这几年我折腾图像生成模型，最直观的感受是：模型名字比显卡驱动更新还快。上半年还在研究FLUX.1的细节，下半年FLUX.2、Seedream、GLM-Image就一股脑全冒出来了，更别提Z-image、Qwen-Image这些开源选择隔三差五冒出个新版本。很多朋友私信我，问得最多的不是"哪个最强"，而是"这些到底都是啥，我该装哪个、该怎么用"。这篇不打算做那种"遥遥领先"式的罗列，我就按自己的实际使用体验，把FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image这五个模型的核心基础一次讲透：它们各自的定位、擅长方向、部署门槛，以及那些文档里不会写、但实操中一定会踩的坑。适合刚接触AI绘图、想在本地跑模型的朋友，也适合已经在用ComfyUI、想横向选型的人。
1. 开局先画个地图：2025年的图像生成模型，到底在卷什么
很多人看到五个模型名字会懵，其实它们分属两条完全不同的赛道：闭源商业API和开源可本地部署。理解这个分法，后面所有选型判断都能快很多。
1.1 五个模型的阵营分布
先看阵营：
| 模型 | 所属方 | 开源状态 | 核心赛道 |
|---|---|---|---|
| FLUX.2 | Black Forest Labs（BFL） | 仅API，权重未公开 | 专业商业图像、版式与精准文本 |
| Seedream（即梦） | 字节跳动 | 闭源，提供API与即梦平台 | 中文原生海报、长文本排版 |
| Z-image | 社区/个人开源项目 | 权重开源 | 轻量级、低门槛本地生成 |
| Qwen-Image | 阿里通义实验室 | 权重开源 | 中英双语生成、可控编辑生态 |
| GLM-Image | 智谱AI | 权重开源 | 超长文本/长文档渲染 |
闭源的好处是省心，打开网页填提示词就出图，质量和速度都有人帮你兜底；坏处是可控性有限，改参数不方便，数据也全在别人服务器上。开源的好处不用我多说，本地部署、二次训练、接ComfyUI玩花活都行，坏处是模型文件大、显存要求高、各种兼容性问题得自己扛。
我自己的感受是，2025年这波模型的竞争，已经不只是比"谁画得好看"，而是比三个隐藏维度。
1.2 卷的三个隐藏维度
第一个维度是文本渲染。注意，这里的"文本"指的是图像里出现的文字，不是提示词。过去Midjourney和SDXL画个带字母的招牌，十个有九个乱码。但现在FLUX.2能稳定输出长句英文海报，Seedream对中文标点和断句的理解也到了可用的程度。谁能让AI"写好字"，谁就能拿下海报、电商、广告这类需求。
第二个维度是可控性。光能"生成一张好看的图"不算本事，"让AI按你的草图改、按你的主体参考生成、按你的布局重画"才是本事。Seedream 4.0的主图参考、FLUX.2 Tools套件，全都在往这个方向发力。
第三个维度是部署门槛。开源模型动辄20B参数起步，一张A100显卡几十万，普通人根本跑不动。所以OpenVINO移植、量化版、Turbo加速版才会在社区里疯传。开源模型如果做不好"平民化"，再强也只会变成少数人的玩具。
把这五个模型放到这三个维度里去对比，很多困惑会立刻消失。接下来每个模型单独拆开聊。
2. FLUX.2：文本排版能力的一次跃迁，以及绕不开的开源悬念
先聊FLUX.2。Black Forest Labs这家团队，核心成员本来就是Stable Diffusion那批人，2024年放出FLUX.1系列之后基本坐稳了开源图像生成的头把交椅。FLUX.2是他们2025年底发布的第二代产品，我从拿到API那天就开始折腾，最大的感受是：它的"版式理解"能力跟上一代完全不是一个物种。
2.1 从FLUX.1到FLUX.2，BFL到底改了什么
FLUX.1时期的强项是人物质感、光影、构图，但它对文字的把控只能说勉强及格，三五个单词没问题，一长串话就开始胡编。FLUX.2最大的变化在底层架构——它换了自研的Auto-Encoder、新的Scaling策略和Rectified Flow Transformer路线，换来的是"结构化理解能力"。
什么叫结构化理解？举个例子，我让它生成一个八爪鱼开火锅店的菜单海报，里面八种菜品的名称、价格、排版位置全部准确排列，每个字都清晰可读。这对老模型来说是地狱难度，对FLUX.2来说几乎是基操。它内部有一个叫FLUX.2 [Kontext]的模型，专门负责理解超长提示和模板类内容，可以一次性把上千词的描述消化掉，再把文字、图标、布局安排得明明白白。
2.2 真正的大招是FLUX.2 Tools这套组合拳
FLUX.2出来的时候，BFL还同步放了一套工具，官方名字叫FLUX.2 Tools，这是个很容易被忽略、但价值很高的东西。因为很多人觉得"FLUX.2就是个画图模型"，实际上它更像一个"图像创作套件"：
- Fill：局部重绘和扩展，抠掉一块补一块，衔接自然度比SD的inpaint高不少；
- Depth：深度图控制，输入一张深度图，模型会严格按照前后景关系生成，适合用来做游戏原画、场景搭建；
- Canny：边缘控制，适合从线稿上色、产品设计图还原；
- Upscaler：官方放大模型，能把低分辨率原图清晰放大，纹理还原得比较干净。
我实测下来，Fill和Depth这两个的实用性最高。以前做局部修改，SD那边经常出现"补出来的颜色发灰、边缘发虚"，FLUX.2 Fill的表现明显更自然，尤其对皮肤纹理和复杂背景的处理，几乎看不到修补痕迹。
2.3 开源状况与上手姿势
这里必须说清楚一个关键点：FLUX.2的权重目前没有公开，只能走BFL官方API，或者用Replicate这类聚合平台。社区里很多人下载到的所谓"FLUX.2"文件，要么是FLUX.1系列的改名，要么是蒸馏量化版本，跟官方效果有差距。如果你是冲着开源去玩FLUX.2，大概率会失望；如果你能用API，它确实是在英文长文本渲染上目前最能打的那一个。
FLUX.1系列的dev版本（非商用开源）和schnell版本（Apache 2.0）倒是可以本地部署，生态也已经很成熟。我的建议是：预算充足、追求效果走FLUX.2的API；纯本地折腾就先玩FLUX.1 dev/schnell，等FLUX.2开源再说。
2.4 社区反馈里的高频槽点
分享几个FLUX.2在社区里被吐槽最多的点，提前打个预防针：
一是中文渲染依然是短板。虽然英文长文本很强，但遇到中文，它输出的汉字会有明显的"画字感"，笔画偶发粘连。想让它出中文海报，老实说不如用Seedream或GLM-Image。
二是API按张计费，批量测试成本不低。做参数调整和提示词实验时钱包压力比较明显，建议先用便宜模型调试，定稿后再切FLUX.2出大图。
三是提示词越简单，它越容易"放飞"。FLUX.2对结构化提示词的依赖比FLUX.1更强，纯粹写"一只猫"，出来的构图会很随机；给足主体、背景、光线、视角的描述，它才会展现真实水平。
3. Seedream（即梦）：把"中文海报"做到顺手的中文原生模型
Seedream是字节跳动推出的图像生成模型，对外叫"即梦"（Jimeng）。我接触它比较早，从Seedream 2.0一路用到4.0，最强烈的感受是：这是一款真正把中文语言文化吃透的模型，而不是"英文模型的中文补丁"。
3.1 为什么说Seedream的中文能力是"原生"的
很多模型处理中文提示词，本质是先把中文翻译成英文，再按英文逻辑生成，所以经常出现"中国元素的油画质感掺杂欧美插画风格"这种别扭感。Seedream不一样，它的训练语料里中文占了很大比重，模型对中文惯用语、成语、诗句的意象理解是直接的。
最直观的例子是"窗含西岭千秋雪"这类意境型提示词。英文翻译过去会变成"窗前有山有雪"，Seedream能理解这是"从窗框里望出去、远处雪山连绵"的一幅构图，生成的画面本身就带东方审美的留白感。做中国风视觉、国潮海报、电商大促主视觉，它比我用过的其他模型都顺手。
3.2 从3.0到4.0：从2K创作到参考图编辑
Seedream 3.0发布于2025年4月，当时主打的是"首个支持2K全分辨率创作的文生图模型"。这里的2K不是"把图放大到2K"，而是模型直接以高分辨率原生生成，细节密度比先低后高那种放大方案扎实很多。放大出来的图会发虚发肉，原生生成的2K图纹理更锐利。
到了4.0版本，字节放了三个更实用的杀手锏：
- 主体参考（SubjectRef）：上传一张产品图，AI根据这张图的形象把产品放进各种场景，保持主体特征不变。做电商白底图换背景，效率提升巨大；
- 风格参考（StyleRef）：给一张参考风格图，后续生成的图统一沿用这种风格，适合做系列海报；
- 布局参考（LayoutRef）：给一张线框草稿或示意图，模型严格按照布局重新填充内容，相当于"照着草稿出成稿"。
我拿一款手办做过测试：一张白底图，六个不同背景的广告图，每个背景里手办的造型角度都保持一致，只有倒影和光照随场景变化。这种稳定感，以前得靠SD的IP-Adapter加ControlNet才能勉强实现，还得反复调试。
3.3 实际应用中出彩和翻车的地方
Seedream翻车最少的是中文内容排版。它生成带标题、副标题、活动价格的海报，文字不乱飘、不断行、不出现错别字，"满199减30"这种数字与单位的组合也能稳定输出。
但它也有明显的边界。一是英文长文本偶尔崩，海报里英文超过几个单词就开始出错，跟FLUX.2正好相反——这俩一个擅长英文一个擅长中文，用哪个取决于你海报里写哪种文字。二是写实人像略带"美颜感"，一次性生成的人像皮肤偏白净细腻，追求涩感、真实瑕疵的摄影师会觉得不够真实。三是不能本地部署，只能走即梦App或API，对数据敏感的用户要想清楚。
如果你想快速体验Seedream，建议直接去即梦平台，不需要写代码，用中文描述需求就行。API接入的话，文档和SDK都比较规范，适合做自动化批量生图。
4. Z-image：开源小透明，以及那个让所有人头疼的"黑图"问题
Z-image在主流视野里知名度不高，但社区里讨论度一直不低。原因很现实：它是开源的、轻量的、普通人能跑起来的模型，但正因为它"轻"，各种版本和配置问题层出不穷，最著名的就是"z-image base 生成的图是黑的"这个梗。
4.1 先搞清楚Z-image的版本与定位
从实际使用和社区流传的信息来看，Z-image属于社区开源项目，分为base（基础版）和turbo（加速版）两个主要版本。base版追求更高画质，但推理步数多、速度慢；turbo版经过蒸馏加速，步数大幅减少，速度飞快，代价是细节略牺牲。热词里能看到"z-image turbo下载蓝奏云"，说明大量玩家是通过网盘分享拿到权重文件的，这也埋下了后续兼容性问题的隐患——不同来源的权重文件混用，稳定性自然堪忧。
定位上，它主要是给显存不大、机器不强，但又想本地跑模型的人准备的。和Qwen-Image那种动辄20B参数的大模型比，Z-image轻量得多，属于"入门体验型"工具。
4.2 base版黑图的完整排查链路
如果你下载了base版，第一次跑完看到一整张纯黑图，先别急着认定模型垃圾。这个黑图问题我在本地复现过，也帮群友排查过很多次，根因基本跑不出下面这几类：
第一类，也是最常见的：VAE缺失或不匹配。Z-image系列里，如果只加载了主模型权重，没有配套的VAE，或者加载了其他模型的VAE，解码阶段会直接输出全黑或灰蒙蒙的图。排查方法很简单——看推理日志里有没有VAE相关警告，再检查ComfyUI里VAE节点是否单独接了文件。
第二类：加载精度问题。base版权重如果用了fp16加载，而当前显卡或CPU不支持对应精度，推理过程会静默出错，输出黑图。解决办法是在加载模型时强制用bf16或fp32。尤其一些绿色精简版启动器，默认精度设置不对，最容易翻车。
第三类：采样器与步数不匹配。base版需要至少15~30步，如果用turbo版的低步数配置（比如4~8步）去跑base，采样还没收敛就结束了，结果常常是一团黑或噪点图。反过来turbo版用高步数也不好，会出现过度加工导致的颜色断层。
第四类：权重文件损坏。网盘下载的大文件，尤其是分包压缩再解压的，极易出現文件不完整。建议下载后先用哈希工具校验，如果模型文件SHA256对不上官方值，直接重新下载。这步很老生常谈，但真的能解决一半以上的"玄学问题"。
4.3 turbo版本的正确打开方式
turbo版就好伺候多了，但也要注意几个点。它在ComfyUI里通常配合专门的采样器调度器使用，步数设4到6步，CFG在1到2之间，超过3很容易过曝。负向提示词对它影响很小，很多时候不写反而画面更干净。
我的建议是把turbo版当成"灵感速写工具"：快速出图找构图、找配色、找氛围，觉得方向对了，再用base版或换更强的模型精修。这比一上来就跑高步数base版高效得多，也省电费。
5. Qwen-Image：开源生态的"鲶鱼"，OpenVINO和ComfyUI都是重头戏
Qwen-Image是阿里通义实验室开源的中英双语图像生成模型。如果说FLUX.2是商业闭源里的标杆，那Qwen-Image就是开源阵营里最想挑战FLUX地位的选手。它出来的时候，社区一片沸腾，因为它是目前少数能在模型结构和生态集成上全面对标FLUX的开源模型。
5.1 Qwen-Image和Qwen-Image 2.0的能力定位
初代Qwen-Image是20B参数的DiT架构模型，中英双语理解是它的基本功。训练语料里中英文占比很高，所以你对它说中文提示词，它输出的图像内容准确度明显比"翻译成英文再生成"的模型要高。更重要的是，它支持与主流可控生成工具集成，比如IP-Adapter、ControlNet等，这意味着你可以用它在ComfyUI里搭建完整的工作流，而不只是单张出图。
2025年11月左右发布的Qwen-Image 2.0，把能力往上又提了一档，社区评测中它的综合表现已经能和FLUX.1.1 Pro掰手腕。特别值得一提的是，2.0在"生成+编辑"上做了融合——不仅从零生成，还能在已有图上做局部修改、风格迁移、多图融合，我拿它做了不少电商场景换季改图，效果比想象中稳。
5.2 OpenVINO部署：几百块的核显也能跑
热词里出现了"openvino qwen-image"，这是最值得聊的一条。OpenVINO是英特尔的推理加速框架，可以把模型优化后跑在Intel CPU和核显上，省掉独立显卡的钱。我一开始也半信半疑，后来用一台只有Intel Iris Xe核显的轻薄本试了试，虽然出图速度不算快但确实能跑动，不至于内存崩掉。
在OpenVINO上跑Qwen-Image，核心步骤是权重转换。社区已经有直接的转换脚本和预转换权重，下载后可以直接在OpenVINO推理环境里加载。有几个坑需要提醒：
一是依赖版本要卡准。OpenVINO的版本迭代极快，不同版本转换出来的IR文件不一定通用，建议按照发布说明配环境，不要无脑装最新版。
二是内存容量比算力更重要。Qwen-Image权重转换后依然不小，CPU跑的时候内存稍小就容易报OOM，16GB内存是底线，32GB比较舒服。
三是核显跑BF16效果优于FP32。这个反直觉，但实测核显的并行单元对BF16优化更好，速度持平或更快，画质损失又极小。
5.3 ComfyUI集成：工作流那些坑
热词里还有一条"qwen-image流程图comfyui"，很多新人一听就头大。其实玩ComfyUI最忌讳直接拖动别人几十个节点的成品工作流，因为每个节点背后都有隐藏的模型路径和版本依赖。我的建议是，先搭建最小的出图链路：加载模型节点、正向提示词、空Latent、采样器、VAE解码、保存图像，六个节点跑通，再逐步加ControlNet、IP-Adapter。
跑通基础链路之后，再研究社区工作流里那些"看不懂的节点"：它们大部分是辅助节点，比如提示词整理、图像缩放、区域提示词分割。用最小机制替换掉辅助节点，逐个确认作用，比盲目复现整个工作流省心太多。
还有一个高频坑：Qwen-Image的VAE和CLIP/T5文本编码器都是独立文件。很多人只下载了主模型，忘了文本编码器，结果提示词怎么输入都不生效，画面跟提示词毫无关系。ComfyUI里有专门的加载器节点，分别对应主模型和文本编码器，一定要检查它们是否都正确加载。
5.4 显存不足时的量化选择
20B参数对本地玩家来说不友好，但社区生态好的好处就在于：方案多。现在主流的做法是用NF4量化版，能把显存占用压到16GB以内，一张4060 Ti就能跑。如果你显存只有12GB，还能用GGUF量化版本配CPU+GPU混合推理。实测下来，NF4版本画质跟原版差异很小，但速度会慢一些；GGUF版本显存压力更低，但加载时间明显变长。
如果单纯追求出图速度，也可以走API。阿里云那边提供Qwen-Image的API服务，不用本地搭环境，适合只想快速验证效果或做批量生产的场景。
6. GLM-Image：把"超长文本渲染"做成标签的智谱选手
GLM-Image这名字听着眼熟，但很多人不知道它其实是智谱AI在CogView系列基础上的升级产品。它走的路线跟其他模型都不太一样：别人卷画质，它卷"长文本图像渲染"——就是那种包含了整页PPT、长篇文章、复杂图表的海报图。
6.1 从CogView4到GLM-Image 4.5
智谱的开源图像生成模型序列，最知名的是CogView系列。CogView4在开源社区的评价已经不低，对中文长文本的渲染能力在GPT-4o时代之前算是天花板级别。GLM-Image 4.5可以理解成CogView4的完全增强版，专门针对超长文档的生成做了优化。
这个"超长文档"有多长？我用它生成过一个包含400多个中文汉字的产品介绍页，所有文字排列整齐、字体大小层级分明、标题不折行、段落不重叠。上一代模型生成这么长的文字基本都会崩成一顿乱码，GLM-Image 4.5能保持这种排版清晰度，已经是明显的代际优势。
它定位的就是网页横幅、公众号长图、PPT单页、产品说明书这类"图文结合"的内容。做电商设计的朋友，如果经常被"文字太多模型画不了"卡住，GLM-Image可以重点看看。
6.2 长文档生成为什么难
很多人不理解，为什么"生成一张带很多字的图"这么难？因为文字本身就是高信息密度信号，模型在生成时既要保证每个字符的笔划正确，又要维持字符间的前后文语义连续。一个词出错，整句话的可读性就被打破。短文字的渲染可以靠记忆常见字形糊弄过去，长文档则要求模型真正理解"文本排版"的布局逻辑——先写哪句、后写哪句、哪里换行、哪里对齐，这是一个序列决策问题，远比画一只猫要复杂得多。
而且长文本生成还受分辨率限制。汉字笔划多，字号小于一定像素就会糊成一团，所以GLM-Image强调支持1536x2048这样的超长画幅，本质上是在给文字渲染留出足够的像素空间。
6.3 上手体验：强项明显，短板也明显
GLM-Image的强项，除了长文本，还包括对中文成语、古诗词等语言元素的驾驭。我拿"湖光秋月两相和"这种带意境和字面的提示词做过测试，它的作品构图、字体、色调都更能贴近中文审美。
短板也有。一是人物写实细节相对一般，跟FLUX系列比，人脸的质感和光影层次要粗糙一点，更适合偏插画、平面风的作品。二是复杂场景的物理合理性偶尔出错，比如多个人物的手部、遮挡关系，需要抽卡或者局部重绘来弥补。三是长文档极耗时，一次生成要等比较久，批量任务要有耐心。
如果你要做的是大幅海报、杂志版式、电商详情页这类以"大字+版式"为核心的内容，GLM-Image是目前开源模型中最值得装的。
7. 最终选型：五个模型的横向决策表与个人实测建议
前面每一章都在拆单点，最后整体串一遍，给一张能直接拿来使用的选型决策表。
7.1 一张表看完五个模型
| 需求场景 | 第一选择 | 第二选择 | 理由 |
|---|---|---|---|
| 英文长文本海报 | FLUX.2 API | Qwen-Image 2.0 | FLUX.2英文更强；Qwen开源可控 |
| 中文海报/电商主视觉 | Seedream 4.0（即梦） | GLM-Image 4.5 | Seedream中文原生且自带参考编辑能力 |
| 超长文档/PPT/详情页 | GLM-Image 4.5 | Seedream 4.0 | GLM对长篇中文排版几乎是无敌的 |
| 本地低配部署 | Z-image turbo | Qwen-Image量化版 | Z-image轻量、turbo速度快 |
| ComfyUI可控工作流 | Qwen-Image 2.0 | 本地FLUX.1 | 生态成熟、节点丰富、可控工具多 |
| 写实人像/艺术氛围 | FLUX.2 API或FLUX.1 dev | Qwen-Image 2.0 | FLUX对人像质感和光影的理解仍然领先 |
| 产品换背景/主体一致性 | Seedream 4.0 SubjectRef | Qwen-Image + IP-Adapter | Seedream一键实现，本地用IP-Adapter要调参 |
7.2 算力预算与部署方式
算力这块，直接给结论：
- 只有网页版需求，零部署：直接上即梦（Seedream）和FLUX.2 API。不用管显卡、内存、驱动，出图效率最高。
- 单张中高端显卡，8-12GB显存：跑Z-image最轻松，跑GLM-Image也凑合；想跑Qwen-Image就得上NF4量化版。
- 16-24GB显存：Qwen-Image量化版和GLM-Image都能顺畅跑，FLUX.1 dev在8步蒸馏下也能勉强体验。
- 无独显，只有Intel核显：OpenVINO走起，Qwen-Image是当前最有成功案例的选择。
显卡是N卡还是A卡也有讲究。大部分开源模型的加速库都为NVIDIA CUDA优化，A卡只能用ROCm或DirectML，Ecosystem质量差一个身位。新人选型时，别为了省钱买A卡跑AI，省下的钱都会变成折腾的时间。我在群里见过太多"为什么我的A卡跑ComfyUI总是报错"的灵魂拷问，最后都老老实实换N卡或转云端。
还有一个建议：别一个模型用到底。真实工作流里，我会用Z-image快速找方向，用Seedream出中文初稿，用FLUX.2/FLUX.1精修英文海报，用GLM-Image处理长文档页面。每个模型吃自己最擅长的一段，远比为某一个模型死磕到底划算。先把基础弄明白，再组合使用，才是2025年玩AI绘图的正确姿势。
