https://i.meee.com.tw/rJcfaxZ.png https://i.meee.com.tw/4XtYiih.png 用你修正过後的prompt去MJ跑，还是没有出来啊 显然不是google Gemini3讲的那麽简单(下面补充说明) ※ 引述《evaras (牛排)》之铭言： : ※ 引述《treasurehill (宝藏岩公社，你还未够班S)》之铭言： : : 前面举过例子了，不再赘述 : : ChatGPT 生成就很正常： : : https://i.meee.com.tw/cAYP3cu.png : : 直接描述了一群年轻人站在独木舟上，低头往双腿间看，娜娜女鬼正在看他们的模样 : : 但midjourney生成结果的就是这样 : : https://i.meee.com.tw/qNuukVB.jpg : : https://i.meee.com.tw/3GApD2E.jpg : : 不管是6.1或7.0都一样，没有办法正确的生成完整语意的图形 : 我帮你把这问题丢给google Gemini3了 : Gemini 3 Flash 回答如下 : 这是一个非常经典的 「模型底层逻辑差异」。 : 您的这个发现揭露了目前 AI 绘图界最强两大势力（DALL-E 3 vs. Midjourney）完 : 全相反的操作哲学。 : 为什麽 ChatGPT (DALL-E 3) 能画对， : 而更强大的 Midjourney (v6.1/7.0) 反而翻车了？ : 原因如下： : 1. ChatGPT (DALL-E 3) 是「读题天才」 : ChatGPT（DALL-E 3）最强大的地方在於它内建了 「Prompt 重写与语义扩张」 机制。 : 它的行为： 当你把那段大杂烩丢给 ChatGPT 时， : 它并不是直接拿那段话去画。 : 它会先背後**「翻译」**成一段极度详细、符合空间逻辑的描述。 : 为什麽能画对： : 它理解「在船上」、「胯下看」、「女鬼」是故事的主线， : 它会舍弃掉指令中不合理的干扰词（如佛像或僧侣），专注於帮你「圆梦」。 : 它甚至会自动脑补光影与物体的物理关系。 这句话对，ChatGPT（DALL-E 3），Gemini 3这种多模态的AI的确会先做prompt优化 而不是直接拿去Difussion层跑，所以出来的效果会比较好 : 2. Midjourney (v6.1/7.0) 是「美学偏见大师」 : Midjourney 的核心设计目标是 「每一张图都要像电影剧照般精美」， : 而非「每一张图都要精确符合描述」。 : 标签中毒： : 您提供的指令中有很多特定的「偏见词」。 : 对於 MJ 来说，The Buddha, Monk, Ancient 的视觉重量远大於 look between legs。 : 图片 1 vs. 图片 2 (MJ 的逻辑)： : 图片 1： MJ 抓到了 The Buddha 和 Monk，它的资料库告诉它「泰国古代恐怖 = 寺庙、 : 佛像」，所以它优先盖了一座庙，把你原本想在河上发生的事给「吞」了。 : 图片 2： MJ 抓到了 Horrifying 和 looking down。因为它无法理解「从两腿之间往後 : 看」这种诡异的几何姿势，它选择了一个在恐怖片中最合逻辑的构图：地板下的怪物。这 : 对它来说「更精美、更恐怖」，所以它自动「修正」了你的意图。 这里不太对，应该说像MJ这种直接运算的绘图模式 对於复合态的prompt是采用内插向量的方式解决 也就是说如果有A+B+C+D+E的prompt 他就是把A,B,C,D,E的向量去做内插 如果其中有比较强的cluster的如A,B,就会吃掉比较弱的C,D,E : 3. 指令「长度」的反效果 : DALL-E 3： 越长越好，它会从中挑选故事。 : Midjourney v6/v7： 它们的 「注意力上限（Context Window）」 其实有限。 : 在您的指令中，Canoe (独木舟) 出现在快结尾的地方。 : 在 MJ 的处理排序里， : 前面的 Chut Thai, Pee Mak, Ancient 早就占满了生成的「预算」。 : 当它读到最後面的 canoe 时，画面上已经塞了一尊佛像或一地板的木头，没地方放船了。 : 结论：两者的正确使用姿势 : ChatGPT (DALL-E 3)： : 适合「说故事」。你给它一堆关键字，它会帮你组织成一个合理的画面。 : Midjourney (v6/v7)： : 适合「精确控制美学」。你必须 「删繁就简」，直接告诉它： : 不要写：The Buddha, Monk (如果不打算出现在画面中)。 : 必须写：On a small river boat, looking through legs POV。 : 实验证明 : 如果您现在去 Midjourney 测试这句精简版，它就极大概率能画对： : /imagine prompt: Cinematic still, a man looking down through his legs on a : river boat, a terrifying female ghost glaring behind him, ancient Thai : atmosphere --ar 2:1 : 这就是为什麽您看到ChatGpt图片 (DALL-E 3) 最像您的预期， : 而Midjourney图片 1 & 2 (Midjourney) 却各走各的路。 : MJ 虽然画质更生动，但它像是一个很有主见、不爱听长篇大论的摄影师。 : 您想要我(Google Gemini 3)帮您整理一份「Midjourney 避坑指南」， : 教您如何把这种复杂的泰国故事精炼成它听得懂的专用语法吗？ 同上，ChatGPT (DALL-E 3)： 的多模态组的确会做prompt优化 让每个提示字都能合理出现，不会有强吃弱的现象 但MJ这种直接运算的方式就会出现强吃弱 甚且运算出原本训练集不存在的图片 PS.最後附上一个有趣的实验结果 https://i.meee.com.tw/GfgjFEj.png 当你要求既是狗又是鬼的时候 模型没学过就直接套用狗头鬼身了 直接验证我前面的说法 -- --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 118.233.2.206 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/AI_Art/M.1772597913.A.CB1.html ※ 编辑: treasurehill (118.233.2.206 台湾), 03/04/2026 12:20:08 ※ 编辑: treasurehill (118.233.2.206 台湾), 03/04/2026 12:25:05 ※ 编辑: treasurehill (118.233.2.206 台湾), 03/04/2026 15:36:37