Ещё пару лет назад генерация изображений по текстовому запросу казалась чем-то из области научной фантастики — этакий фокус, доступный горстке инженеров из Кремниевой долины. А сейчас любой обыватель с доступом к Discord способен за минуту получить картинку, которую вручную художник рисовал бы несколько дней. Midjourney — один из самых обсуждаемых инструментов в этой нише, и вокруг него уже сложился целый бомонд из дизайнеров, маркетологов и просто энтузиастов. Однако львиная доля пользователей работает с нейросетью интуитивно, методом проб и ошибок, толком не понимая, что происходит «под капотом». А начать стоит именно с базовых принципов — ведь без них даже самый изящный промпт превращается в лотерею.
Что скрывается за словом «промпт»?
Промпт. Короткое заимствованное словечко, которое за последние два года стало чуть ли не профессиональным термином. По сути, это текстовая инструкция, набранная пользователем в строке ввода, — та самая фраза, на основе которой нейросеть создаёт изображение. Но вот нюанс: Midjourney воспринимает этот текст совсем не так, как его читает человек. Мы видим смысл, контекст, подтекст. Нейросеть же раскладывает каждое слово на числовые координаты в многомерном пространстве (так называемые эмбеддинги) и ищет между ними математические связи. Дело в том, что модель обучена на миллиардах пар «изображение — текстовое описание», и за время обучения она выстроила внутреннюю карту, где каждое понятие занимает своё место рядом с похожими. Слово «закат» оказывается ближе к «рассвету», чем к «стулу», — и именно эта близость определяет визуальный результат. Довольно простая идея на словах, но за ней стоит колоссальный объём вычислений.
Токенизация и эмбеддинги
Первый этап обработки текста — разбиение на токены. Это не всегда привычные нам слова целиком. Скажем, слово «photorealistic» нейросеть может разделить на два фрагмента: «photo» и «realistic». Каждый такой кусочек превращается в вектор — набор из нескольких сотен числовых значений. И вот уже не буквы и слоги управляют результатом, а точки в пространстве, расстояние между которыми определяет степень семантической близости. Стоит отметить, что Midjourney использует архитектуру CLIP (Contrastive Language–Image Pre-training), разработанную в OpenAI. Именно CLIP-энкодер берёт на себя роль «переводчика» между человеческим языком и внутренним языком нейросети. Он сопоставляет текстовые эмбеддинги с визуальными — теми, что были получены при анализе миллионов картинок. Результат этого сопоставления и становится «техзаданием» для генератора.
Интересный момент: порядок слов в промпте всё-таки имеет значение, хотя и не такое линейное, как в обычном предложении. Слова, стоящие ближе к началу запроса, получают чуть больший «вес». Это связано с тем, что модель внимания (attention mechanism) распределяет приоритеты неравномерно. Поэтому фраза «dark forest with glowing mushrooms» и «glowing mushrooms in a dark forest» дадут похожие, но всё же различные результаты. В первом случае лес будет доминировать, во втором — грибы перетянут на себя фокус.
Ваш личный ИИ-отдел маркетинга, который работает 24/7 📈
Ускорьте создание контента в 10 раз! Этот мульти-ИИ сервис позволяет писать безупречные продающие посты, генерировать уникальные фото для соцсетей, создавать рекламные промо-ролики с нуля и писать для них музыку в пару кликов. Идеальное решение для предпринимателей, маркетологов и SMM-специалистов. Всё в едином удобном интерфейсе — больше не нужно переключаться между десятком вкладок.
Делегируйте рутину искусственному интеллекту и увеличивайте продажи. Начните работу здесь 👉 https://clck.ru/3RNCRL
Как нейросеть строит изображение из шума?
Магия рождения картинки. Вот где начинается самое интересное. Midjourney основана на принципе диффузионных моделей, и суть их работы довольно контринтуитивна. На этапе обучения модель «учится» постепенно добавлять шум к реальным изображениям — шаг за шагом превращая фотографию в хаотичное месиво пикселей. А потом учится проделывать обратный путь: из чистого шума восстанавливать осмысленную картинку. Когда пользователь вводит промпт, нейросеть начинает именно с шума — случайного набора цветовых пятен — и за несколько десятков итераций «вылепливает» из него изображение, ориентируясь на текстовые эмбеддинги как на компас.
Каждая итерация — это крохотный шажок от хаоса к порядку. Нейросеть смотрит на текущее состояние картинки, сверяется с «компасом» промпта и убирает часть шума так, чтобы результат стал чуть ближе к заданному описанию. Процесс не мгновенный. Даже на мощных серверах с графическими процессорами NVIDIA A100 генерация одного изображения занимает от десяти до шестидесяти секунд — в зависимости от версии модели и параметров. И всё же это ничто по сравнению с часами работы иллюстратора. Впрочем, сравнивать живого художника и алгоритм — занятие неоднозначное.
Стоит ли зубрить «волшебные слова»?
В сети бродят целые каталоги «магических» слов для Midjourney. Пишут, что стоит добавить «cinematic lighting» — и картинка мгновенно станет шедевром. Или что «8K, ultra-detailed, masterpiece» превратит любой запрос в произведение искусства. На самом деле это работает, но не совсем так, как думают многие. Ведь нейросеть не понимает слово «masterpiece» в человеческом смысле — она просто связывает его с визуальными паттернами тех изображений, рядом с которыми это слово встречалось в обучающей выборке. Если в датасете фотографии с подписью «masterpiece» чаще всего были высокодетализированными работами с хорошей композицией, то и результат будет тяготеть к такому стилю. Но гарантий никаких. Тем более что от версии к версии поведение модели меняется, и слова, работавшие в V4, могут давать совсем другой эффект в V6.
Не стоит гнаться за длинными промптами, нафаршированными модификаторами. Кстати, опытные пользователи давно заметили обратное: короткий, ёмкий запрос часто даёт более цельный результат, чем раздутый до трёх строк набор прилагательных. Это связано с тем, что при слишком большом количестве токенов внимание модели «размазывается» — она пытается угодить всем словам сразу и в итоге не угождает ни одному. Золотая середина — где-то в районе десяти-двадцати осмысленных слов. Короче — рискуешь получить слишком обобщённый результат. Длиннее — рискуешь получить кашу.
Роль параметров и модификаторов
Помимо самого текста, Midjourney принимает набор технических параметров, которые влияют на процесс генерации не меньше, чем слова. Один из самых обсуждаемых — —stylize (или —s). Чем выше его значение, тем сильнее нейросеть «отходит» от буквального следования промпту в сторону собственного понимания эстетики. При низком значении (скажем, 50) картинка окажется ближе к тому, что вы описали словами, но может выглядеть довольно сухо. При высоком (750–1000) нейросеть начинает «творить» — добавлять детали, играть со светом, усложнять композицию. Но при этом может и «забыть» о части вашего запроса.
Следующий важный параметр — —chaos. Он контролирует степень вариативности между четырьмя вариантами в сетке. При нулевом значении все четыре картинки будут похожи друг на друга, при максимальном (100) — каждая окажется совершенно самостоятельной интерпретацией промпта. К тому же в последних версиях появился параметр —weird, который буквально толкает нейросеть в сторону неожиданных, нестандартных визуальных решений. Результат бывает впечатляющим, а бывает — откровенно странным. Ну и, конечно же, нельзя не упомянуть —ar (aspect ratio), задающий соотношение сторон. Казалось бы, мелочь, но от неё зависит вся композиция: портретный формат 2:3 и кинематографический 21:9 — это два совершенно разных мира.
Как работают отрицательные промпты?
Бывает так: описал идеальную сцену, получил красоту — но в углу зачем-то торчит лишний персонаж или текст. Раздражает. Для борьбы с подобными артефактами в Midjourney существует параметр —no. По механике он делает вот что: берёт указанное слово, вычисляет его эмбеддинг и «отталкивает» генерацию в противоположном направлении в семантическом пространстве. Грубо говоря, если написать «—no text», нейросеть будет стараться уйти от визуальных паттернов, ассоциирующихся с надписями и буквами. Работает ли это идеально? Вовсе нет. Иногда текст всё равно просачивается, особенно если в промпте есть слова вроде «poster» или «sign», которые сами по себе сильно связаны с текстовыми элементами в обучающих данных. Но в большинстве случаев —no заметно снижает вероятность появления нежелательных деталей.
Многопромптинг и разделение концепций
Одна из довольно мощных, но недооценённых техник — использование двойного двоеточия (::) для разделения промпта на смысловые блоки. Зачем это нужно? Допустим, вы хотите получить изображение «горячей собаки» — в смысле хот-дога, а не перегревшегося пса. Если написать «hot dog» одной фразой, нейросеть может интерпретировать это по-разному: иногда как еду, иногда буквально. А вот запись «hot:: dog» разделяет понятия, и нейросеть обрабатывает «hot» и «dog» как два независимых вектора. К слову, после двоеточия можно указать числовой вес: «forest::2 castle::1» — и лес получит вдвое больший приоритет, чем замок.
Это же правило касается более сложных композиций. Скажем, промпт «japanese garden:: cyberpunk city:: sunset::0.5» создаст сцену, где японский сад и кибергород доминируют, а закат выступает лёгким фоновым акцентом. Техника не из лёгких — с непривычки результаты могут оказаться хаотичными. Но когда приноровишься, мультипромптинг превращается в настоящий кладезь возможностей для тонкой настройки композиции.
Почему одни и те же слова дают разный результат?
Случайность. Вот подводный камень, о котором забывают новички. При каждом запуске Midjourney использует случайный «сид» — начальное числовое значение, определяющее стартовый шум. Разный сид — разная отправная точка — разный результат. Даже если промпт один и тот же, буква в букву. Это не баг, а фича: нейросеть не запоминает свои предыдущие работы, а каждый раз генерирует картинку «с нуля». Если же хочется воспроизвести конкретный результат, стоит зафиксировать сид через параметр —seed и сохранить его номер.
Но даже с фиксированным сидом полной идентичности добиться не всегда удастся. Тем более что разработчики периодически обновляют модель, меняют внутренние веса, дообучают на новых данных. Картинка, полученная в марте 2024-го, при повторном запросе в июле 2025-го может выглядеть иначе — даже с тем же самым сидом и промптом. С этим остаётся только смириться: нейросеть — живой организм в том смысле, что она постоянно эволюционирует.
Языковые нюансы: английский против остальных
Многие считают, что Midjourney одинаково хорошо работает с любым языком. На самом деле — нет. Львиная доля обучающих данных была на английском, и именно англоязычные промпты дают самый предсказуемый и детализированный результат. Можно ли писать на русском? Да, нейросеть его понимает, но через «посредника»: русский текст сначала проходит через мультиязычный слой CLIP, где теряется часть семантических нюансов. Если написать «уютная осенняя аллея с фонарями», результат будет вполне приличным. Но англоязычный аналог «cozy autumn alley with lanterns, golden leaves, warm light» с высокой вероятностью окажется более детализированным. Это не приговор — скорее, рабочая рекомендация. Для быстрых экспериментов русский вполне сгодится, а вот для финального результата нет смысла переплачивать усилиями — проще сразу писать на английском.
Версии модели и их различия
Midjourney не стоит на месте. Буквально за три года проект прошёл путь от V1, выдававшей размытые абстракции с отдалённым сходством с запросом, до V6.1, способной генерировать фотореалистичные изображения с читаемым текстом (да-да, модель наконец-то научилась более-менее корректно рисовать буквы). Каждая новая версия — это не просто «улучшение качества», а переработка архитектуры. В V5 появилось заметно более точное следование промпту. В V6 разработчики пересмотрели подход к обработке естественного языка, и модель стала лучше понимать длинные описательные запросы вместо набора ключевых слов через запятую.
Отдельно стоит упомянуть режим —niji, оптимизированный под аниме-стилистику. Этот режим обучен на отдельном датасете с преобладанием японской анимации и иллюстрации, и его «понимание» промпта заточено под соответствующую эстетику — большие глаза, динамичные позы, характерная палитра. Один и тот же промпт в стандартном режиме и в niji даст настолько разные результаты, что сложно поверить в общее происхождение.
Чего нейросеть всё ещё не понимает?
При всех впечатляющих возможностях у Midjourney остаётся целый ворох слабых мест. Во-первых, пространственные отношения — настоящая ахиллесова пята. Промпт «кот сидит НА столе» и «кот сидит ПОД столом» нейросеть различает довольно плохо. Дело в том, что предлоги в эмбеддинг-пространстве имеют слабый вес по сравнению с существительными, и модель склонна их «проглатывать». Во-вторых, точный подсчёт объектов — ещё одна проблема. «Три яблока на тарелке» могут запросто превратиться в четыре или два. Нейросеть не умеет считать в привычном нам смысле — она оперирует вероятностями, а не арифметикой.
Ну, а с текстом на изображениях дело обстоит хоть и лучше, чем раньше, но всё ещё далеко от идеала. В V6 модель научилась генерировать короткие надписи (до трёх-четырёх слов) более-менее читаемо, если заключить текст в кавычки внутри промпта. Однако длинные фразы или кириллица по-прежнему превращаются в «абракадабру» — красивую, стильную, но бессмысленную. Ведь модель не «пишет» текст, а «рисует» его, воспроизводя визуальные паттерны букв без понимания их значения.
Промпт-инжиниринг как навык
За модным термином «промпт-инжиниринг» скрывается довольно практичное умение формулировать запросы так, чтобы нейросеть выдавала максимально близкий к задумке результат. И это действительно навык, а не талант — он нарабатывается через практику. Первый постулат: описание стоит строить от общего к частному. Сначала — объект или сцена, затем — стиль, потом — освещение, настроение, детали. Такая последовательность совпадает с тем, как модель распределяет «внимание» по токенам.
Второй важный момент — использование конкретных референсов вместо абстрактных описаний. Фраза «in the style of Hayao Miyazaki» сработает эффективнее, чем попытка описать этот стиль словами «мягкие цвета, плавные линии, сказочная атмосфера». Нейросеть знает Миядзаки по тысячам изображений из обучающей выборки и мгновенно активирует нужные визуальные паттерны. Точно так же работают ссылки на фотографов, художников, киноэстетику. «Shot on Kodak Portra 400» — и картинка приобретает характерную плёночную зернистость и тёплую палитру. Само собой, это работает только с достаточно известными именами и брендами — о малоизвестном художнике нейросеть может попросту «не знать».
Этика и подводные камни
Нельзя не затронуть и щепетильную тему авторского права. Midjourney обучена на изображениях, собранных из интернета, — и далеко не все авторы этих работ давали на это согласие. Судебные иски к генеративным сервисам уже стали реальностью: группа художников подала коллективный иск ещё в начале 2023 года, и разбирательства продолжаются до сих пор. Для рядового пользователя это пока не создаёт прямых проблем, но стоит задуматься о том, как результаты генерации будут использоваться. Коммерческое применение — зона повышенного риска, особенно если изображение слишком явно воспроизводит стиль конкретного живого автора.
К тому же Midjourney имеет встроенные фильтры контента, блокирующие запросы определённого характера. Система модерации работает на уровне промпта: ещё до генерации текст проверяется на наличие запрещённых слов и фраз. Иногда фильтры срабатывают слишком рьяно — вполне невинные запросы могут быть заблокированы из-за случайного совпадения с «красным списком». Впрочем, разработчики постоянно корректируют баланс между безопасностью и свободой творчества.
Нейросеть — это инструмент, а не автор. И как любой добротный инструмент, Midjourney требует понимания своих принципов работы, а не слепого следования «магическим формулам» из интернета. Экспериментируйте со стилями, пробуйте мультипромптинг, играйте с параметрами — и результат рано или поздно порадует. Удачи в освоении этого колоритного инструмента: он точно ещё не раз удивит.
