"Midjourney: как устроена нейросеть, которая рисует по тексту"

Дэвид Хольц до Midjourney основал Leap Motion, компанию датчиков для рук. В интервью The Verge 2 августа 2022 года он рассказывал, что ушёл от венчурной фирмы к маленькой группе без инвесторов. Тогда в лаборатории было около десяти человек. На странице «О нас» на сайте лаборатории по состоянию на 1 ноября 2026 года по-прежнему написано: независимая исследовательская лаборатория, на самофинансировании, 11 штатных сотрудников. Хольц указан первым, среди прежней работы — Leap Motion, NASA и институт Макса Планка.

Логика раннего продукта была бытовой. Люди, по словам Хольца в том же интервью, любят придумывать вместе, поэтому сервис посадили в общий чат, а не в одиночное приложение. Запрос писали боту, ответ видели соседи по каналу. 13 июля 2025 года лаборатория отметила три года с открытой пробы и процитировала своё сообщение от 13 июля 2022 года: официальный переход в open beta и ссылка на Discord.

The Register днём раньше, 1 августа 2022 года, записал другую фразу Хольца: лаборатория уже была прибыльной. Модель бизнеса он описал просто. Вычисление кадра стоит дорого, платит тот, кому нравится пользоваться, сверху остаётся доля на жизнь команды. Суммы подписки в этот текст не входят. Важен принцип. Человек получает сервис, который считает кадр у себя. Скачиваемой программы и открытого файла весов нет.

На странице «О нас» лаборатория по-прежнему говорит о «новых средах мысли» и маленькой команде, хотя продукт давно перерос один чат. Сайт, галерея, отдельные режимы скорости и линейка версий — это уже хозяйство, а не кружок. Сотрудников на той странице указано одиннадцать. Сверять его с штатным расписанием нельзя: другого первичного списка лаборатория не выложила.

Привычная аналогия — художник, который прочитал фразу и взялся за кисть. Она врёт в двух местах. Художник держит в голове цель и может остановиться, если нос поехал. Нейросеть на каждом шаге только продолжает картинку так, чтобы она была похожа на те, что когда-то стояли рядом с похожими подписями. Цели у неё нет, и фраза «поняла запрос» здесь значит не здравый смысл, а удачное совпадение слов с кусками выученных кадров.

Общий принцип прост: человек пишет, что должно быть на картинке. Модель выдаёт один или несколько кадров. Дальше кадр можно варьировать, увеличить, перенести в другой стиль или отдать в режим правки. Но самое интересное — в деталях, и детали лаборатория прячет. Учебной статьи с архитектурой, как у открытых моделей, у Midjourney нет. Нет и таблицы «сколько миллиардов параметров». Любая цифра размера, которая гуляет по пересказам, в этот текст не попала: первоисточника под неё не нашлось.

Снаружи устройство читается по кнопкам, и этого для быта хватает. Версия — это смена самой модели, параметр --v в конце запроса или пункт в настройках на сайте и в Discord. Соотношение сторон задаётся отдельно, у обычного кадра потолок 14:1, у HD в восьмом поколении — 4:1. Есть зерно случайности: параметр seed на V8 даёт около 99% того же кадра, не пиксель в пиксель. Есть сила «странности», сила стилизации, запрет на предмет через --no, бесшовный узор. До внутренностей сети эти ручки не дотягивают. Лаборатория просто согласилась вынести их наружу.

Ещё одна привычная картинка — «нейросеть рисует с нуля, как принтер». Тоже мимо: принтер кладёт на бумагу то, что уже есть в файле. Здесь файла сцены нет. Есть распределение: какие пятна света, какие края и какие цвета чаще встречались вместе с такими словами. Поэтому два прогона одного текста расходятся. Поэтому лишние пальцы и кривые буквы — не «глюк кнопки», а место, где статистика похожих картинок слабее, чем статистика лиц и неба.

Параметр — число внутри модели, его подстроили при обучении. Запрос — текст, который попадает на вход вместе с настройками. Версия — какой набор этих чисел сейчас считает кадр. Профиль — отдельная надстройка вкуса конкретного человека, о ней ниже. Эти четыре слова путают постоянно, и из-за путаницы кажется, что «обновить Midjourney» и «включить свой стиль» — одно и то же действие.

Для понимания линейки нужно отступить назад, к тому, что лаборатория сама пишет в справочнике версий. Версия для них — как обновление программы: другой рисунок, другие совместимые кнопки. Текущий дефолт на 1 ноября 2026 года — V8.2.

V6 вышла 20 декабря 2023 года и была основной с 14 февраля по 30 июля 2024 года. В описании — более точный длинный запрос, связнее картинка, сильнее работа с уже готовым изображением на входе. V6.1 вышла 30 июля 2024 года и оставалась дефолтом до 16 июня 2025 года. Лаборатория пишет, что она примерно на 25% быстрее V6 и аккуратнее в мелкой фактуре.

V7 вышла 3 апреля 2025 года. Основной её сделали 17 июня 2025 года и держали так до 9 июня 2026 года. В анонсе дефолта перечислены четыре обещания: умнее V6.1, выше качество и связность, режим черновика примерно в десять раз быстрее обычной генерации, новая работа со стилем. Персональные профили, по той же заметке, предпочли 85% пользователей. Цифра — из анонса лаборатории, не из независимого опроса. Omni Reference, способ перенести человека или предмет с опорного снимка, тоже появился на V7 и стоил вдвое больше времени видеокарты, чем обычный кадр V7.

Дальше нумерация скакнула, и V8.0 открыли как ранний доступ 17 марта 2026 года на отдельном Alpha-сайте и закрыли 24 июля 2026 года. Старые кадры в галерее лежат, выбрать эту версию для нового запроса нельзя. V8.1 вышла 14 апреля 2026 года и была дефолтом с 10 июня по 23 июля 2026 года. В справочнике она названа самой быстрой на тот момент: обычное задание примерно в четыре-пять раз быстрее прежних версий, мелкие детали запроса держатся лучше. Появился кадр HD на 2048 пикселей без отдельного увеличения. Время видеокарты лаборатория считает сама: стандартный кадр V8.1 — 0,8 минуты, HD — 1,3 минуты. Если кадр HD потом расширять или закрашивать область, результат сначала падает до стандартного размера. Вернуть крупность после этого можно только повторным увеличением.

V8.2 стала дефолтом 24 июля 2026 года. Формулировка лаборатории сухая: обновление про эстетику, качество картинки и персонализацию. Кадры описаны как более смелые и «взрослые» по виду. Режим правки Edit Model в этом поколении заменяет Omni Reference, перенос персонажа и старый инструмент перекраски фактуры. Черновик, который так хвалили на V7, в таблице совместимости V8.1 и V8.2 выключен. Турбо-скорость на восьмом поколении тоже выключена. Параметр качества --q, на V7 равный 1, 2 или 4, на восьмом поколении исчез. Исчез и мультизапрос, когда части фразы взвешивали отдельно, и это уже не мелочь интерфейса. Приём, на котором человек сидел год, в новой версии может просто не существовать.

Источник: справочник версий Midjourney, сверка 1 ноября 2026

Рядом живёт отдельная ветка Niji, её делают вместе со Spellbrush под восточный и аниме-рисунок. У ветки свой сайт и свой сервер Discord. Niji 7 вышла 9 января 2026 года: лаборатория обещает более ясные глаза и отражения, более буквальное следование запросу и более плоский, «чистый» штрих. В таблице V8.1 и V8.2 строка Niji пустая. Кто рисует в восьмом поколении основной модели, тот эту ветку оттуда не вызовет.

На мой взгляд, самая полезная строка во всей таблице — список того, чего в новой версии нет. Скорость вторична. Человек приносит привычку с V6, ставит V8.2 и решает, что сервис «сломался». Сервис сменил модель, а сломалась память о кнопках.

В том же интервью 2022 года Хольц сказал вещь, которую стоит держать рядом с любой картинкой Midjourney. У модели есть вид по умолчанию, художественный и «красивый», и столкнуть её с этого вида трудно. Он приводил это как защиту от дешёвой подделки лица. Для быта следствие другое: пустой запрос «кружка на столе» редко даёт скучный документ. Он даёт кружку, которую кто-то уже осветил как открытку.

Позже лаборатория вынесла этот наклон в ручку. Режим Raw, по справочнику V8.1, как раз снимает стиль по умолчанию, если нужно ближе к буквальному тексту. Сила стилизации остаётся отдельным параметром и на V8. То есть наклон никуда не делся. Его сделали громкостью, а не стеной.

Персонализация устроена ещё проще, чем кажется по названию. С версии 6 и новее можно открыть профиль: на специальной странице человек отмечает кадры, которые ему нравятся, пока шкала не заполнится. Дальше параметр --p подмешивает этот вкус. Общий профиль, собранный на V7, работает и в V8.1, и в V8.2. Отдельного «общего профиля V8» документация не обещает. Профили, собранные уже под V8, обратно в V7 не переносятся. Для V8.2 лаборатория пишет, что пул картинок, из которых выбирают вкус, стал больше, и что на длинных профилях модель попадает в вкус заметнее.

Рядом два соседних инструмента, их легко смешать. Опора на стиль берёт вид с конкретной картинки или с кода стиля. Мудборд — папка таких опор. Персонализация — длинная история выборов человека, не один файл. Omni Reference на V7 тащил в кадр сам предмет или лицо. На V8.2 его место занял режим правки, до четырёх опорных снимков. Если в старом конспекте написано «поставь oref», на текущем дефолте этой ручки нет.

Увы, профиль не лечит фактические ошибки. Он сдвигает вкус: теплее, графичнее, ближе к тем кадрам, которые человек лайкал. Чашка с тремя ручками останется чашкой с тремя ручками, только в любимой гамме.

Режим правки Edit Model совместим с V8.1 и V8.2. Документация делит его на три работы. Первая — изменить уже готовый кадр письменным указанием. Вторая — собрать новый кадр, опираясь на четыре снимка, это прямая замена Omni Reference. Третья — закрасить область или расширить холст за край. С бесшовным узором режим не дружит. Готовый результат правки нельзя отдать в Remix.

Здесь меняется сам язык запроса, и это редкий случай, когда лаборатория говорит об этом прямо. Обычный запрос описывает сцену, и команд в нём лучше не отдавать: «сделай ночь» модель может прочитать как ещё один предмет в кадре, а не как инструкцию. В режиме правки инструкции как раз нужны. «Убери лампу слева», «замени кота на сову» — нормальный текст этого режима, на сайте он соседствует с разговорной строкой.

Разговорный режим в таблице есть и у V7, и у V8. Черновой режим, ради которого строка становилась разговорной на V7, на V8 выключен. Путать их не стоит, потому что разговорность — способ переписать запрос следующими фразами. Черновик — дешёвый и быстрый прогон V7, половина времени видеокарты и около десятикратной скорости по анонсу той версии.

Увеличение тоже разошлось по поколениям. У V6 были два своих увеличителя, Subtle и Creative. V7 увеличивала старыми, от V6.1. У V8 увеличение есть для стандартного кадра, а HD сразу считается крупным. Панорама и «отъезд камеры» на V7 ещё жили на модели V6.1, на V8 их делает режим правки. Старый конспект с кнопкой Pan на V7 описывает другой механизм, чем та же кнопка на V8.2.

Отдельной русской сборки Midjourney лаборатория не выпускала. Справочник, анонсы и подписи кнопок — на английском. Сервис открывается на своём сайте и через Discord, языковой оболочки «миджорни нейросеть по-русски» в документации нет.

Запрос при этом — обычный текст. Его можно написать по-русски, и модель часто цепляет предметы и цвета, потому что слова языка так или иначе попадали в подписи к картинкам. Насколько часто она теряет падеж, путает «на» и «под» или рисует латинские вывески вместо кириллицы, лаборатория не измеряла. Такой таблицы нет, и выдумывать процент попаданий нельзя. Практический вывод короткий: русская фраза — допустимый вход. Проверять кадр глазами всё равно нужно, и особенно текст внутри картинки: буквы модель собирает как узор, не как набор символов из словаря.

Имена кнопок при этом остаются английскими. --v, Raw, seed, stylize. Перевести их в статье можно один раз, дальше они только мешают поиску. Версия, режим без стиля по умолчанию, зерно случайности, сила стилизации. В интерфейсе написано не так.

Если нужен разбор, как вообще формулировать запрос к картинке, это уже соседний текст: как писать запросы. Здесь достаточно границы: Midjourney любит описание сцены, свет, материал, оптику. Длинный приказ из глаголов она понимает хуже, пока не включён режим правки.

Запрос «midjourney и ChatGPT» в поиске стоит рядом, и путаница понятна. Обе программы принимают текст и обе умеют картинку. На этом сходство двух программ кончается.

Midjourney — лаборатория Хольца и сервис, заточенный под кадр, стиль и галерею. ChatGPT — чат компании OpenAI. Картинку там считает другая модель, со своей историей версий, и разговор с ней устроен как диалог, а не как строка параметров в конце фразы. Общего счёта, общей галереи и общих кнопок у них нет. Нельзя «войти в Midjourney через ChatGPT» и получить ту же V8.2. Это две программы двух компаний.

Путают ещё и след на готовом файле. Человек видит гладкий свет, странно идеальную кожу, лишнюю серьгу и пишет «сгенерировано нейросетью». Иногда угадывает верно, иногда нет: так же выглядит сильная ретушь и чужая модель. У Midjourney нет публичного обещания, что в каждом файле лежит читаемая подпись «это мы». Есть галерея заданий на стороне сервиса. Файл, который ушёл в мессенджер, этой галереи с собой не несёт. Описание нейросети по одному кадру — гадание. Описание по версии, дате и кнопкам — уже справочник.

Рядом в поиске всплывают и другие генераторы картинок. У них другой разработчик и другая открытость. У DeepSeek открыты веса текстовых моделей, у Midjourney не открыт даже размер. У Nano Banana другая компания и другая логика: картинку правят обычной фразой прямо в разговоре, свежая ветка — Nano Banana 2.1 от 6 октября 2026 года. Общая карта генераторов собрана в обзоре нейросетей для картинок. Смысл сравнения не в том, кто «главная нейросеть». Смысл в том, какая ручка нужна сегодня: закрытый стиль с длинной историей версий или модель, которая уже сидит в обычном чате.

В чате GPThub картинка собирается своими моделями, без строки --v и без сервера Discord. Как устроен соседний цех, где из кадра делают ролик, — в тексте про нейросети для видео.

Пошаговый рецепт «скопируй и вставь» здесь был бы лишним. Полезнее список мест, где статистика картинок регулярно промахивается, и один бытовой пример, на котором это видно.

Возьмём запрос в духе обычной сцены, не команду: «ночная кухня, глиняная кружка с отбитым краем, одна груша, свет из дверцы холодильника, плёнка, без людей». Что смотреть в ответе.

• Руки, если они всё-таки появились. На V7 лаборатория прямо хвалила связность тел и пальцев. Хвалить и проверять — разные действия. Лишний палец никуда не делся как класс ошибок.
• Текст на упаковке, часах, вывеске. Буквы часто похожи на буквы издалека и рассыпаются вблизи. Для макета с настоящей надписью кадр модели — заготовка, не финал.
• Число предметов. «Одна груша» легко становится натюрмортом. «Без людей» легко даёт силуэт в дверном проёме, потому что ночная кухня в учебном материале редко пустая.
• Свет и тень от одного источника. Холодильник слева и тёплая лампа справа — модель любит добавить третий красивый блик. Если блик не из запроса, это украшение, не физика.
• Стиль по умолчанию. Глянцевая «красота» при пустом Raw — ожидаемое поведение, о нём Хольц говорил ещё в 2022 году. Если нужен скучный документ, стиль надо снимать ручкой, а не более длинным прилагательным.
• Одинаковость серии. Seed на V8 близок, но справочник пишет «99%», не «тот же файл». Для обложки и продолжения серии расхождение в мелкой посуде уже заметно.
• Опора на лицо. На V7 это был Omni Reference и двойная цена времени видеокарты. На V8.2 — режим правки и до четырёх снимков. Ждать, что старый параметр доживёт, не стоит.

Типичная ошибка вторая — смена версии молча. Дефолт переключили 24 июля 2026 года. Старый запрос, сохранённый без --v, с того дня считает V8.2, даже если человек думает, что сидит на V7. Отсюда ощущение «вчера слушалась, сегодня поплыла». Рядом ошибка третья: тащить в V8.2 параметр качества или мультизапрос. Таблица совместимости отвечает на это отказом, не предупреждением в духе учебника.

И ошибка, которую путают с качеством модели. Слишком много сюжета на один кадр: город, толпа, вывеска, конкретный жест, конкретная марка машины, точный возраст. Каждый добавленный предмет — ещё один жребий. Короткая сцена с одним героем и одним светом промахивается реже. Это наблюдение следует из устройства, а не из секретного рейтинга: у запроса меньше шансов разойтись с частым куском учебных картинок.

Что делать с удачным кадром, если хочется следующий. Вариация меняет удачный кадр лишь слегка, а режим правки меняет указанное и обязан беречь остальное, но «обязан» в документации — описание намерения, не гарантия пикселей. Имеет смысл сверять то, чего просили не трогать: родинку, число окон, форму кружки. Расширение холста дорисовывает край из того же вкуса, и край часто красивее, чем правда продолжения комнаты.

Лаборатория имеет привычку сначала открывать версию узкому кругу, потом делать её дефолтом, потом выключать предыдущие ручки. Так прошли V8.0 и V8.1. Поэтому фраза «скоро выйдет» из чужого пересказа слабее, чем строка в официальном справочнике. Пока в справочнике дефолт — V8.2, и пока Edit Model назван заменой трёх старых инструментов, опираться стоит на это.

Обещания, которые уже сбылись, лучше держать отдельно от тех, что живут только в чужих календарях. Сбылись: HD без отдельного шага увеличения, четырёхкратный выигрыш скорости у V8.1 против ранних версий по словам самой лаборатории, перенос профиля V7 в V8.2, закрытие черновика на восьмом поколении. Не сбылось в виде публичной статьи: устройство сети, состав данных, размер. Ждать эту статью можно. Планировать работу так, будто она уже есть, нельзя.

Если новость говорит «Midjourney научилась думать» или «вышла V9», лучше открыть справочник версий и список обновлений на сайте лаборатории, а не ленту пересказов. Дата дефолта, таблица совместимости и одна фраза, какой старый параметр умер, скажут больше, чем абзац восторга. Для картинки, которую нужно собрать сегодня вечером без отдельного сервера и без английской строки параметров, достаточно чата и гайда, ссылка на него уже была выше.