All 19 Midjourney Parameters Explained for 2026

Nolan Michaels在這份指南中系統講解了自2022年以來、基於136,000張生成經驗歸納的Midjourney核心參數。講演從最知名的Stylized參數開始，清楚說明其本質是精準度與美感之間的取捨機制——用戶無須記住定義，只需理解：上調Stylized時，AI會優先追求視覺吸引力；下調時則更忠實於提示詞內容。這個參數不僅在設定面板可調，更重要的是可在每次提示詞尾用「--S [數值]」實時微調，提高工作流靈活性。

講者接著探討了往往被忽視的Chaos參數，它直接控制生成結果的多樣性。相對於默認值0的保守策略，調升至3-9的微妙區間能產生有趣變化而不失控制。這裡的核心洞察是：參數不等於數值越大越好，實際上低數值精調往往比激進調整更有效。這個原則貫穿整個指南——Weird參數需要1-50的謹慎數值、EXP在15-35時有明顯轉變等，都說明Midjourney的設計哲學是細膩調校而非粗暴掌控。

長寬比（Aspect Ratio）被講者列為「最大的控制槓桿」，這來自於實際觀察：同個提示詞在1:1正方形、16:9寬屏、2:3海報式豎屏中會產生完全不同的構圖和內容強調。講者強烈建議用戶養成習慣，每個提示詞都試驗多種比例，因為預判最終效果往往比實驗更難。這反映了生成AI的根本特性——視覺設計決策往往需要探索而非純推理。

Mood Boards功能體現了視覺參考的力量。用戶先建立情緒板（集合多張參考圖），系統生成一個可分享的Code，在提示詞中引用時，AI會學習這組圖片的風格特性。講者特別強調建議多樣化來源——如果你想要輸出中包含特定色彩，必須在Mood Board中預先包含該色彩，因為AI會優先模仿參考集的特徵。這裡的Style Weight（--SW）參數本質上用Stylized機制復用，低於100時減弱板的影響力，高於100時強化風格遷移。

個人化（Personalization）功能更進一步——系統通過用戶在專屬標籤頁逐次點選喜愛的圖片來學習審美模式。講者展示了同一提示詞用預設模型vs.個人化模型生成的結果對比，差異相當顯著。這代表了生成AI從通用工具向「學習用戶品味的助手」的進化方向。

在高級參數部分，講者介紹了EXP（實驗）和Preview等相對新近的功能。EXP的定義本身模糊（官方文檔不明確），但從實例看約15時產生轉變、35時進入攝影風格，暗示這是涉及內部模型調整的實驗性開關。Preview則提前開放未發布模型（推測為8.2版），雖然不保證長期穩定但能體驗最新能力。

Draft Mode代表了生成策略的升級——啟用後每次提示詞產生24張圖而非4張，配合高Chaos（如40）能大幅增加探索空間。與之配合的是HD和Quality參數用於最終質量提升。HD提供最高解析度但成本更高，講者建議先在標準清晰度(SD)確認喜歡的結果再升級。Negative Prompting（--no）雖非完美解決方案，但在移除顏色時效果顯著，如「--no red」能有效排除紅色。

Seed參數允許鎖定隨機種子（1-40億範圍）以復現風格，但只適用於微小改動——更換主體會破壞一致性。Image Prompt Weight（--IW）允許上傳參考圖並調整其在最終合成中的影響力，0.5時接近純文本結果，3時接近純圖像遷移。整套參數體系體現了一個設計哲學：用戶對生成過程擁有精細的層次化控制，從高層的風格選擇（Raw/Niji/Reference）到底層的隨機性調整（Seed/Chaos），形成完整的參數治理框架。