1. 当我们在聊图像生成模型时，到底在聊什么
过去一年多，我陆陆续续在几个项目里接入了不同的图像生成能力，从最早的文生图玩具级调用，到后来真正把生成结果嵌进生产流程里做商品图、做插画辅助、做设计草稿，踩过的坑比想象中多得多。最近身边不少朋友开始问：FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image 这几个名字天天刷屏，到底有什么区别，选哪个，怎么用，为什么有的出图快有的出图慢，为什么同一个提示词换个模型结果天差地别。
这篇文章就是把我这段时间的实测经验、踩坑记录和底层理解整理出来。它不是一篇官方文档的复述，而是站在一个实际使用者的角度，把这几个模型的核心基础知识讲透。无论你是刚接触图像生成的新手，还是已经用过一两个模型想横向对比的老手，都能从里面找到对自己有用的东西。我会尽量用生活化的类比解释技术概念，同时把关键参数、实操步骤、选型逻辑都摊开来讲，让你看完能直接上手，而不是停留在“知道有这么个东西”的层面。
先说一个最核心的认知：这些模型虽然都叫“图像生成模型”，但它们的设计目标、训练数据侧重、推理架构、开放程度都不一样。把它们当成同一类东西去比较，就像把轿车、卡车、越野车放在一起比谁更好——没有绝对答案，只有场景匹配。所以这篇文章的重点不是排座次，而是帮你建立一套判断框架：什么任务该找谁，什么参数该调，什么坑要提前避开。
2. 五个模型的核心定位与设计哲学差异
2.1 FLUX.2：把生成质量和可控性同时往前推的一代
FLUX 系列最早让我注意到，是因为它在细节还原上的表现明显比同期很多模型更扎实。到了 FLUX.2，最直观的感受是它在“复杂场景下的语义一致性”上进步很大。什么叫语义一致性？举个实际例子：你让它画“一个穿红色外套的人站在雨中的便利店门口，手里拿着一把透明伞”，早期很多模型会把红色外套、雨、便利店、透明伞这几个元素随机组合，甚至把伞画成不透明的，或者人站在店里而不是门口。FLUX.2 在这类多元素约束的场景里，元素错位的情况明显减少。
从架构层面理解，FLUX 系列采用的是基于 Transformer 的扩散架构，而不是早期主流的那种纯卷积 U-Net。这个转变带来的直接好处是模型对全局信息的把握更强。你可以把 U-Net 想象成一个只看局部拼图的画师，它擅长处理纹理和局部细节，但对“整张图里各个元素的空间关系”把握容易出偏差。而 Transformer 架构更像是一个先看全局布局再动笔的画师，它在处理“谁在左谁在右、谁在前谁在后”这类空间关系时更稳。
FLUX.2 在实际使用中还有一个很实用的特点：它对提示词的“容错率”相对较高。你不需要把提示词写得像论文一样严谨，稍微口语化一点、顺序乱一点，它也能抓住核心意图。这对新手非常友好。但要注意，容错率高不代表可以乱写，关键约束词还是要有，只是它不会因为你少写了一个形容词就完全跑偏。
2.2 Seedream（即梦）：面向中文创作场景深度优化的选手
Seedream 这个名字可能有些人还不太熟，但提到“即梦”，做中文内容创作的朋友应该都有印象。它的定位非常明确：服务中文语境下的图像生成需求。这一点从它对中文提示词的理解能力就能看出来。
我做过一个对比测试：用同一段中文提示词分别喂给几个模型，描述的是“水墨风格的江南水乡，远处有拱桥，近处有乌篷船，画面留白多，意境清冷”。Seedream 对“水墨风格”“留白”“意境清冷”这些带有浓厚中文审美色彩的概念把握得最准。其他一些模型虽然也能出图，但出来的东西更像是“用西方绘画技法画中国元素”，味道不对。
这背后的原因不难理解。中文审美里很多概念是高度语境化的，比如“意境”“留白”“气韵”，这些词很难用英文精确对应。如果一个模型的训练数据里中文语料和中文审美样本占比不够，它就很难真正理解这些词。Seedream 在这方面做了针对性优化，所以它在国风、古风、中文海报、中文电商图这类场景下的表现会明显更贴合预期。
另外，Seedream 在生成速度上也有优势。我实测下来，同等分辨率下它的出图速度比一些同级别模型快不少。这对需要批量出图的场景很关键，比如电商详情页需要几十张不同角度的商品图，速度差一倍，整体效率差很多。
2.3 Z-image：轻量化与快速迭代思路的代表
Z-image 给我的感觉是“务实”。它没有追求在所有维度上都做到顶尖，而是把重点放在了“够用且快”上。它的模型规模相对较小，推理所需的计算资源更低，这意味着它可以在更普通的硬件上跑起来，部署成本也更低。
我拿它做过一个测试：在一台配置不算高的机器上同时跑几个模型，Z-image 是唯一一个能在可接受时间内完成出图的。其他模型要么直接跑不动，要么慢到没法用于实际工作流。所以如果你的场景是“快速验证想法”“批量生成草稿”“在有限硬件上做原型”，Z-image 的性价比很高。
但轻量化是有代价的。在需要极高细节还原、复杂光影、精细纹理的场景下，Z-image 的表现会明显弱于 FLUX.2 这类大模型。比如让它画“金属表面反射着夕阳的暖光，表面有细微划痕”，它出来的结果往往比较平，缺乏那种“一眼真”的质感。所以它的定位很清楚：不是替代大模型，而是在大模型跑不动或没必要跑的场景里做补充。
2.4 Qwen-Image：多模态理解能力带来的差异化
Qwen-Image 最特别的地方在于它背后的多模态理解能力。它不是单纯的“文本到图像”映射，而是先对输入文本做深度语义理解，再生成图像。这个差异在实际使用中体现得很明显。
举个例子：你输入“一只猫坐在桌子上，旁边有一杯咖啡，窗外在下雨”。普通模型可能直接开始画猫、桌子、咖啡、雨。但 Qwen-Image 会先理解这句话的语义结构——主体是猫，位置是桌子上，伴随元素是咖啡，环境是下雨的窗外。这种理解带来的好处是，当你的提示词包含逻辑关系、条件约束、否定描述时，它的表现会更准确。
我试过一个更复杂的例子：“画面里不要出现任何文字，主体是一个人在看书，但书是合上的，他在思考”。这种包含否定和状态描述的提示词，很多模型会处理得比较混乱，要么画出了文字，要么书是打开的。Qwen-Image 在这类场景下的准确率明显更高。
这个特性让它在需要精确控制画面内容的场景下很有价值，比如广告图、产品图、需要严格符合brief的商业创作。但它的出图风格相对偏“稳”，在艺术性和创意性上可能不如一些专门优化美学的模型那么惊艳。
2.5 GLM-Image：通用能力与生态整合的思路
GLM-Image 的定位更偏向“通用基础设施”。它不追求在某个单点上做到极致，而是强调稳定、可控、易集成。我在几个需要把图像生成能力嵌入现有系统的项目里用过它，最大的感受是“省心”。
它的接口设计比较规范，文档清晰，参数定义明确，不像有些模型那样需要反复试错才能搞明白某个参数到底起什么作用。对于需要做工程化落地的团队来说，这种规范性比单纯的出图质量更重要。因为在实际项目里，你需要的不是偶尔出一张惊艳的图，而是稳定地、可预期地、批量地出符合要求的图。
GLM-Image 在中文理解、多风格适配、参数可控性上做得比较均衡。它可能不是每个维度上的第一名，但它是那种“你不知道选什么的时候选它不会出大错”的选项。特别是在需要同时处理多种类型生成任务（比如既要生成写实图，又要生成插画，还要生成图标）的场景下，用一个统一模型比维护多个模型要省事得多。
3. 从提示词到成图：不同模型的响应逻辑拆解
3.1 为什么同一个提示词在不同模型上结果差异巨大
这个问题我被问过很多次。答案其实不复杂：每个模型在训练时“见过”的数据分布不一样，导致它们对同一段文字的理解和映射方式不同。
打个比方：假设你让五个不同背景的画师画“一只可爱的猫”。一个画师从小看的是日漫，他画出来的猫会偏二次元；一个画师学的是写实油画，他画出来的猫会偏真实；一个画师专攻儿童插画，他画出来的猫会偏卡通。模型也是一样，它的“画风”和“理解偏好”是由训练数据决定的。
FLUX.2 的训练数据里，高质量写实图像和复杂场景的占比可能更高，所以它在写实和复杂构图上更强。Seedream 的中文审美样本更多，所以它在国风和中文语境下更准。Z-image 可能用了更多经过筛选的轻量级数据，所以它在简单场景下出图快且稳定。Qwen-Image 因为有多模态理解能力，对语义逻辑的把握更好。GLM-Image 追求均衡，所以各方面都不差但也不极端。
理解这一点之后，你就不会再有“为什么它不懂我”的困惑了。不是它不懂你，是它的“成长环境”决定了它的理解方式。你要做的是根据任务特点选择对应“成长背景”的模型，而不是指望一个模型搞定所有事。
3.2 提示词结构对生成结果的实际影响
我做过一组对照实验，用同一个模型、同一组参数，只改变提示词的结构，看结果差异。结论是：提示词结构对结果的影响，在某些模型上甚至比参数调整还大。
最有效的提示词结构是“主体 + 属性 + 环境 + 风格 + 约束”。比如：“一个陶瓷茶杯（主体），白色带青花纹理（属性），放在木质桌面上，旁边有一本翻开的书（环境），静物摄影风格，柔和自然光（风格），画面简洁，不要出现人物（约束）”。
这个结构之所以有效，是因为它符合模型处理信息的顺序。模型先锁定主体，再附加属性，再构建环境，最后套用风格和约束。如果你把顺序打乱，比如先说风格再说主体，模型可能在构建环境时把风格信息冲淡了。
但不同模型对这个结构的敏感度不一样。FLUX.2 和 Qwen-Image 对结构变化的容忍度较高，顺序乱一点也能抓住重点。Z-image 和 Seedream 对结构更敏感，顺序清晰时效果明显更好。GLM-Image 居中。
还有一个实用技巧：把最重要的约束放在提示词靠前的位置。因为很多模型在处理长提示词时，靠前的内容权重更高。如果你把“不要出现文字”放在最后，它可能已经被前面的内容带偏了。
3.3 负面提示词到底该怎么用
负面提示词是个容易被滥用和误用的功能。很多人把它当成“万能纠错工具”，出图有问题就往负面提示词里加词，结果越加越乱。
我的经验是：负面提示词只用来处理“高频、明确、全局性”的问题。比如你的场景里绝对不允许出现人物，那就在负面提示词里加“人物、人脸、人体”。如果你的场景要求画面干净，就加“杂乱、噪点、模糊”。但不要用它来处理“偶尔出现的小瑕疵”，因为负面提示词的作用是全局性的，它会影响整张图的生成方向，加太多会让画面变得僵硬、缺乏生气。
不同模型对负面提示词的响应强度也不一样。FLUX.2 对负面提示词的响应比较“温和”，你加几个词它会注意，但不会因此把画面搞得很死板。Z-image 对负面提示词更敏感，加多了容易导致画面元素缺失或构图异常。Qwen-Image 因为理解能力强，对负面提示词的语义把握更准，不太容易出现“误伤”。Seedream 和 GLM-Image 居中。
一个实用的做法是：先用默认设置出一版图，看看主要问题是什么，然后只针对最突出的那一两个问题加负面词，不要一次性加一堆。每次调整后对比效果，找到那个“刚好解决问题又不影响画面”的平衡点。
4. 参数调优的底层逻辑与实测经验
4.1 采样步数：不是越多越好
采样步数（steps）是新手最容易误解的参数。很多人觉得步数越多图越精细，于是直接拉到最高。但实际上，步数和出图质量的关系是一条先升后平的曲线，超过某个点之后，再增加步数不仅不会提升质量，还会浪费时间，甚至可能让画面变得过度平滑、失去细节。
我实测下来的经验值：大部分模型在 20 到 30 步之间就能达到质量拐点。FLUX.2 因为架构原因，在 25 步左右表现就很好了。Z-image 因为轻量，15 到 20 步就够。Seedream 和 GLM-Image 在 20 到 28 步之间。Qwen-Image 稍微需要多一点，25 到 35 步。
但这不是绝对的。步数的最优值还和提示词复杂度、分辨率、采样器类型有关。提示词越复杂、分辨率越高，需要的步数可能越多。我的建议是：先用 25 步作为基准，如果发现细节不够再往上加，每次加 5 步对比效果，找到那个“再加也没明显变化”的点就停。
4.2 引导系数：控制“听话程度”的旋钮
引导系数（guidance scale，有些平台叫 CFG scale）控制的是模型有多“听话”。值越高，模型越严格地遵循你的提示词；值越低，模型越自由发挥。
这个参数的本质是在“遵循提示词”和“生成自然图像”之间做权衡。值太高，画面会变得僵硬、色彩过饱和、构图死板，因为模型太想满足你的每一个词，反而失去了图像的自然感。值太低，模型会忽略你的很多要求，自由发挥，结果可能很美但和你的意图不符。
我的实测经验：FLUX.2 在 3.5 到 5 之间比较舒服，它对引导系数的敏感度相对低。Seedream 在 5 到 7 之间。Z-image 在 6 到 8 之间，它需要更高的引导系数才能准确遵循提示词。Qwen-Image 在 4 到 6 之间。GLM-Image 在 5 到 7 之间。
一个实用技巧：如果你发现画面太“死板”，先降引导系数；如果发现模型不听话，先升引导系数。但每次调整幅度不要超过 1，否则很难判断是参数起作用了还是随机性导致的。
4.3 随机种子：可复现性的关键
随机种子（seed）决定了生成的初始噪声。固定种子，配合相同的提示词和参数，理论上可以得到相同的结果。但实际使用中，不同模型对种子的敏感度不一样。
FLUX.2 和 Qwen-Image 对种子的敏感度相对低，换一个种子，整体构图和风格变化不会特别剧烈。Z-image 和 Seedream 对种子更敏感，换种子可能导致完全不同的构图。GLM-Image 居中。
这个特性在实际工作中有不同用途。如果你需要批量生成相似但不完全相同的图（比如电商场景需要多张同款商品不同角度的图），用对种子敏感度低的模型更省事，你只需要微调提示词，不用反复试种子。如果你需要探索多种可能性，用对种子敏感度高的模型，换种子就能得到差异较大的结果。
还有一个实用场景：当你出了一张很满意的图，想在此基础上微调时，固定种子再改提示词，可以保证构图基本不变，只改变你调整的那部分内容。这个技巧在做系列图时非常有用。
4.4 分辨率与宽高比：被低估的影响因素
分辨率不只是“图大图小”的问题，它直接影响模型的生成逻辑。很多模型在训练时用的是特定分辨率范围的图像，如果你输入的分辨率偏离太远，生成质量会明显下降。
我实测发现，大部分模型在 1024x1024 附近表现最稳定。FLUX.2 对高分辨率的支持较好，可以到 1536 甚至更高而不明显掉质量。Z-image 在 768 到 1024 之间最舒服，再高就力不从心了。Seedream 和 GLM-Image 在 1024 附近表现好。Qwen-Image 在 1024 到 1280 之间。
宽高比也很关键。如果你要生成竖版海报，不要直接设一个极端的长宽比（比如 1:3），而是先生成接近方形的图，再通过后期裁剪或扩展来达到目标比例。极端宽高比会导致模型在短边方向上的生成质量下降，出现拉伸、变形、细节丢失等问题。
一个实用做法：先确定你的目标用途需要什么比例，然后选择最接近的“模型友好比例”。比如你需要 9:16 的竖版图，可以先按 3:4 生成，再裁剪到 9:16。这样比直接生成 9:16 的质量更可控。
5. 不同场景下的模型选型实战框架
5.1 写实类图像：细节、光影、质感的优先级
写实类图像对模型的要求最高，因为它需要在细节、光影、材质、比例等多个维度上同时达到较高水准。我实测下来，FLUX.2 在写实类任务上综合表现最好，特别是在复杂光影和材质表现上。
但写实也分很多子类。人像写实和产品写实的要求就不一样。人像写实对皮肤质感、五官比例、表情自然度要求高。产品写实对材质反射、边缘锐度、色彩准确度要求高。
人像写实方面，FLUX.2 和 Qwen-Image 表现都不错。FLUX.2 在皮肤质感和光影层次上更强，Qwen-Image 在五官比例和表情自然度上更稳。产品写实方面，FLUX.2 的材质表现最好，GLM-Image 在色彩准确度上表现稳定。
如果你需要批量生成写实图且对速度有要求，Z-image 可以作为草稿生成工具，先用它快速出构图和大致效果，再用 FLUX.2 做精修。这个组合在实际工作中效率很高。
5.2 插画与艺术风格：审美倾向决定选择
插画和艺术风格类任务，模型之间的差异更多体现在“审美倾向”上，而不是技术能力上。FLUX.2 的审美偏现代、偏精致，适合商业插画和概念设计。Seedream 的审美偏东方、偏意境，适合国风和中文语境创作。Z-image 的审美偏简洁、偏扁平，适合图标和简约插画。Qwen-Image 的审美偏均衡，什么风格都能做但不算特别突出。GLM-Image 的审美偏通用，适合需要统一风格的系列作品。
我个人的经验是：如果你有明确的风格参考，先看哪个模型的默认输出最接近你的参考。如果没有明确参考，就选那个你看着最顺眼的。审美这件事没有客观标准，你的眼睛比任何评测指标都准。
5.3 中文语境创作：语义理解的深度差异
中文语境创作是 Seedream 的主场，但其他模型也在进步。我做过一组测试，用包含中文成语、诗词意象、网络热词的提示词分别喂给几个模型。
Seedream 对成语和诗词意象的理解最准，比如“曲径通幽”“烟波浩渺”这类词，它能生成出符合中文审美的画面。Qwen-Image 对网络热词和现代中文表达的理解更好，比如“氛围感”“松弛感”这类词，它能抓住那种感觉。FLUX.2 对中文的理解在进步，但在处理高度语境化的中文概念时还是偶尔会偏。Z-image 和 GLM-Image 在中文理解上中规中矩。
如果你做的是国风、古风、中文海报、中文电商图，Seedream 应该是首选。如果你做的是现代中文社交媒体内容，Qwen-Image 可能更合适。如果你做的是中英混合或国际化内容，FLUX.2 和 GLM-Image 更稳。
5.4 批量生成与工程化落地：稳定性和速度的权衡
批量生成场景下，稳定性和速度比单张质量更重要。你需要的是“每一张都达到及格线以上，且速度可控”，而不是“偶尔出一张惊艳的但大部分不行”。
这个场景下，GLM-Image 和 Z-image 是更务实的选择。GLM-Image 的稳定性最好，参数可控性强，适合需要严格质量控制的批量任务。Z-image 的速度最快，适合需要快速产出大量草稿的场景。
FLUX.2 和 Qwen-Image 在批量场景下需要更多调优，因为它们的随机性相对更大，你需要通过固定种子、精细调参来保证一致性。Seedream 在中文批量场景下表现稳定，但速度不是它的强项。
一个实用的工程化做法：建立一套“参数模板”，针对你的常用场景，把提示词结构、参数组合、负面词都固定下来，每次只替换主体内容。这样可以大幅提升批量生成的一致性和效率。
6. 实操中那些文档不会告诉你的坑
6.1 提示词里的“隐形冲突”
有些提示词单独看没问题，放在一起就会产生冲突，导致模型不知道该听谁的。比如“画面简洁”和“细节丰富”就是一对矛盾。“明亮”和“暗调”也是。“写实”和“卡通”更是直接打架。
这些冲突有些是明显的，有些是隐形的。比如“电影感”和“插画风”放在一起，模型可能会生成一种不伦不类的风格。“柔和光线”和“强烈对比”放在一起，模型可能会在局部区域做出奇怪的光影处理。
我的经验是：写完提示词后，自己读一遍，看看有没有互相矛盾的描述。如果有，删掉一个或者改成更具体的描述。比如不要写“明亮又暗调”，而是写“主体明亮，背景暗调”。这样模型就知道该把亮度放在哪里。
6.2 模型对某些概念的“盲区”
每个模型都有自己不理解或理解偏差的概念。FLUX.2 在处理某些中文特有概念时偶尔会偏。Seedream 在处理某些西方流行文化元素时可能不够准。Z-image 在处理复杂空间关系时容易出错。Qwen-Image 在处理高度抽象的艺术概念时可能过于保守。GLM-Image 在处理极端风格化需求时可能不够大胆。
这些盲区不是bug，而是训练数据分布决定的。你没法通过调参解决，只能通过换模型或改提示词来绕过。我的做法是：如果某个概念在某个模型上反复出问题，不要死磕，换一个模型试试。很多时候换个模型就解决了，比你在那调半天参数有效得多。
6.3 出图速度的“隐形瓶颈”
很多人以为出图速度只和模型大小有关，其实不然。我实测发现，影响出图速度的因素至少有这几个：模型规模、分辨率、采样步数、引导系数、硬件配置、并发数量。
其中最容易忽略的是并发数量。如果你同时跑多个生成任务，每个任务的速度都会下降，因为计算资源被分摊了。有时候串行跑比并行跑总体效率更高，因为并行会导致每个任务都变慢，而且可能触发内存不足等问题。
还有一个隐形瓶颈是“首次加载”。很多模型在第一次生成时需要加载权重到内存，这个过程可能很慢。如果你需要频繁切换模型，这个加载时间会累积成很大的开销。我的做法是：如果一天内需要反复用同一个模型，就保持它常驻内存，不要频繁卸载和加载。
6.4 生成结果的“随机性陷阱”
图像生成本质上是概率过程，同样的输入不一定得到同样的输出。这个随机性有时候是好事，有时候是坑。
好事在于，你可以通过多次生成来探索不同的可能性。坑在于，当你需要可复现的结果时，随机性会让你很头疼。即使固定了种子，不同版本的模型、不同的硬件、不同的库版本都可能导致结果差异。
我的应对策略是：对于需要可复现的场景，不仅要固定种子，还要记录模型版本、库版本、硬件信息、所有参数值。任何一项变了，结果都可能变。对于不需要可复现的场景，就接受随机性，把它当成探索工具，多生成几次选最好的。
7. 从单模型到组合工作流：我的实际项目经验
7.1 为什么单一模型很难满足所有需求
在实际项目里，我几乎没有遇到过“一个模型搞定所有事”的情况。原因很简单：不同任务对模型的要求是矛盾的。写实任务要求细节丰富，但细节丰富意味着生成速度慢。快速草稿要求速度快，但速度快意味着细节少。中文语境要求理解深，但理解深意味着模型可能更“固执”，不容易被引导到其他风格。
所以我的做法是建立组合工作流：用 Z-image 或 GLM-Image 做快速草稿和构图探索，用 FLUX.2 或 Qwen-Image 做精细生成，用 Seedream 做中文语境下的最终调整。每个模型负责它最擅长的环节，整体效率比死磕一个模型高得多。
7.2 组合工作流的实际搭建步骤
搭建组合工作流的第一步是明确你的任务链路。比如一个电商商品图的工作流可能是：草稿构图 → 主体生成 → 背景合成 → 风格统一 → 最终输出。每个环节对模型的要求不一样。
草稿构图阶段，你需要快速看到多种构图方案，用 Z-image 最合适，速度快，出图多，方便筛选。主体生成阶段，你需要高质量的商品主体，用 FLUX.2 或 Qwen-Image。背景合成阶段，如果需要中文语境元素，用 Seedream。风格统一阶段，用 GLM-Image 做最终的风格校准和参数统一。
第二步是建立参数模板。每个环节的提示词结构、参数组合、负面词都固定下来，形成模板。这样每次只需要替换主体内容，不用从头调参。
第三步是建立质量检查点。每个环节结束后检查结果，不合格就回退到上一步重新生成，不要带着问题往下走。因为图像生成是链式的，前面的问题会在后面被放大。
7.3 工作流中的参数传递与一致性保持
组合工作流最大的挑战是一致性。不同模型生成的图，风格、色调、光影可能不一致，拼在一起会很突兀。
我的做法是：在草稿阶段就确定好整体的色调和光影方向，把这个信息作为约束传递给后续所有环节。比如草稿阶段确定了“暖色调、侧光、柔和阴影”，后续所有生成都要在提示词里带上这些约束。
另一个技巧是用参考图。很多模型支持图生图或参考图功能，你可以把草稿图作为参考传给后续模型，让它在草稿的基础上细化，而不是从零生成。这样可以最大程度保持一致性。
还有一个实用做法是后期统一调色。如果不同环节生成的图在色调上有差异，可以在后期用统一的调色参数做校准。这个步骤虽然简单，但效果很明显。
8. 关于这几个模型，我踩过的最深的几个坑
第一个坑是“盲目追求高参数”。刚开始用的时候，我觉得步数越高越好、引导系数越高越听话、分辨率越高越清晰。结果出来的图要么过度平滑像塑料，要么僵硬得像模板，要么大到根本用不上。后来才明白，参数是手段不是目的，合适比高更重要。
第二个坑是“提示词写太长”。我以为写得越详细模型越懂我，结果发现太长的提示词会让模型抓不住重点，各个元素互相干扰。后来学会了“核心约束 + 关键细节”的写法，提示词短了，效果反而好了。
第三个坑是“忽略模型差异”。我曾经用同一个提示词在几个模型上跑，发现效果差很多，第一反应是“这个模型不行”。后来才意识到，不是模型不行，是我没根据模型特点调整提示词。FLUX.2 喜欢的提示词结构，Z-image 不一定喜欢。Seedream 理解得好的中文表达，FLUX.2 可能理解偏。根据模型调整输入，比抱怨模型不行有用得多。
第四个坑是“不记录参数”。早期我出了好图，想复现却怎么都复现不出来，因为没记录当时的参数和种子。后来养成了记录习惯，每次出好图就把提示词、参数、种子、模型版本全部记下来。这个习惯帮我省了大量重复调试的时间。
第五个坑是“在低质量硬件上硬跑大模型”。我曾经在一台配置一般的机器上跑 FLUX.2，结果慢到没法用，还以为是模型的问题。后来换了硬件才发现，不是模型慢，是硬件跟不上。选模型之前先看自己的硬件能不能支撑，不然再好的模型也发挥不出来。
9. 给不同阶段使用者的实用建议
如果你刚开始接触图像生成，我的建议是从 Z-image 或 GLM-Image 入手。它们对硬件要求低，出图快，参数少，容易上手。先用它们建立对图像生成的基本感觉，理解提示词、参数、种子这些概念的实际作用，再往更复杂的模型迁移。
如果你已经用过一两个模型，想扩展自己的能力边界，建议重点研究提示词结构和参数调优。这两个方面的提升空间最大，而且一旦掌握，在所有模型上都能用。不要急着换模型，先把一个模型用透。
如果你在做工程化落地，建议优先考虑 GLM-Image 或 Seedream。它们的稳定性和可控性更好，接口规范，适合嵌入现有系统。FLUX.2 和 Qwen-Image 虽然单张质量可能更高，但在批量场景下需要更多调优工作。
如果你在做中文内容创作，Seedream 应该是你的主力模型。它在中文语境下的表现是其他模型目前难以替代的。但也不要完全放弃其他模型，有些场景下 FLUX.2 或 Qwen-Image 可能给你惊喜。
最后说一个我自己的体会：这几个模型没有绝对的优劣，只有场景的匹配。与其花时间争论哪个更好，不如花时间理解每个模型的特点，然后根据任务选最合适的。图像生成这个领域变化很快，今天的最优解明天可能就不是了，但“理解模型特点、匹配任务需求”这个思路是不会过时的。
