第一次输入“暴雨中的透明玻璃温室，里面正在举行弦乐排练”，系统从未见过这句原话，却能生成像样的画面。人们很容易把这种现象概括为“零样本学习”：没有针对这项任务再训练，模型也会做。
这个说法只对了一半。它描述的是使用时的表现，不等于我们已经知道 Midjourney V7 的训练方式，也不代表模型会在生成过程中继续学习。要理解 V7，首先要把零样本推断、上下文学习和个性化分开。
## 先校正版本时间线
Midjourney 于 2025 年 4 月推出 V7 Alpha，随后在 6 月把 V7 设为默认模型。官方将更好的提示理解、图像连贯性、材质表现和 Draft Mode 列为主要变化，之后又补充了编辑器和实验功能。
但版本会继续前进。按 Midjourney 官方版本文档，截至 2026 年 8 月，默认模型已经是 V8.2；V7 的默认期在 2026 年 6 月结束。因此，V7 适合被当作一次重要的能力跃迁来分析，却不应写成当前最新型号。
## 零样本到底“零”在哪里
机器学习里的样本，通常是针对一个下游任务准备的输入与答案。若模型没有再看该任务的标注示例，直接根据自然语言指令完成任务，就可称为零样本推断。
例如，你不提供任何参考图，只写“俯拍的火山研究站，红色帐篷沿黑色熔岩边缘排列”，模型仍尝试组合视角、地点、材质、颜色和空间关系。这体现了预训练形成的概念表示与组合泛化。
“零样本”不等于“零数据”。模型之所以认识帐篷、火山和俯拍，是因为训练阶段已经从大量图文关系中学到统计规律。它也不等于生成结果必然正确：词都认识，不代表复杂关系一定摆对。
## 它也不是现场学习
用户连续修改提示词时，画面越来越接近目标，看起来像模型“学会了”。多数情况下，真正发生的是输入条件变得更清楚，或者系统利用参考图、历史选择和个性化配置改变了生成条件，基础模型参数并未因这一轮对话更新。
上下文学习也不同。若先给几个“提示词到风格结果”的例子，再让模型模仿新例子，这叫少样本或上下文示范。Midjourney 的图像提示、风格参考、Omni Reference 和个性化功能则提供不同类型的条件控制，不能都装进零样本这个篮子。
## V7 的提示泛化为什么显得更强
文本生成图像不是把名词逐个贴上画布。系统需要把文字编码成语义条件，再在逐步去噪中形成构图。模型若能同时保持主体身份、姿势、材质、光线和相对位置，用户就会感到它“更懂整句话”。
V7 的官方说明强调对自然语言提示的理解和连贯性，也强调手、身体、物体等细节。这里的证据主要来自产品方描述和用户可见输出。Midjourney 没有公开足以复现 V7 训练的完整技术报告，因此不宜臆测具体网络规模、数据量或把某种论文架构说成既定事实。
## 用陌生组合测试，而不是用漂亮样图
判断零样本泛化，不能只看一张令人惊艳的图。更好的方法是准备一组模型不太可能直接记住的组合，并保持测试条件一致。
第一类测试是属性绑定，例如“两只陶瓷机器人，左边蓝色且拿木勺，右边黄色且拿玻璃杯”。第二类是空间关系，例如“钟在书下面、钥匙在钟左边”。第三类是数量和否定，第四类是跨文化或专业场景。
每条提示使用多个随机种子，记录主体完整率、关系正确率、文字准确率和可编辑性。若只挑成功结果，测到的是筛选能力，不是模型稳定性。
## Draft Mode 与零样本能力不是一回事
V7 引入的 Draft Mode 主打更快、更便宜的探索。它适合迅速寻找构图，再切回高质量模式完成细节。速度提高会改变创作流程，却不能直接证明语义理解更强。
同理，个性化会让结果更接近个人审美，但它是在利用偏好信息，不再是完全无附加条件的测试。Omni Reference 有助于保持人物或物体一致，也属于参考条件控制。
真正比较模型时，应固定版本、宽高比、提示词、种子策略和是否启用参考功能。否则，版本升级、个性化和参数差异会被误认为零样本能力差距。
## 它最容易失败在哪
长提示包含的约束越多，冲突机会越多。模型可能保住整体气氛，却牺牲手中物品；可能画对两个主体，却交换颜色；也可能把否定词理解成相关概念，反而生成被排除的对象。
罕见术语还会被相近常见物替代。此时增加可观察特征通常比堆艺术家名字更有效，比如把专业设备拆成形状、材质、连接方式和使用环境。
## 对创作者真正有用的结论
把 V7 理解为“能对新组合做较强零样本推断的图像生成系统”是合理的；把它说成“无需训练就会学习任何新概念”则不准确。
实际工作中，先用自然语言写清主体、关系和镜头，再用参考功能解决身份与风格一致性，最后用多次生成和编辑处理偶发错误。零样本能力负责给出有价值的第一稿，可靠成片仍来自明确约束、系统测试和人的选择。
## 参考资料