1. 五个模型摆在面前，到底该怎么选
先把结论摆在前面：FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image 这五个名字，本质上代表的是当前文生图领域五条不同的技术路线和产品思路。它们不是简单的“谁比谁强”，而是各自在生成质量、推理速度、中文语义理解、可控性、部署成本这几个维度上做了不同的取舍。你如果只是想知道“哪个出图最好看”，那答案会随着版本迭代每周都在变；但如果你想知道“我该在什么场景下用哪个”，那这篇文章就是给你写的。
我自己从最早玩 Stable Diffusion 1.5 开始，到后来接触 SDXL、Playground 系列，再到这两年国内外的各种新模型轮番上阵，踩过的坑不算少。最深的体会是：选模型不是选最强，而是选最匹配你工作流的那一个。有人需要批量出电商主图，有人要做概念设计草图，有人只是想在本地跑着玩，需求不同，答案完全不同。
这篇文章我会从五个模型的核心架构思路、训练数据特点、实际出图表现、部署门槛、适用场景五个维度逐一拆开讲，中间穿插我自己的实测对比和参数配置建议。不管你是刚入门的新手，还是已经在用其中某一个模型干活的老手，应该都能从中找到一些之前没注意到的细节。
提示：本文涉及的模型版本以我撰写时的公开信息为准，AI 模型迭代极快，具体参数和表现请以你实际使用的版本为准。文中所有实操建议均基于常见实践总结，不涉及任何特定平台或服务的推荐。
2. FLUX.2：把生成质量和可控性同时往上推
2.1 FLUX.2 到底解决了什么问题
FLUX 系列最早出圈是因为它在开源文生图模型里第一次把“出图质量”拉到了接近闭源商业模型的水平。到了 FLUX.2，核心思路其实没变，还是在流匹配（Flow Matching）这个框架下做文章，但细节上做了大量优化。流匹配你可以粗略理解为：传统扩散模型是从纯噪声一步步“去噪”出图像，而流匹配是学习一个从噪声到图像的“速度场”，理论上路径更直、采样效率更高。
FLUX.2 最明显的提升在三个地方：文本理解准确度、手部和文字渲染、多主体场景的一致性。我实测下来，FLUX.2 对复杂提示词的理解确实比上一代稳不少，尤其是涉及空间关系描述的时候，比如“左边一只猫，右边一只狗，中间放个球”，它翻车的概率明显降低。
2.2 架构上的关键取舍
FLUX.2 用的是DiT（Diffusion Transformer）架构，而不是早期 SD 那种 U-Net。这个选择背后的逻辑是：Transformer 在 Scaling Law 上表现更好，参数量堆上去之后，生成质量的提升更可预测。但代价也很直接——显存占用和推理成本比 U-Net 架构高出一截。
具体来说，FLUX.2 的参数量在 12B 级别（不同变体有差异），全精度推理需要 24GB 以上显存才比较舒服。当然你可以用量化版本，比如 FP8 或者 GGUF 量化，能把门槛降到 8-12GB 显存，但量化之后细节损失是客观存在的，尤其是皮肤纹理和远景细节。
| 维度 | FLUX.2 表现 | 备注 |
|---|---|---|
| 文本理解 | 优秀 | 复杂空间关系描述准确率高 |
| 手部渲染 | 良好 | 比 SDXL 强很多，但极端姿势仍会翻车 |
| 文字渲染 | 优秀 | 短文本基本不出错 |
| 推理速度 | 中等 | 20 步左右出图，比 SDXL 慢 |
| 显存门槛 | 较高 | 全精度 24GB+，量化后 8GB 可跑 |
| 中文支持 | 一般 | 英文提示词效果明显更好 |
2.3 实操配置建议
如果你打算用 FLUX.2，我的建议是优先保证显存够用，再考虑速度。具体配置上，采样步数 20-28 步是比较甜的区间，低于 20 步细节会明显糊，高于 30 步收益递减。CFG 值建议设在 3.5-5 之间，FLUX 系列对 CFG 不像 SD 那么敏感，但设太高容易出现过饱和。
# FLUX.2 典型推理参数（以常见 diffusers 风格接口为例） pipe( prompt="a detailed portrait of an elderly craftsman, warm lighting, 85mm lens", num_inference_steps=24, guidance_scale=4.0, height=1024, width=1024, )注意：FLUX.2 对提示词的语言比较敏感，英文提示词的效果普遍优于中文直译。如果你习惯写中文提示词，建议先用翻译工具转成英文，再根据出图结果微调关键词，而不是直接把中文丢进去。
3. Seedream（即梦）：中文语义理解的优等生
3.1 为什么中文提示词在即梦上更好使
Seedream 也就是大家常说的“即梦”，它最大的差异化优势就是中文语义理解。这背后不是简单的翻译层，而是训练数据里中文语料占比高，加上 tokenizer 对中文分词的处理更细致。我做过一个对比测试：同一段描述“一个穿着汉服的少女站在江南水乡的石桥上，背景是烟雨朦胧的远山”，即梦出来的画面在“汉服”“石桥”“烟雨”这几个元素的还原度上，明显比 FLUX.2 直译英文提示词要准。
这个差异的根源在于：中文的意象密度高，很多词在英文里没有精确对应。比如“烟雨朦胧”这个词，直译成 “misty rain” 会丢失那种水墨画般的氛围感，而即梦的训练数据里本身就包含大量这类中文语境的图像-文本对，所以它“懂”这个词背后的视觉含义。
3.2 出图风格倾向
即梦的出图风格整体偏柔和、唯美、国风友好。如果你要做的是古风插画、国潮设计、东方美学相关的视觉内容，即梦的默认审美倾向会帮你省很多事。但反过来，如果你要的是硬核科幻、赛博朋克那种冷峻锐利的风格，即梦可能需要你在提示词里加更多风格约束词才能拉回来。
我个人的经验是：即梦适合“氛围感优先”的场景，FLUX.2 适合“结构准确优先”的场景。比如做海报背景、插画配图，即梦的成图率很高；但如果是产品设计图、建筑效果图这种对透视和比例要求严格的，FLUX.2 更稳。
3.3 使用中的几个坑
第一个坑是过度依赖默认风格。即梦的默认审美比较强，如果你不加约束，出来的图会带有明显的“即梦味”——柔光、暖调、轻微磨皮感。做商业项目的时候，这种风格未必适合所有品牌，需要你在提示词里明确指定光影和质感。
第二个坑是长提示词的衰减。即梦对超长提示词的后面部分关注度会下降，建议把最重要的元素放在提示词前三分之一的位置。我一般会把核心主体和场景放在最前面，风格词和画质词放后面。
推荐提示词结构： [主体描述] + [场景环境] + [光影氛围] + [风格参考] + [画质修饰] 示例： 一位白发老人坐在竹椅上编织竹篮，午后阳光透过窗棂洒在地上， 温暖怀旧氛围，写实摄影风格，浅景深，高细节4. Z-image：速度优先的轻量级选手
4.1 Z-image 的定位逻辑
Z-image 这个模型的核心卖点就一个字：快。它的架构设计明显是为了推理效率做了大量优化，参数量比 FLUX.2 小不少，出图速度在同等硬件上能快 2-3 倍。这个定位其实很聪明——不是所有人都需要 4K 级别的细节，很多时候你只是要一个快速的概念草图或者批量生成的素材。
我实测下来，Z-image 在 512x512 到 768x768 分辨率下出图速度非常可观，一张图 2-4 秒就能出来（取决于硬件）。这个速度意味着你可以用它做实时预览——先用 Z-image 快速试提示词方向，确定之后再换 FLUX.2 或即梦出高质量成图。
4.2 质量与速度的平衡点
Z-image 的画质在轻量级模型里算不错的，但和 FLUX.2 比确实有差距。主要体现在：细节纹理偏平滑、复杂场景容易糊、文字渲染基本不可用。所以它的适用场景很明确：
- 概念探索阶段的快速迭代
- 对画质要求不高的社交媒体配图
- 需要批量生成大量变体的场景
- 硬件条件有限但想跑本地模型的用户
| 对比项 | Z-image | FLUX.2 |
|---|---|---|
| 单图推理时间 | 2-4 秒 | 8-15 秒 |
| 显存门槛 | 6GB 可跑 | 12GB+ 较舒适 |
| 细节表现 | 中等 | 优秀 |
| 文字渲染 | 弱 | 强 |
| 适合场景 | 快速预览、批量生成 | 高质量成图 |
4.3 怎么把它用进工作流
我的建议是把 Z-image 当作工作流的前置环节。具体做法是：先用 Z-image 以低步数快速生成一批草图，从中挑出构图和氛围最接近预期的几张，记下对应的随机种子和提示词，然后把这套参数搬到 FLUX.2 或即梦里做高质量重绘。这样既省时间，又不会牺牲最终质量。
提示：Z-image 的随机种子在不同分辨率下不一定可复现，如果你要跨分辨率复用种子，建议先在小分辨率下确定种子，再等比例放大分辨率并微调提示词。
5. Qwen-Image：多模态理解带来的差异化
5.1 Qwen-Image 的独特之处
Qwen-Image 背靠的是通义千问的多模态能力，这让它在图像理解与生成的联动上有天然优势。什么意思呢？就是它不只是一个“文本到图像”的单向模型，而是能结合图像输入做更复杂的任务，比如图生图时的语义保持、局部重绘时的上下文理解。
我实际用下来，Qwen-Image 在指令跟随方面表现突出。你给它一个比较复杂的编辑指令，比如“把这张图里的红色汽车换成蓝色，同时把背景的天空改成黄昏”，它能比较准确地执行，而不是像有些模型那样只改一半或者改错对象。
5.2 中文场景下的优势
和即梦类似，Qwen-Image 在中文理解上也有优势，但侧重点不同。即梦强在审美层面的中文意象，Qwen-Image 强在逻辑层面的中文指令。举个例子，如果你写“画面左边三分之一处放一个花瓶，右边三分之二留白”，Qwen-Image 对这类空间逻辑指令的执行准确率更高。
这个差异对做设计排版类工作的人很有价值。比如你要生成一张有明确文字区域留白的海报底图，Qwen-Image 能更好地理解“留白”这个指令的空间含义。
5.3 实操中的参数调优
Qwen-Image 的 CFG 值建议设在 5-7 之间，比 FLUX.2 稍高。这是因为它的训练目标里对指令跟随的权重更大，需要更高的引导强度来激活这部分能力。步数方面 25-30 步是比较稳的区间。
# Qwen-Image 指令跟随示例 pipe( prompt="将画面中的红色汽车改为蓝色，背景天空改为黄昏色调", image=input_image, num_inference_steps=28, guidance_scale=6.0, strength=0.75, # 图生图强度，0.75 表示中等改动幅度 )注意：图生图任务里 strength 参数很关键。设太低（<0.5）改动不明显，设太高（>0.9）会丢失原图结构。0.7-0.8 是大多数编辑任务的甜点区间。
6. GLM-Image：学术派的技术探索
6.1 GLM-Image 的技术路线
GLM-Image 来自智谱的研究线，整体风格偏学术探索。它在架构上尝试了一些和主流 DiT 不太一样的思路，比如在注意力机制和条件注入方式上做了改动。这些改动带来的实际效果是：在某些特定类型的提示词上表现突出，但整体稳定性不如前面几个成熟。
具体来说，GLM-Image 在抽象概念可视化方面有独到之处。比如你让它画“时间流逝”“孤独感”“秩序与混乱”这类抽象主题，它出来的图往往比 FLUX.2 更有想象力。但如果你要的是“一只具体的橘猫坐在窗台上”，它的出图稳定性就不如前几个。
6.2 适合谁用
GLM-Image 适合概念设计、艺术创作、学术研究场景。如果你做的是商业交付类项目，追求稳定可复现的出图结果，那 GLM-Image 可能不是首选。但如果你在做创意探索，需要模型给你一些“意料之外”的灵感，它值得一试。
我个人的用法是：在项目前期头脑风暴阶段，用 GLM-Image 生成一批概念图，不求每张都能用，只求从中找到一两个有意思的视觉方向，然后再用 FLUX.2 或即梦去细化执行。
6.3 部署与资源需求
GLM-Image 的部署门槛和 FLUX.2 接近，显存需求在 12-16GB 区间。但它的推理速度偏慢，因为架构上的改动带来了一些额外的计算开销。如果你打算本地部署，建议至少准备 16GB 显存的卡，否则量化之后的画质损失会比较明显。
| 模型 | 显存门槛 | 推理速度 | 出图稳定性 | 适合场景 |
|---|---|---|---|---|
| FLUX.2 | 12-24GB | 中等 | 高 | 商业交付、高质量成图 |
| Seedream | 云端为主 | 快 | 高 | 国风、氛围感内容 |
| Z-image | 6GB+ | 很快 | 中等 | 快速预览、批量生成 |
| Qwen-Image | 12-16GB | 中等 | 高 | 指令编辑、设计排版 |
| GLM-Image | 12-16GB | 偏慢 | 中等 | 概念探索、艺术创作 |
7. 五个模型横向对比与选型决策树
7.1 一张表看清核心差异
前面分别讲了五个模型的特点，这里我用一张综合表把关键维度拉齐，方便你快速对照。需要说明的是，表中的评分是基于我自己的实测体验和公开资料的交叉验证，带有一定主观性，你的实际感受可能不同。
| 维度 | FLUX.2 | Seedream | Z-image | Qwen-Image | GLM-Image |
|---|---|---|---|---|---|
| 英文提示词理解 | 极强 | 中等 | 中等 | 强 | 中等 |
| 中文提示词理解 | 中等 | 极强 | 中等 | 强 | 中等 |
| 出图细节质量 | 极强 | 强 | 中等 | 强 | 中等 |
| 推理速度 | 中等 | 快 | 极快 | 中等 | 偏慢 |
| 本地部署友好度 | 中等 | 低 | 高 | 中等 | 中等 |
| 指令跟随能力 | 强 | 中等 | 弱 | 极强 | 中等 |
| 风格多样性 | 强 | 偏国风 | 中等 | 强 | 极强 |
| 社区生态 | 极强 | 中等 | 中等 | 中等 | 弱 |
7.2 选型决策的实操逻辑
选型这件事，我一般按下面这个顺序问自己四个问题：
第一，我的提示词主要用什么语言？如果主要是中文，优先考虑即梦和 Qwen-Image；如果主要是英文，FLUX.2 是首选。
第二，我对出图速度的要求有多高？如果需要快速迭代、批量出图，Z-image 的效率优势很明显；如果追求单张质量，FLUX.2 更合适。
第三，我需不需要本地部署？如果必须本地跑，Z-image 门槛最低，FLUX.2 和 Qwen-Image 需要一定硬件投入，即梦目前以云端服务为主。
第四，我的任务类型是什么？商业交付选 FLUX.2，国风内容选即梦，指令编辑选 Qwen-Image，概念探索选 GLM-Image，快速预览选 Z-image。
7.3 组合使用的思路
实际工作中，我很少只用一个模型。比较高效的组合方式是：
- 前期探索：Z-image 快速试方向，GLM-Image 找灵感
- 中期细化：Qwen-Image 做指令编辑和局部调整
- 最终成图：FLUX.2 或即梦出高质量交付版本
这个流程的好处是每个环节都用到了对应模型的长处，整体效率比死磕一个模型要高不少。
8. 常见问题与排查技巧实录
8.1 出图质量不达预期怎么排查
这是被问得最多的问题。我的排查顺序一般是：
第一步，检查提示词结构。很多人出图不好是因为提示词太笼统。把“一只猫”改成“一只橘色短毛猫坐在木质窗台上，午后侧光，浅景深”，效果会立竿见影。
第二步，检查 CFG 和步数。CFG 太低会导致模型“不听指令”，太高会导致过饱和和伪影。步数太低细节糊，太高收益递减还费时间。
第三步，检查分辨率。很多模型在训练时的基准分辨率是 1024x1024，你如果设成 512x512 或者奇怪的宽高比，出图质量会明显下降。建议先用基准分辨率测试，确认提示词没问题再调整尺寸。
第四步，换种子。有时候就是随机种子不好，换一个种子同样参数出来的图可能完全不同。
8.2 显存不够用的降级方案
显存不够是本地部署最常见的痛点。我的降级优先级是：
- 开启 FP8 或 GGUF 量化：画质损失可控，显存占用能降 30-50%
- 降低分辨率：从 1024 降到 768，显存需求大约降一半
- 使用注意力优化：如 Flash Attention、xFormers 等，能省一部分显存
- CPU 卸载：把部分层卸载到内存，速度会慢但能跑起来
- 换更小的模型：如果以上都不行，Z-image 是最后的保底选择
注意：量化版本和全精度版本在相同种子下出图结果不一定一致，如果你需要严格复现某张图，建议记录完整的模型版本和量化信息。
8.3 中文提示词的常见误区
很多人写中文提示词喜欢堆砌形容词，比如“非常非常美丽的超级好看的画面”。这种写法对模型来说信息量很低。有效的做法是用具体的名词和动词替代抽象的形容词。
对比一下：
- 低效写法：“一个很漂亮的女孩在很美的地方”
- 高效写法：“一位穿白色连衣裙的少女站在薰衣草花田中，黄昏暖光，中景构图”
后者给模型的信息量是前者的好几倍，出图的可控性自然更高。
8.4 模型切换时的参数迁移
从一个模型换到另一个模型时，参数不能直接照搬。我的经验是：
- CFG 值：FLUX 系列 3.5-5，SD 系列 7-9，Qwen-Image 5-7
- 步数：FLUX 20-28，SD 20-30，Z-image 8-15
- 提示词：英文模型用英文，中文模型用中文，不要直译
每次换模型，先用一组标准测试提示词跑几张，确认参数区间再正式干活。
9. 我个人的使用体会
写了这么多，最后说几句实在的。这五个模型我都在不同项目里用过，最大的感受是：没有万能模型，只有合适的工具组合。FLUX.2 出图质量确实顶，但不是所有任务都需要那个质量；Z-image 画质一般，但它在快速迭代阶段的效率优势是其他模型给不了的。
另外一个很深的体会是：提示词工程的重要性被很多人低估了。同样的模型，会写提示词和不会写提示词的人，出图质量差距可能有天壤之别。与其不停换模型，不如先把提示词结构、参数区间、种子管理这些基本功练扎实。
最后分享一个小技巧：建立一个自己的提示词模板库和参数记录表。每次出一张好图，把提示词、模型版本、种子、CFG、步数全部记下来。积累几个月之后，你会发现自己的出图效率有质的提升，因为你可以直接复用经过验证的参数组合，而不是每次从零开始试。
