https://i.meee.com.tw/rJcfaxZ.png https://i.meee.com.tw/4XtYiih.png 用你修正過後的prompt去MJ跑，還是沒有出來啊 顯然不是google Gemini3講的那麼簡單(下面補充說明) ※ 引述《evaras (牛排)》之銘言： : ※ 引述《treasurehill (寶藏巖公社，你還未夠班S)》之銘言： : : 前面舉過例子了，不再贅述 : : ChatGPT 生成就很正常： : : https://i.meee.com.tw/cAYP3cu.png : : 直接描述了一群年輕人站在獨木舟上，低頭往雙腿間看，娜娜女鬼正在看他們的模樣 : : 但midjourney生成結果的就是這樣 : : https://i.meee.com.tw/qNuukVB.jpg : : https://i.meee.com.tw/3GApD2E.jpg : : 不管是6.1或7.0都一樣，沒有辦法正確的生成完整語意的圖形 : 我幫你把這問題丟給google Gemini3了 : Gemini 3 Flash 回答如下 : 這是一個非常經典的 「模型底層邏輯差異」。 : 您的這個發現揭露了目前 AI 繪圖界最強兩大勢力（DALL-E 3 vs. Midjourney）完 : 全相反的操作哲學。 : 為什麼 ChatGPT (DALL-E 3) 能畫對， : 而更強大的 Midjourney (v6.1/7.0) 反而翻車了？ : 原因如下： : 1. ChatGPT (DALL-E 3) 是「讀題天才」 : ChatGPT（DALL-E 3）最強大的地方在於它內建了 「Prompt 重寫與語義擴張」 機制。 : 它的行為： 當你把那段大雜燴丟給 ChatGPT 時， : 它並不是直接拿那段話去畫。 : 它會先背後**「翻譯」**成一段極度詳細、符合空間邏輯的描述。 : 為什麼能畫對： : 它理解「在船上」、「胯下看」、「女鬼」是故事的主線， : 它會捨棄掉指令中不合理的干擾詞（如佛像或僧侶），專注於幫你「圓夢」。 : 它甚至會自動腦補光影與物體的物理關係。 這句話對，ChatGPT（DALL-E 3），Gemini 3這種多模態的AI的確會先做prompt優化 而不是直接拿去Difussion層跑，所以出來的效果會比較好 : 2. Midjourney (v6.1/7.0) 是「美學偏見大師」 : Midjourney 的核心設計目標是 「每一張圖都要像電影劇照般精美」， : 而非「每一張圖都要精確符合描述」。 : 標籤中毒： : 您提供的指令中有很多特定的「偏見詞」。 : 對於 MJ 來說，The Buddha, Monk, Ancient 的視覺重量遠大於 look between legs。 : 圖片 1 vs. 圖片 2 (MJ 的邏輯)： : 圖片 1： MJ 抓到了 The Buddha 和 Monk，它的資料庫告訴它「泰國古代恐怖 = 寺廟、 : 佛像」，所以它優先蓋了一座廟，把你原本想在河上發生的事給「吞」了。 : 圖片 2： MJ 抓到了 Horrifying 和 looking down。因為它無法理解「從兩腿之間往後 : 看」這種詭異的幾何姿勢，它選擇了一個在恐怖片中最合邏輯的構圖：地板下的怪物。這 : 對它來說「更精美、更恐怖」，所以它自動「修正」了你的意圖。 這裡不太對，應該說像MJ這種直接運算的繪圖模式 對於複合態的prompt是採用內插向量的方式解決 也就是說如果有A+B+C+D+E的prompt 他就是把A,B,C,D,E的向量去做內插 如果其中有比較強的cluster的如A,B,就會吃掉比較弱的C,D,E : 3. 指令「長度」的反效果 : DALL-E 3： 越長越好，它會從中挑選故事。 : Midjourney v6/v7： 它們的 「注意力上限（Context Window）」 其實有限。 : 在您的指令中，Canoe (獨木舟) 出現在快結尾的地方。 : 在 MJ 的處理排序裡， : 前面的 Chut Thai, Pee Mak, Ancient 早就佔滿了生成的「預算」。 : 當它讀到最後面的 canoe 時，畫面上已經塞了一尊佛像或一地板的木頭，沒地方放船了。 : 結論：兩者的正確使用姿勢 : ChatGPT (DALL-E 3)： : 適合「說故事」。你給它一堆關鍵字，它會幫你組織成一個合理的畫面。 : Midjourney (v6/v7)： : 適合「精確控制美學」。你必須 「刪繁就簡」，直接告訴它： : 不要寫：The Buddha, Monk (如果不打算出現在畫面中)。 : 必須寫：On a small river boat, looking through legs POV。 : 實驗證明 : 如果您現在去 Midjourney 測試這句精簡版，它就極大概率能畫對： : /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 : 這就是為什麼您看到ChatGpt圖片 (DALL-E 3) 最像您的預期， : 而Midjourney圖片 1 & 2 (Midjourney) 卻各走各的路。 : MJ 雖然畫質更生動，但它像是一個很有主見、不愛聽長篇大論的攝影師。 : 您想要我(Google Gemini 3)幫您整理一份「Midjourney 避坑指南」， : 教您如何把這種複雜的泰國故事精煉成它聽得懂的專用語法嗎？ 同上，ChatGPT (DALL-E 3)： 的多模態組的確會做prompt優化 讓每個提示字都能合理出現，不會有強吃弱的現象 但MJ這種直接運算的方式就會出現強吃弱 甚且運算出原本訓練集不存在的圖片 PS.最後附上一個有趣的實驗結果 https://i.meee.com.tw/GfgjFEj.png 當你要求既是狗又是鬼的時候 模型沒學過就直接套用狗頭鬼身了 直接驗證我前面的說法 -- --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.233.2.206 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/AI_Art/M.1772597913.A.CB1.html ※ 編輯: treasurehill (118.233.2.206 臺灣), 03/04/2026 12:20:08 ※ 編輯: treasurehill (118.233.2.206 臺灣), 03/04/2026 12:25:05 ※ 編輯: treasurehill (118.233.2.206 臺灣), 03/04/2026 15:36:37