AI 图像生成现状
图像生成已显著成熟。每个模型根据用例有不同优势。
GPT Image 2.6(OpenAI)
- 优势:提示词跟随能力强,组内图内文字渲染最好,默认安全。
- 劣势:比 Flux 慢,风格控制有限,无 NSFW。
- 适合:营销材料、演示文稿、产品原型。
- 价格:按图像输出 token 计费,每百万 token $30,1024×1024 中等质量约 $0.05/张(OpenAI 定价文档,2026-11-10 核对)。DALL-E 3 已于 2026-05-12 从 API 移除,旧报价不再适用。
Midjourney v7
- 优势:惊艳的美学效果、艺术风格、社区灵感。
- 劣势:仅 Discord 界面,无 API,难以集成。
- 适合:概念艺术、品牌设计、创意探索。
- 价格:$10–60/月订阅。
Flux (Black Forest Labs)
- 优势:开放权重、快速、高质量、可控。
- 劣势:生态不如 Stable Diffusion 庞大。
- 适合:需要自托管高质量生成的开发者。
- 价格:自托管免费,API 价格各家不同。
Stable Diffusion 3.5
- 优势:完全开源、庞大生态、支持 ControlNet。
- 劣势:需要更多技术配置,质量波动较大。
- 适合:自定义管道、微调、批量生成。
- 价格:自托管免费,只付 GPU 成本。
选择指南
- 需要 API 集成?→ GPT Image 2.6 或 Flux
- 需要艺术质量?→ Midjourney
- 需要完全控制和自托管?→ SD 或 Flux
- 需要图中文字?→ GPT Image 2.6
- 需要大规模速度?→ Flux 或 SD3.5
获得更好结果的实用技巧
- 风格要具体:不说「一只猫」,而说「一只坐在窗台上的虎斑猫的水彩插画,柔和的午后光线,柔和的大地色调」。
- 使用反向提示词:大多数生成器支持反向提示词。用来排除不需要的元素(「模糊、低质量、多余手指」)。
- 用种子迭代:生成多张图,找到最接近愿景的那张,然后用它的种子加轻微提示词变化进行微调。
- 宽高比很重要:按实际使用的宽高比生成。正方形放大到 16:9 通常看起来别扭。
成本对比
Midjourney($10–60/月)艺术质量最佳。GPT Image 2.6(中等质量约 $0.05/张)是偶尔使用最方便的 API 选项。Stable Diffusion(自托管免费,Replicate 上 SDXL 约 $0.0043/张)大规模最便宜。Adobe Firefly(Creative Cloud 内含付费档)最适合商业安全生成。以上价格于 2026-11-10 复核;Midjourney 与 Firefly 的站点拒绝自动访问,下单前请自行确认其当前套餐。
可控性才是决定性的特性
图像质量已经收敛到顶尖模型之间的差别基本是口味问题的程度;真正把它们在实践里区分开的是可控性。你能固定种子、拿到两次一样的图吗?你能用参考图、蒙版或姿态约束构图吗?你能让文字正确地渲染在图里吗?你能只重绘一个区域而不动其余部分吗?这四个问题决定一个模型能否用于产品图、营销素材和界面示意,而榜单很少回答它们。
授权条款是技术比较的一部分
模型在哪里训练、条款允许什么,和它的输出质量一样重要。一个能生成漂亮图像但不允许商用的模型,不是付费投放的候选。要查的是你具体用途的条款,而不是泛泛的「图像用途」,并为每个已发布的素材记录你使用的模型版本。日后重做一张主视觉图时,明确知道原图是怎么来的会轻松得多。
图内文字仍是软肋
在生成图像里渲染清晰、拼写正确的文字,在各模型上仍不可靠,而且失败是自信的、不明显的。任何带文字的素材都要按全分辨率人工校对,并优先在设计工具里合成文字,而不是让模型去画。这一个工作流选择就消掉了一整类尴尬缺陷。
用你自己的提示词评估
建一组代表你实际工作的十个提示词,每个生成四个变体,盲评打分。这是半天的工作,产出的排名对你的团队比任何公开对比都有用,因为它测的正是你真正会交给模型去做的事。