去年年底开始我明显感觉 AI 绘画圈子的“版本答案”变得特别快前面还在折腾 SDXL 和 Midjourney转眼 FLUX 出了再一眨眼国产的几个大模型全上来了。FLUX.2、Seedream即梦、Z-image、Qwen-Image、GLM-Image这五个名字是我过去大半年里在中文社区里看到频率最高、自己也都实际跑过或者深度试用过的模型。这篇东西不打算写成那种罗列参数的说明书而是想把我对它们的理解、拿它们做过什么、中途踩过的坑以及最后怎么选型的一套思路完整地讲清楚。如果你正在纠结“到底该用哪个出图”或者想把其中几个在本地 ComfyUI 里跑起来看完应该能直接落地。1. 五个模型同时冒头先搞清楚竞争格局1.1 它们到底是不是同一类东西先说底层逻辑这五个模型本质上都属于扩散模型Diffusion Model这一大类。它们的共同玩法是训练阶段不断往图片上加噪、再让神经网络学习如何把噪声去掉最终练出一个“给纯噪声也能还原成真实图片”的生成器到了推理阶段你输入一段提示词模型从一片随机噪声开始一步步去除噪声最后得到图像。但这个大类底下的细节差异很大。早期 SD 系列用的是 U-Net 做去噪主干而 Qwen-Image、FLUX 这类新模型基本都转向了 DiTDiffusion Transformer也就是用 Transformer 结构替代 U-Net好处是参数量可以堆得更大、对长文本和空间关系的理解更强。FLUX 家族还引入了整流流Rectified Flow训练方式把加噪路径设计得更“直”所以能用更少的采样步数得到不错的效果。Z-image 的 Turbo 版则是在蒸馏加速上做文章原理上属于“把多步去噪能力压缩到少步数推理”。还有一个容易忽略的点文本编码器。同样的提示词CLIP、T5、以及各家自研编码器理解出来的结果差异很大。这也解释了为什么有的模型对中文提示词反应特别好有的模型非要写英文才出效果——那基本是文本编码器和训练数据的差异而不是玄学。1.2 一张表看懂定位差异我整理了一份基本信息对照表方便你先建立一个整体印象模型出品方开源情况核心定位主要使用方式FLUX.2Black Forest Labs部分版本开源通用高质量生成混合模态编辑ComfyUI、官方API、第三方平台Seedream即梦字节跳动闭源中文语义理解、自然语言改图、文字渲染即梦平台、官方APIZ-image中文社区/团队社区流传开源权重高性价比出图Turbo加速、低显存友好ComfyUI、本地部署Qwen-Image阿里通义实验室Apache 2.0 开源中英双语、局部编辑、多图参考ComfyUI、diffusers、apiGLM-Image智谱AI开源权重语义理解、图文混排、编辑一致性智谱开放平台、本地ComfyUI从这张表能看出一个趋势前几年大家关注的是“画得像不像、美不美”现在的竞争焦点已经转移到“中文理解准不准、能不能听话地改图、方不方便接进自己的工作流”。这五家里Seedream 是典型的闭源产品思路体验最省心但可控性弱FLUX.2、Qwen-Image、GLM-Image 是开源派适合自己折腾Z-image 则走了社区野路子的中间路线。1.3 中文赛点是这批模型的共同关键词为什么这批模型都把中文支持作为卖点原因很现实中文提示词的处理在过去一直是 SD 系模型的短板中文字符更是所有扩散模型的噩梦——能把十几个汉字写对、写整齐的模型在中文互联网的实用价值直接翻倍。设计海报、电商主图、短视频封面、PPT配图这些场景都绕不开文字生成。所以你会发现Seedream 把“文字渲染”当核心能力宣传GLM-Image 强调中文图文混排Qwen-Image 原生支持中英双语提示词FLUX.2 也对中文做了大幅强化。这个变化实际上改变了 AI 绘画的适用人群以前你需要会写英文提示词、会调参数现在用中文说清楚需求模型就能给出相当可用的结果。2. FLUX.2把“混合模态”带进开源生态的工业级选手2.1 FLUX.1 到 FLUX.2 到底升级了什么Black Forest Labs 这家公司因为 FLUX.1 在开源社区的爆火基本成了“开源 AI 绘画的质量天花板”。FLUX.1 时代的优势是手部结构、光影质感、物体合理度都明显高于 SDXL缺点也有显存需求高、出图速度慢、中文支持别扭。FLUX.2 在这些问题上做了针对性修正。最核心的变化我可以概括成两点。第一模型开始接受“图像 文本指令”的混合输入也就是说你不再只能输入一句文字描述而是可以给一张参考图再加上一句“帮我改成什么什么样”。这在官方术语里叫混合模态放到 ComfyUI 里就是一个“参考图节点 文本提示词”的工作流。第二FLUX.2 对中文提示词的理解比 FLUX.1 明显更好实测下来同样的中文描述出图的语义贴合度提升了一大截不再需要先把中文翻译成英文再反复调词。2.2 对“整流流”和训练步数的理解FLUX 系列的底层是整流流这个概念我建议每个玩 ComfyUI 的人都花十分钟搞懂。传统扩散模型的去噪路径是一条比较弯的曲线整流流把这条路径拉成近似直线模型只需要沿着“噪声到图像”的直线走有限几步就能完成生成。好处是采样步数少了、速度上去了、质量还稳定。实际使用中FLUX.2 的默认采样步数通常落在 20 到 30 步之间配合 DPM 或 Euler 这类采样器都能跑。如果你拿到一个 FLUX 模型发现它长得很像 SD 工作流但采样器对不上多半是把 “CFG 1.0 整流流采样器” 这套逻辑忘了。记住整流流模型的 CFG 不要按 SD 的习惯设成 7很多 FLUX 版本直接把 CFG 设为 1硬拉高反而会让图发灰、发闷。2.3 我实际用 FLUX.2 的感受与硬件门槛我自己在本地 ComfyUI 里跑 FLUX.2 比较多。先说配置感受12GB 显存是个分水岭。我的主力卡是 24GB可以跑 fp16 全精度单张 1024 分辨率图大概 15 到 25 秒换到 12GB 的卡上必须走 fp8 或者 GGUF 量化速度反而可能更快但细节会有一点损失。6GB 到 8GB 显存想跑全量 FLUX.2 基本没戏建议直接考虑量化版或者换下面的轻量模型。画质方面FLUX.2 的强项是“稳定地高质量”。同样是“一个穿红色风衣的女人站在雨天的霓虹街头”SDXL 可能偶尔出一张惊艳的、偶尔出崩坏的FLUX.2 则基本都在 80 分以上。加上它开源LoRA 生态也成熟现在训练风格 LoRA 或者角色一致性 LoRAFLUX 系列依然是第一梯队。要说缺点一是显存焦虑二是速度在本地场景确实不算快三是它的“审美”偏欧美画风做中式国风题材需要靠 LoRA 或提示词拉回来。3. Seedream即梦中文语义理解和“改图”能力是它的护城河3.1 从即梦平台到 SeedreamSeedream 这个型号普通用户更熟悉的入口是字节旗下的“即梦AI”平台。你在即梦上随手生成的图背后就是 Seedream 系列模型在驱动。字节这套产品策略很有意思模型本身闭源、不开放本地部署但把能力完整地封装进了网页端和 API所以商业用户和普通用户上手都零门槛。我最初对 Seedream 是有点轻视的觉得“闭源模型的个性化空间有限”。后来在项目里要做一批中文电商海报被 FLUX 的中文排版折磨之后转去即梦试了试结果直接改变看法。它的中文语义理解确实强你写“一杯冒着热气的咖啡放在木桌上旁边有本翻开的书午后阳光从左边照进来”它能比较准确地处理“桌”“咖啡”“书”“左边光源”这些空间关系不需要你把提示词切成碎片式关键词。3.2 自然语言改图比“蒙版重绘”好在哪Seedream 系列尤其是新版本最让我觉得“回不去”的功能是自然语言改图。过去本地工作流里改图的主流操作是把图拖进 Photoshop 或 ComfyUI画蒙版填提示词再局部重绘。这一套流程有学习成本而且蒙版边缘处理不好很容易出“一块贴上去”的违和感。Seedream 的逻辑直接得多上传一张图输入“把背景改成海边的日落”“把她的黑色外套换成白色羽绒服”“把画面里的猫换成一只柯基”模型会基于对整个画面的语义理解完成保留主体、更换属性的操作。实测下来它对人物身份、画面构图、光线方向的保持做得非常稳边缘融合也没有明显破绽。这意味着非技术背景的设计师、运营人员不再需要学任何本地工具就能完成过去要好几步才能做到的修图需求。3.3 文字渲染和中文风格素材Seedream 的另一个让我服气的地方是文字渲染。我试过让模型生成“春日限定”“全场五折”“新中式茶馆”这类带汉字的画面它能把字形写得正确而且有设计感。这一点放到 FLUX 身上就比较吃力中文句子稍长就会出偏旁错误或字体怪异。对于电商设计、海报制作这些场景这个能力几乎等于救命稻草。同时Seedream 在中文审美和国风素材上天然占优。做古风人物、青绿山水、宋韵茶室这类题材时它的出图气质比欧美团队训练的模型更“对味”。这不是玄学而是训练数据里中文社区图文素材占比高模型自然学会了这些视觉风格。如果你主攻中文内容创作Seedream 值得作为主力工具之一。3.4 API 与工作流接入Seedream 也提供了开放 API意味着你可以在自己的程序、自动化流程里调用它。我做过一个批量生成商品素材的脚本输入商品名和卖点调用即梦 API 直接产出多张海报底图再人工挑选微调。整个过程比本地 ComfyUI 批量出图稳定得多因为不需要担心显存、节点报错但代价是每一张图都按调用量计费批量跑之前最好先做一轮 prompt 测试避免浪费成本。这里必须说清楚它的边界闭源、可定制性弱、不能训练自己的 LoRA提示词风格也很难做到“严格复现同一个人物”。所以它的定位更像是“产品级工具”而不是“研究型平台”。如果你需要完全可控的模型还是得回到开源阵营。4. Z-image 与 Z-image Turbo社区野路子里的高性价比选择4.1 Z-image 的来历与口碑Z-image 相对前面几个属于中文社区里“口口相传”型选手。它的名字可能没有 FLUX 那么响亮也没有即梦那样的官方平台推广但在不少显存有限、又想本地跑出不错画质的玩家那里口碑相当好。我在多个交流群里看到它的权重文件通过网盘分享热度一直不低这说明它在“易获取、能跑、画质够用”这件事上确实占住了位置。这类社区模型的优势是接地气模型作者通常会把普通用户最关心的东西放在第一位比如默认分辨率的出图效果、步数少时会不会崩、低显存能不能跑。我在 8GB 显存的笔记本上试过 Z-image 系列同样提示词下它跑 512 到 768 分辨率的出图速度和稳定性都比 SDXL 更舒服。对于日常灵感收集、快速出草稿、或者短视频配图这种“轻负担”体验很关键。4.2 Turbo 版是怎么“变快”的Z-image Turbo 这个名字里的 “Turbo”和 FLUX Schnell 属于同一个概念通过蒸馏技术把大模型的去噪能力压缩进更少的采样步数里。正常模型出图可能要 20 步到 30 步Turbo 版本 4 步到 8 步就能出图速度肉眼可见地翻倍。不过要提醒一句Turbo 是有代价的。蒸馏加速之后模型对复杂提示词的拟合能力会下降容易出现“细节偷懒”或“风格同质化”。我自己的经验是Turbo 适合做量大的初稿、找构图灵感、快速验证提示词效果真正要出精细成品时还是切回完整版模型跑满步数。另外一个参数上的细节Turbo 版模型对 CFG 非常敏感一般建议设成 1 到 2超过 3 很容易过曝或发灰。第一次跑如果图不对优先检查 CFG 而不是采样器。4.3 蓝奏云下载、校验与 ComfyUI 接入Z-image 的 Turbo 权重经常以蓝奏云网盘链接的形式在群里传播这本身没什么问题但我要认真建议你注意文件校验。社区模型文件不像大厂那样有规范的发布渠道同一个名字下可能流传着好几个变体有的基于某个底模微调有的附带错误的后处理脚本甚至有的文件名对不上版本。下载之后先看文件大小和页面说明是否一致有条件的话用哈希工具比对一下作者公布的校验值。权重文件放错位置、放错版本导致的“跑出来全是噪点”问题我见过太多次了。接入 ComfyUI 的路径其实和 FLUX 类似把模型文件放到models/checkpoints或models/diffusion_models加载对应采样器和调度器按模型配套的工作流跑。如果你拿到的压缩包里有作者提供的 JSON 工作流文件优先直接导入别自己从零搭建——社区模型的预设参数经常是作者反复调试过的最优解自己重搭很容易漏掉关键设置。5. Qwen-Image 与 GLM-Image国产开源双子星的本地化工程5.1 Qwen-Image 的 DiT 架构与 ComfyUI 落地Qwen-Image 是阿里通义实验室开源的图像生成模型许可协议是宽松的 Apache 2.0这在国内大厂里相当难得。架构上它走的是纯 DiT 路线具备原生中英双语理解、支持多图参考和局部编辑官方还专门做了 ComfyUI 的节点支持。我关注的是它在 ComfyUI 里的落地完整度。现在社区里流传的QwenImage系列节点已经比较成熟工作流的大致结构是加载 Qwen-Image 模型 → 文本编码器里分别输入中文/英文提示词 → 设定图像尺寸 → 采样生成。分辨率设置这块Qwen-Image 支持按桶bucket生成不同宽高比这点和 SDXL 类似但官方推荐的基准分辨率在 1024 上下太低会明显丢失细节。我实际跑下来的感受是Qwen-Image 对自然语言的理解相当好特别是那种“写一句完整描述”的长提示词它能抓住前后因果关系出图不容易出现 SD 那种“提示词塞太多就互相打架”的情况。它还能当“修改工具”用给一张图加上蒙板再输入修改指令就能完成局部编辑这在开源模型里不是每个都能做好的。5.2 GLM-Image 的语义理解与编辑能力GLM-Image 是智谱AI放出来的图像模型。智谱在大模型领域的强项一直是语言理解这个优势也被带到了图像模型里它对中文提示词的长句理解、逻辑关系分解非常稳尤其适合做“描述一段复杂场景然后配图”的活。它在编辑能力上有一个特点支持通过对话式的指令对图像做修改和风格变换而且能保持画面主体的一致性。这点和 Seedream 的改图逻辑更像区别是一个是开源本地部署一个是闭源平台。在本地 ComfyUI 里接入 GLM-Image 时需要留意它配套的文本编码器加载步骤通常是一个独立的text_encoder路径很多人漏了这一步结果加载模型后生成出来的是色块噪点。如果你在 ComfyUI 里跑 GLM-Image 出图异常先别怀疑模型坏了优先检查 VAE 和文本编码器是否单独配好。5.3 Ubuntu 20.04 上部署 Qwen-Image 2.1 的关键步骤现在很多人的 ComfyUI 是跑在 Linux 服务器或者远程租来的 GPU 机器上Ubuntu 20.04 是相当常见的系统版本。我在这套环境里部署 Qwen-Image 2.1 踩了几次坑把关键步骤整理一下照着走基本能避开。第一步Python 版本不要贪新ComfyUI 官方推荐 python 3.10Ubuntu 20.04 自带的可能是 3.8需要自己装。第二步创建虚拟环境后安装 torch建议装 CUDA 12.1 配套的 torch 2.x 版本不要图省事用 CPU 版。第三步拉取 ComfyUI 后把 Qwen-Image 对应的自定义节点装好注意节点版本与模型版本要配套社区里流传的 Qwen-Image 2.1 权重对应的节点分支也是 2.x装错了会报一堆不明所以的维度错误。然后是模型文件的摆放路径。Qwen-Image 权重通常是拆分的主模型放models/diffusion_models两个文本编码器放models/text_encodersVAE 放models/vae。下载时看清楚文件名前缀很多人把主模型和文本编码器放反结果是加载阶段就报 shape mismatch。最后如果你的机子显存只有 10GB 到 12GB建议加载 fp8 版本或 GGUF 量化版本全量 fp16 会在采样中途直接 OOM连报错信息都来不及看。5.4 显存不够时的量化与加速方案老规矩本地跑大模型绕不开显存问题。Qwen-Image 全量 fp16 在 24GB 显存下可以舒服跑 1024 分辨率12GB 建议 fp88GB 建议 GGUF 量化。GGUF 量化还有一个好处是能部分卸载到内存运行速度慢一些但至少能出图。加速方面Qwen-Image 发布了轻量版本和蒸馏加速版本步数可以压到 8 到 10 步。我实测轻量版在保持画质的前提下速度有明显的提升适合批量初稿正式出图再切回完整版。我的整体经验是显存焦虑不要硬扛先想清楚你主要用这个模型做什么大量出图选加速版、精修选全量版比调一堆参数四处碰壁有效得多。6. 横向对比五个模型到底怎么选性能与体验差距在哪6.1 画质、文字、语义理解三个维度的直观对比画质这件事很容易被口嗨但实际对比下来还是有规律可循。FLUX.2 和 Seedream 在“精致感”上属于第一档前者偏欧美摄影级质感后者偏中文商业设计质感。Qwen-Image 和 GLM-Image 的默认画质也不差但更擅长“听话”在复杂指令执行上比前面两位更稳。Z-image 的绝对画质不是最强赢在“不挑机器、出图快”。文字渲染维度Seedream 最强GLM-Image 和 Qwen-Image 表现不错FLUX.2 比一代强了但中文长句仍容易出小错Z-image 这块我建议直接避开。中文语义理解维度Seedream、GLM-Image、Qwen-Image 都做得比较好FLUX.2 属于“能听懂但偶尔犯迷糊”Z-image 对英文提示词更友好。6.2 硬件门槛与运行速度的实测感受模型最低显存量化舒适显存1024图速度感受FLUX.210GBfp8/GGUF24GB慢20秒以上Seedream无需本地无需本地在线即时Z-image Turbo6GB8-12GB快几秒到十几秒Qwen-Image8GB量化16GB中等10-20秒GLM-Image8GB量化16GB中等偏快这个表反映的是我在 4090 和 3060 两种卡上的相对体感不同环境会有浮动但大方向没问题。可以看到真正对低显存玩家友好的只有 Z-image Turbo其余开源模型至少准备 10GB 以上才不会被显存问题劝退。如果你暂时没有好显卡Seedream 这类在线平台反而是最省事的选项。6.3 选型决策表与场景推荐最后给一个我经常用来做选型参考的决策思路按实际使用场景划分做电商海报、中文文案配图、需要文字渲染首选 Seedream省心且质量高GLM-Image 本地版可作为副选。做自由风格创作、训练 LoRA、搭建可复用的本地工作流首选 FLUX.2生态最成熟。机器配置一般、需要快速批量出草稿Z-image Turbo性价比拉满。依赖 ComfyUI、需要多图参考和局部编辑Qwen-Image开源可控、文档齐全。需要在本地跑长中文提示词、复杂场景描述GLM-Image语义理解稳。7. 我自己常用的几条经验与避坑记录到这儿把五家模型都过了一遍最后记录几条我实操下来觉得值得记住的经验。提示词写法上新模型普遍是“自然语言理解型”我建议写完整句子、描述清楚主体、环境、光线、风格而不是堆砌一堆 “超写实、8K、杰作、高细节” 这种老式关键词。后者在新模型上不仅没帮助有时候还会干扰语义。测试阶段记得固定 seed 值方便对比同一提示词在不同模型、不同采样器下的真实差异。参数方面FLUX 系列和 Turbo 类模型一定先检查 CFG默认超过 3 基本就是废图采样器上DPM 2M Karras 和 Euler 是我最常用的两档前者更适合精修出图后者在 Turbo 模型里更稳。步数不要盲目拉高整流流和蒸馏模型 20 步以内就能稳定收敛超过 30 步只是浪费时间。模型工程方面权重文件的管理一定要规范命名。我见过太多人因为文件名随意改动导致加载的其实是旧版本跑出来的画面风格对不上讨论。下载社区模型时保留原始说明文件记录版本号和校验值。文件动过之后如果出图行为异常优先怀疑模型文件而不是配置。把 Qwen-Image、FLUX.2 这些中文社区讨论度高的模型真正用顺我发现最关键的一点不是“哪个模型最强”而是“哪个模型最适合手头这件事”。模型列表越攒越多反而会乱不如围着一套工作流做深主力模型一个备用模型一个其余交给在线平台。这样既能保证质量稳定又不会被新版本频繁打乱节奏。