閉，模型完全按照字面意思直接算圖。--s 100（平衡基準）： 預設平衡狀態，既融入個人審美偏好的光色質感，又嚴格遵循提示詞主體要求。--s 250至--s 400（商業交付黃金區間）： 在維持主體細節絕對受控的同時，賦予整套畫面高度統一的電影感光影與色彩印記。--s 750至--s 1000（審美強勢接管）： 個人化代碼對鏡頭構圖、明暗反差與底片質感展開全方位接管，文本提示詞更多僅作為概念引子。
/imagine an astronaut examining botanical specimens in a glass greenhouse --p ab12cd3 --s 350 --ar 16:9 --v 7
維度二：混合與加權多組個人化代碼（::）
若商業專案需要融合多位創作者的風格優勢——例如將藝術總監的電影光影代碼與主美概念插畫師的材質紋理代碼相結合，可透過空格串聯並在各代碼後使用雙冒號賦予權重：
/imagine a cyberpunk courier in rainy alley --p codeA::2 codeB::1 --s 300 --ar 16:9 --v 7
在此範例中，codeA 的美學影響力為 codeB 的兩倍，協助團隊在既有風格資產間實現細膩的過渡與融合。
5. 團隊協作落地：在設計工作室共享統一視覺識別
在廣告代理公司、遊戲研發團隊或電商視覺部門中，跨成員風格割裂是普遍存在的痛點。每位設計師的提示詞詞彙量與描述習慣各異，拼接在一起的物料往往極具違和感。
引入模型個人化代碼後，設計團隊可以建立標準化的視覺中台工作流程：
[藝術總監 / 主美設計]
│
▼
完成 200+ 輪嚴格篩選的成對盲選評分（確立專案視覺基調）
│
▼
生成標竿畫面 ──► 提取凍結短代碼 (--p studio_hash)
│
▼
寫入專案《AI 視覺規範白皮書》並分發
│
┌───────┴───────────────────────┐
▼ ▼
[概念設計師 A] [平面視覺師 B]
提示詞："雨夜街道場景..." 提示詞："產品展示台..."
+ --p studio_hash + --p studio_hash
+ --s 350 + --s 350
│ │
└───────► 統一的光影層級、色彩飽和度與畫面質感 ◄──────┘
與多重參考機制的協同架構
模型個人化並非孤立運作，它能與 Midjourney 的圖像參考矩陣形成強大的互補配合：
--p [code]（底層審美直覺）： 主導鏡頭語言偏好、光線冷暖、景深傾向與影調關係。--sref [URL]（表面藝術媒介）： 鎖定具體的視覺媒介風格（如復古絹印、消光厚塗插畫）或具體色票。--oref [URL] --ow 400（全能主體錨定）： 在 V7 及更高版本中，精確鎖定角色容貌、特定道具載具或產品工業結構。
/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. 實務避坑指南與生產建議
要在嚴謹的商業生產交付中穩定發揮個人化代碼的價值，需遵循以下實務準則：
- 嚴防檔案污染： 切勿使用主力生產帳號隨意瀏覽評分。若該帳號已固化核心代碼，應及時複製留存，避免後續娛樂性操作稀釋模型表現。
- 注意模型版本界限： 個人化代碼與具體的底層模型版本緊密綁定。在 V6 或 Niji 引擎下生成的代碼，直接跨版本應用到 V7 時可能表現異常，重大模型換代時需重新測試並鎖定新版本代碼。
- 主動清理冗餘風格修飾詞： 一旦掛載了成熟的
--p代碼，務必從提示詞中刪去諸如「8k、電影質感、超逼真」等空洞修飾詞，防止無意義詞元干擾底層個人化樣式的正確釋放。 - 建立專案風格資產庫： 在團隊知識庫（如 Notion 或 Figma）中集中沉澱各專案代碼、推薦
--s區間及對應的標竿測試 Prompt，形成可追溯的數位風格資產。
透過將風格把控從表層的詞彙博弈轉變為底層的個人化代碼固化，視覺創作者得以將 Midjourney 從碰運氣的「靈感發生器」，升級為輸出穩定、團隊協同的高效工業化生產工具。