KeyFrame內部研究專用

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

Woollyfern·8月17日週一·7 min英文

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

重點
  • 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

乾貨
  • 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

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

詳細

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。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。