KeyFrame內部研究專用

How to BLEND SREFs in Midjourney | Mix, Weight & Lock In Your Favorite SREFs (2026)

Woollyfern7 min英文
觀看原始影片

三句話摘要

在 Midjourney 中混合多個風格參考 (SRF),透過權重調控創造新的視覺風格,並保存配方供重複使用。 透過 SRF 混合與相對權重調整,Midjourney 使用者可創造無限風格組合,並透過資料夾或 Discord 快捷鍵高效管理配方供反覆使用。 風格混合的基礎是在 prompt 中放入多個 SRF 代碼或圖像,預設各風格權重相等,平均影響最終結果,適合作為入門使用者的首個嘗試。

重點整理

  1. 風格混合的基礎是在 prompt 中放入多個 SRF 代碼或圖像,預設各風格權重相等,平均影響最終結果,適合作為入門使用者的首個嘗試。

  2. --sw 參數控制整體混合強度,從低於 100(減弱)到 1000(加強),讓使用者精確調整風格對最終影像的視覺影響程度。

  3. 相對權重機制是進階技巧,可在 SRF 代碼後加 ::數字(如 srf118381::2)給不同風格設定優先級,讓特定風格主導結果,其他風格作為配角。

  4. 保存混合配方有兩種實用方法:建資料夾存放代表影像便於快速重複使用,或在 Discord 中建快捷鍵別名供後續直接呼叫,大幅降低重複輸入複雜代碼的負擔。

實用技巧與重點

  • 預設 SRF 權重:各為 1,貢獻度相等
  • --sw 參數值域:低於 100、預設 100、最高 1000
  • 相對權重設定:SRF代碼::數字(例如 srf118381::2 表示權重為 2)
  • 網站 vs Discord:圖像 SRF 的相對權重只能在 Discord 進行,網站版本暫不支援
  • 負權重:可用負數作為權重實驗,結果不可預測
  • 快捷鍵建立:Discord 使用 /prefer option 命令建立(限 Discord 使用)
  • 可疊加參數:stylize、style、weight、personalization profiles、mood boards

結論

透過 SRF 混合與相對權重調整,Midjourney 使用者可創造無限風格組合,並透過資料夾或 Discord 快捷鍵高效管理配方供反覆使用。

完整解析

Midjourney 的風格參考混合功能讓使用者能創造全新的視覺風格,無須從零開始。在選擇要混合的參考時,講者建議從相同媒介但風格對比明顯的選項開始——例如色彩鮮豔的數位插畫搭配柔和粉彩紋理風格。混合方法很直觀:只需將多個 SRF 代碼放在同一 prompt 的 SRF 參數後,用空格分隔。結果會呈現兩種風格的融合,既保有色彩特性又具柔和質感。風格混合不限於代碼,使用者可直接拖曳圖像作為參考,甚至混合代碼與圖像。預設下各 SRF 對結果的貢獻度相等。

但均等混合不一定理想。為獲更精細控制,Midjourney 提供兩個工具。第一是 --sw(風格強度)參數,預設值 100,可增加到 1000 以強化效果,或降低到 100 以下以減弱。第二是相對權重機制,在 SRF 代碼後加 ::數字(如 ::2 表示雙倍影響力)。這種方法雖需思考,但能產生更符合預期的結果。值得注意的是,SRF 代碼支援相對權重,但網站版本中圖像型 SRF 目前無法進行,只有 Discord 版本才行。網站使用者可透過載入多張代表特定風格的圖像來達成類似效果。

一旦找到心儀的混合配方,保存它們供未來使用就很重要。講者提供兩個實用方案。第一種是在組織頁面建立「SRF 混合」資料夾,每次發現喜歡的混合就保存一張代表性影像,下次需要時打開資料夾點擊圖像、選擇「使用 prompt」即可。第二種是在 Discord 中建快捷鍵,用 /prefer option 指令設定名稱和對應的混合配方,建立後只需在 prompt 中輸入兩個破折號加快捷鍵名稱,Midjourney 就會自動填入完整代碼。此外,使用者還可將 SRF 混合與 stylize、style、weight、personalization profiles 和 mood boards 等參數結合,創造更複雜的風格。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。