1. 五个模型到底在解决什么问题
先把结论摆在前面：FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image 这五个名字，本质上都是文生图（Text-to-Image）与图像编辑这条技术路线上的不同实现。它们要解决的核心问题只有一个——如何让机器"听懂人话"并"画出对的东西"。听起来简单，但真正做过图像生成项目的人都知道，这里面藏着三个绕不开的坎：语义对齐、细节还原、可控编辑。
语义对齐说的是，你输入"一只戴着圆框眼镜的橘猫坐在旧书堆上，暖色调，胶片质感"，模型得真的理解"圆框眼镜""旧书堆""胶片质感"这些词，而不是随便给你一只猫。细节还原说的是，生成出来的图不能糊、不能崩、手指不能多一根。可控编辑则是更高阶的需求——我有一张图，想只改背景、只换衣服颜色、只调整光线，其他部分纹丝不动。
这五个模型各自在这三个维度上有不同的取舍和侧重。FLUX.2 走的是开源+高质量路线，社区生态活跃，适合想深度定制的人；Seedream（即梦）偏向产品化落地，中文语义理解做得细，适合内容创作者直接上手；Z-image 主打轻量与速度，在消费级硬件上也能跑得动；Qwen-Image 背靠通义系列的多模态积累，中文场景和文字渲染是它的强项；GLM-Image 则更强调图文理解与生成的统一，在需要"看懂再画"的任务上有优势。
我写这篇东西的目的很直接：把每个模型的核心机制、适用场景、实操要点、踩坑经验掰开揉碎讲清楚。不管你是刚接触文生图的新手，还是已经在做图像生成应用的开发者，看完应该都能找到能直接抄作业的部分。下面我会先讲整体设计思路，再逐个拆解核心细节，然后是完整的实操流程，最后是我自己踩过的坑和排查技巧。
2. 整体设计思路与方案选型逻辑
2.1 为什么文生图模型要分这么多路线
很多人会问：不都是文生图吗，为什么不能一个模型全搞定？答案在于算力、数据、目标场景这三者的三角制约。一个模型如果追求极致的生成质量，参数量就小不了，推理成本就高；如果追求速度和轻量，细节和语义理解就会打折扣；如果追求中文场景的精准，训练数据就得大量偏向中文语料，英文场景可能就弱一些。
FLUX.2 的选择是在质量上不妥协，用较大的参数量和精细的训练流程换取生成质量，同时开源让社区可以微调。Seedream（即梦）的选择是产品体验优先，把复杂的推理封装起来，用户只需要输入提示词，背后做了大量的提示词优化、风格预设、后处理。Z-image 的选择是效率优先，通过架构优化和量化技术，让模型能在普通显卡甚至移动端跑起来。Qwen-Image 的选择是中文优先，在中文文字渲染、中文语义理解上投入更多。GLM-Image 的选择是理解与生成统一，把图像理解和图像生成放在一个框架里训练。
这个逻辑其实和做菜很像。有的餐厅主打食材顶级（FLUX.2），有的主打出餐快（Z-image），有的主打本地口味（Qwen-Image），有的主打套餐搭配好（Seedream），有的主打既能点菜又能点评（GLM-Image）。你选哪个，取决于你要解决什么问题。
2.2 五个模型的核心定位对比
为了让你一眼看清差异，我整理了一张对比表。这张表是我根据实际使用和社区反馈总结的，不是官方参数表，更偏向"用起来是什么感觉"。
| 模型 | 核心定位 | 中文能力 | 生成质量 | 推理速度 | 硬件门槛 | 最适合的场景 |
|---|---|---|---|---|---|---|
| FLUX.2 | 开源高质量生成 | 中等 | 高 | 中等 | 较高 | 需要深度定制、微调的项目 |
| Seedream（即梦） | 产品化内容创作 | 高 | 高 | 快 | 低 | 自媒体配图、电商素材 |
| Z-image | 轻量快速生成 | 中等 | 中 | 很快 | 低 | 移动端、批量生成、原型验证 |
| Qwen-Image | 中文场景与文字渲染 | 很高 | 高 | 中等 | 中等 | 中文海报、带文字的图 |
| GLM-Image | 理解与生成统一 | 高 | 中高 | 中等 | 中等 | 图文问答、看图改图 |
这张表里有个关键信息：没有哪个模型在所有维度都最强。FLUX.2 质量高但门槛也高，Z-image 快但细节弱，Qwen-Image 中文强但英文场景可能不如 FLUX.2。所以选型的核心不是"哪个最好"，而是"哪个最适合我当前的任务"。
2.3 选型时最容易忽略的三个维度
大部分人选模型只看"生成质量"，但实际落地时，下面三个维度往往更致命。
第一个是提示词遵循度。有些模型生成质量很高，但你让它画"左边一只猫右边一只狗"，它可能给你画成猫狗叠在一起。提示词遵循度直接决定了你能不能精确控制输出。FLUX.2 和 Qwen-Image 在这块表现较好，Z-image 相对弱一些。
第二个是批量一致性。如果你要生成一组风格统一的图（比如一套电商详情页），模型能不能在多次生成中保持风格稳定就很重要。Seedream 因为有风格预设机制，这块做得不错；纯开源模型需要你自己通过固定随机种子、LoRA 等方式来保证。
第三个是编辑能力。很多任务不是从零生成，而是"改图"。比如把白天改成夜晚、把红色衣服改成蓝色。这需要模型支持图像编辑（Image Editing）或图像到图像（Image-to-Image）。FLUX.2 和 GLM-Image 在编辑能力上更完整，Z-image 偏向纯生成。
提示：选型时先明确你的任务类型——是纯文生图、图生图、还是局部编辑。任务类型定了，可选范围就缩小了一大半。
3. 核心细节解析与实操要点
3.1 FLUX.2 的核心机制与使用要点
FLUX.2 的核心在于它的**流匹配（Flow Matching）**训练框架。传统扩散模型是通过逐步去噪来生成图像，流匹配则是学习一个从噪声到图像的"流场"，理论上可以用更少的采样步数达到同样的质量。实际用下来，FLUX.2 在 20 到 30 步左右就能出不错的结果，比早期扩散模型动辄 50 步要高效。
使用 FLUX.2 有几个关键点。第一是提示词要具体但不要堆砌。我试过写"一只猫，橘色，可爱，毛茸茸，大眼睛，坐在窗台上，阳光，温暖，胶片，高清，8K"，结果反而不如"一只橘猫坐在窗台上，午后阳光，胶片质感"来得自然。原因是模型对过多形容词会产生语义冲突，它不知道该优先满足哪个。
第二是善用负面提示词。FLUX.2 对负面提示词比较敏感，你可以用"模糊、变形、多余手指、低质量"来压制常见问题。但负面提示词也不是越多越好，一般控制在 5 到 8 个词比较合适。
第三是CFG 尺度（Classifier-Free Guidance Scale）的选择。这个参数控制模型对提示词的遵循程度。太低（比如 1.5）会导致生成结果和提示词关系不大，太高（比如 12）会导致画面过饱和、失真。FLUX.2 一般建议在 3.5 到 7 之间，具体看任务。我个人的经验是，写实风格用 4 到 5，插画风格用 6 到 7。
3.2 Seedream（即梦）的产品化设计
Seedream 最大的特点是把复杂性藏起来了。你不需要调 CFG、不需要选采样器、不需要管步数，输入提示词就能出图。这背后是大量的工程优化：提示词自动扩写、风格自动匹配、后处理自动增强。
但"藏起来"不代表你不能控制。Seedream 提供了风格预设和参考图功能。风格预设相当于内置了一批调好的参数组合，你选"电影感"和选"日系清新"，背后的采样参数、色彩曲线都是不同的。参考图则是让你上传一张图，模型提取它的风格特征应用到新图上。
用 Seedream 的实操心得是：提示词写"画面内容"比写"风格词"更有效。因为风格已经通过预设控制了，你再写一堆风格词反而会干扰。比如你选了"电影感"预设，提示词就写"一个男人站在雨中的街头，回头看"，不要再写"电影感、大片、光影"这些，让预设去处理风格。
3.3 Z-image 的轻量化实现路径
Z-image 能在消费级硬件上跑，核心靠三招：模型剪枝、量化、蒸馏。剪枝是去掉模型中不重要的连接，量化是把浮点参数从 16 位降到 8 位甚至 4 位，蒸馏是让一个小模型去学大模型的行为。
实际使用中，Z-image 的速度优势非常明显。在同样的硬件上，它可能比 FLUX.2 快 3 到 5 倍。但代价是细节和语义理解会弱一些。我的经验是，Z-image 适合批量生成和快速验证。比如你要测试 20 个不同的提示词看哪个方向对，用 Z-image 快速跑一遍，选出好的再用 FLUX.2 精修。
Z-image 的提示词要更简短直接。因为它语义理解能力有限，长句复杂句容易理解偏。写"红色跑车，山路，日落"比写"一辆红色的跑车行驶在蜿蜒的山路上，背景是壮丽的日落"效果更好。
3.4 Qwen-Image 的中文场景优势
Qwen-Image 最突出的能力是中文文字渲染。大部分文生图模型画中文文字都是鬼画符，Qwen-Image 能画出基本可读的中文字。这对做中文海报、中文封面的人来说是刚需。
它的中文语义理解也更细。比如"水墨画风格的山水"和"山水画风格的水墨"，它能区分出前者是水墨技法画山水，后者是山水题材的水墨画。这种细粒度理解在英文模型上经常翻车。
使用 Qwen-Image 的要点是：中文提示词直接写，不要翻译成英文。它的训练数据里中文占比高，直接写中文反而更准。另外，涉及文字渲染时，把要渲染的文字用引号标出来，比如"海报上写着'新春快乐'"，这样模型能更准确地定位文字区域。
3.5 GLM-Image 的理解生成一体化
GLM-Image 的思路是先理解再生成。它有一个图像理解模块，能分析输入图像的内容、风格、构图，然后生成模块基于这些分析来生成或编辑图像。这让它在"看图改图"任务上表现更好。
比如你上传一张室内照片，说"把沙发换成蓝色"，GLM-Image 能先识别出沙发的位置和形状，再只修改沙发区域，其他部分保持不变。这种局部编辑能力是纯生成模型做不到的。
用 GLM-Image 的关键是指令要明确指向。说"把左边的椅子移到右边"比说"调整一下布局"有效得多。它需要明确的动作和对象。
4. 完整实操流程与核心环节
4.1 环境准备与模型获取
不管你用哪个模型，第一步都是把环境搭起来。如果你用开源模型（FLUX.2、Z-image、Qwen-Image、GLM-Image 的开源版本），需要准备 Python 环境、深度学习框架、以及模型权重。Seedream 是产品化的，直接用网页或 API 即可。
基础环境我建议用Python 3.10 或 3.11，太新的版本有些库还没适配。深度学习框架用 PyTorch，装的时候注意 CUDA 版本要和你的显卡驱动匹配。我踩过的坑是：显卡驱动太旧，装了最新的 PyTorch 反而跑不起来，最后降级到匹配版本才解决。
模型权重从官方渠道获取，注意看清楚是完整权重还是 LoRA。LoRA 是轻量微调权重，需要配合基础模型使用，不能单独跑。
# 基础环境安装示例（以 PyTorch 为例） pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install diffusers transformers accelerate safetensors注意：CUDA 版本一定要和显卡驱动匹配。用
nvidia-smi查看驱动支持的 CUDA 版本，再选择对应的 PyTorch 安装命令。
4.2 提示词工程的核心方法
提示词是文生图里最玄学也最重要的部分。我总结了一个四层结构法：主体 + 动作/状态 + 环境 + 风格。
主体是画面里最重要的东西，放最前面。动作/状态描述主体在干什么。环境是背景和氛围。风格是整体调性。比如"一只柴犬 + 趴在草地上 + 春天公园 + 日系清新摄影"，这样结构清晰，模型容易理解。
不同模型的提示词偏好不同。FLUX.2 喜欢具体描述，Qwen-Image 喜欢中文直写，Z-image 喜欢简短，Seedream 喜欢内容为主风格交给预设。我整理了一个对照表：
| 模型 | 提示词长度 | 语言偏好 | 风格词处理 | 特殊技巧 |
|---|---|---|---|---|
| FLUX.2 | 中等偏长 | 英文更稳 | 需要明确写 | 善用负面提示词 |
| Seedream | 中等 | 中文优先 | 交给预设 | 少写风格词 |
| Z-image | 短 | 中英皆可 | 简单风格词 | 越短越准 |
| Qwen-Image | 中等 | 中文直写 | 中文风格词 | 文字用引号 |
| GLM-Image | 中等 | 中文优先 | 可写可省 | 指令要明确 |
4.3 参数调优的实操记录
参数调优是很多人头疼的地方。我以 FLUX.2 为例，记录一次完整的调优过程。
任务：生成一张"雨夜街头，霓虹灯，赛博朋克风格"的图。
第一轮，我用默认参数：步数 20，CFG 7，采样器 Euler。结果画面偏暗，霓虹灯不够亮，赛博朋克感不足。
第二轮，我把 CFG 提到 9，步数提到 30。结果霓虹灯亮了，但画面过饱和，人物边缘出现光晕。这说明 CFG 太高了。
第三轮，CFG 降到 5.5，步数保持 30，换采样器 DPM++ 2M。结果画面平衡了，霓虹灯有亮度但不刺眼，赛博朋克感也出来了。
第四轮，我加了负面提示词"模糊、过曝、低质量"，并固定随机种子。结果稳定复现了第三轮的效果，且细节更干净。
这个过程说明：参数调优要一次只改一个变量，否则你分不清是哪个参数起了作用。另外，固定随机种子是复现结果的关键，不然每次生成都不一样，没法对比。
4.4 图像编辑任务的实现
图像编辑比纯生成复杂，因为要"保持一部分，改变一部分"。以 GLM-Image 为例，流程是这样的：
第一步，上传原图，让模型分析图像内容。第二步，用文字描述你要改什么，比如"把背景从白天改成夜晚"。第三步，模型生成编辑后的图。第四步，检查编辑区域是否自然，边缘有没有接缝。
这里的关键是蒙版（Mask）。如果你只想改局部，最好提供一个蒙版，告诉模型哪些区域可以改，哪些不能动。没有蒙版的话，模型可能会把不想改的地方也改了。
我踩过的坑是：蒙版边缘太硬，导致编辑区域和原图之间有明显的分界线。解决办法是把蒙版边缘做羽化处理，让过渡自然。
4.5 批量生成与一致性控制
做项目时经常需要批量生成风格一致的图。控制一致性的方法有三个：固定随机种子、使用 LoRA、使用参考图。
固定随机种子最简单，但只能保证同一提示词下的结果一致，换个提示词就不行了。LoRA 是训练一个小的风格权重，让模型学会某种风格，这样不同提示词下都能保持风格一致。参考图是上传一张风格图，让模型提取风格应用到新图上。
我的经验是：短期项目用固定种子+参考图，长期项目用 LoRA。LoRA 训练需要准备数据集和算力，但一旦训好，一致性最稳。
5. 常见问题与排查技巧实录
5.1 生成质量类问题排查
生成质量问题是最高频的。我整理了一个速查表：
| 问题现象 | 可能原因 | 解决方法 |
|---|---|---|
| 画面模糊 | 步数太少、CFG 太低 | 增加步数到 25-30，CFG 提到 5-7 |
| 画面过饱和 | CFG 太高 | 降低 CFG 到 4-6 |
| 人物手指异常 | 模型训练数据问题 | 加负面提示词"多余手指"，或后期修复 |
| 语义不符 | 提示词冲突、模型理解弱 | 简化提示词，换理解能力强的模型 |
| 风格不对 | 风格词不够明确 | 增加风格描述，或用参考图 |
| 文字乱码 | 模型中文渲染弱 | 换 Qwen-Image，文字用引号标注 |
5.2 性能与显存问题
显存不够是跑开源模型的常见问题。解决办法有几个：降低分辨率、使用半精度、启用梯度检查点、使用量化模型。
降低分辨率最直接，但会影响细节。半精度（fp16）能省一半显存，质量损失很小。梯度检查点是用时间换空间，训练时有用，推理时作用不大。量化模型是把权重降到 8 位或 4 位，显存占用大幅下降，但质量会有损失。
我的建议是：推理优先用半精度，显存还不够再考虑量化。量化到 4 位时质量下降比较明显，除非你的任务对质量要求不高。
5.3 提示词遵循度问题
提示词遵循度差的表现是：你写的东西模型没画出来，或者画错了。排查思路是：先简化提示词，看模型能不能画出核心主体；如果能，再逐步加细节，找到是哪个词导致的问题。
常见的原因是语义冲突。比如你写"一个透明的红色杯子"，透明和红色在视觉上有冲突，模型可能只画出一个。解决办法是换一种表达，比如"一个红色玻璃杯，可以看到杯中的水"。
另一个原因是模型训练数据里缺少这个概念。比如你写一个很冷门的物体，模型没见过，自然画不出来。这种情况只能换模型或自己微调。
5.4 编辑任务的边界问题
编辑任务最常见的问题是改多了或改少了。改多了是把不想改的地方也改了，改少了是没改到位。
改多了通常是蒙版没做好，或者模型对指令理解过宽。解决办法是精确蒙版，并把指令写得更具体。改少了通常是指令不够明确，或者模型编辑能力弱。解决办法是把指令拆成多步，一步步改。
我个人的经验是：编辑任务宁可分多步，不要一步到位。比如你要把一张图的背景、人物衣服、光线都改掉，分三次改比一次改成功率高得多。
5.5 跨模型迁移的注意事项
有时候你需要把一个模型上调好的提示词迁移到另一个模型。这时候要注意：不同模型的提示词偏好不同，不能直接复制。
从 FLUX.2 迁移到 Z-image，提示词要大幅简化。从 Z-image 迁移到 Qwen-Image，要把英文提示词改成中文。从 Seedream 迁移到开源模型，要把风格预设的效果用提示词补回来。
我的做法是：迁移时先跑一遍，看结果差在哪，再针对性调整。不要指望一次迁移就完美。
6. 我个人的实操体会
用了这五个模型一段时间后，我最大的体会是：没有万能模型，只有合适的组合。我现在的工作流是：用 Z-image 快速验证提示词方向，用 FLUX.2 或 Qwen-Image 精修出图，用 GLM-Image 做局部编辑，用 Seedream 做快速交付。每个模型干它最擅长的事，整体效率比死磕一个模型高得多。
另外，提示词工程的核心不是堆词，而是结构化表达。把主体、动作、环境、风格分清楚，比写一堆形容词有效。这个道理在所有模型上都成立。
最后分享一个小技巧：建立自己的提示词库。每次调出好结果，把提示词、参数、模型版本记下来。时间长了，你会有一套自己的"配方"，遇到类似任务直接调用，效率翻倍。这个习惯我从做第一个图像项目就开始养，到现在已经攒了几百条，是我最值钱的资产之一。
