图像生成模型的圈子，现在更新速度比手机换代还快。前两年大家还在争论“SDXL还是Midjourney”，今年话题已经变成了FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image这几个名字怎么选。我最近一段时间把这几个模型从原理、工作流跑到出图效果完整过了一遍，也踩了不少坑，这篇就把核心基础从头捋清楚，帮还没上车的朋友少走弯路。

这五款模型分属不同背景：有开源社区公认的标杆，有更懂中文语义的“地头蛇”，也有主打轻量高效的开源新秀。它们背后的技术底座同源，都是扩散模型，但在文本编码、训练侧重、开源程度、生态支持上差异很大。如果你正在纠结项目里该用哪一款，或者刚接触ComfyUI想把这些模型跑起来，这篇文章应该能给你一份完整参考。

1. 先搞懂这些模型共有的底层逻辑

1.1 扩散模型到底在做什么（大白话版）

不管叫FLUX还是Seedream，底层架构万变不离其宗：扩散模型。理解它不需要复杂数学，一个类比就够：把一张高清照片不断加噪，直到变成一张雪花屏，这叫“前向过程”。训练时让模型学习这个破坏过程，再反向操作——从纯噪声一步步去噪，还原出清晰的图像，这叫“反向过程”。

你给模型输入“一只橘猫坐在窗台上”，实际上是在引导反向过程，让每一步去噪都向符合文字描述的图像空间靠近。模型内部有一个文本编码器负责把文字变成向量，另外有一个图像生成主干负责根据向量预测噪声并逐步还原画面。早期主流是UNet架构，现在这些新模型基本都换成了DiT（Diffusion Transformer）。

DiT的意义在于：把图像切成一个个小patch，用Transformer处理，和现在大语言模型的思路完全对齐。带来的好处是训练更稳定、扩展性更强、对长文本提示词的理解明显优于老架构。FLUX、Qwen-Image、GLM-Image、Z-image这些新模型全部基于DiT，Seedream虽然没公布完整技术细节，但从效果推断也是同一条技术路线。

1.2 2025年图像模型的三条主线：文字渲染、中文理解、可控编辑

把这五款模型放一起对比，会发现它们在卷三个方向。

第一个是文字渲染。也就是在图片里生成准确的英文或中文文字，比如海报上的标语、包装上的品牌名。老模型这块非常弱，经常把英文单词拼成乱码。FLUX.1时代英文商标字已经能做到以假乱真，FLUX.2继续强化了这个能力；Qwen-Image和GLM-Image对中英文混排的渲染也有明显进步。

第二个是中文语义理解。英文提示词可以用大型开源文本编码器兜底，但中文语义、成语、古诗、国风审美这些细节，国外模型训练数据覆盖有限，经常答非所问。这就是Seedream、Qwen-Image、GLM-Image、Z-image这些国产模型的突围点：它们直接针对中文语料优化，对中文提示词的语义追踪要精准得多。

第三个是可控编辑。生成一张图不难，难的是生成完还能改：局部替换、扩图、按结构重绘、保持主体一致性。FLUX.2把编辑工具做成了一套，Qwen-Image出了专门的Edit版本，Seedream在平台上支持局部重绘，都在往“图像生成即工作台”的方向走。

2. 五款模型逐一点评：定位、强项、翻车点

2.1 FLUX.2：把提示词“写”在画面里

FLUX系列一直是开源图像生成圈的标杆。FLUX.2延续了其一贯的高质量路线，同时在几个关键能力上做了升级：文字渲染更准、提示词遵循度更高、原生支持类“编辑”玩法。配合官方发布的配套工具（填充、深度控制等），能完成底图生成、局部替换、风格延展一整条链路。

风格上FLUX.2偏“干净、精致、商业感”，尤其适合电商主图、海报排版、产品概念图。它的英文文字渲染能力是目前开源模型里最好的之一，你让它生成一张带有大号英文字母的招牌，拼写很少出错。同时它保持了FLUX系列一贯的高提示词遵循度——你写“下午四点的逆光，桌上有一杯冒热气的咖啡，背景是模糊的城市天际线”，它基本能把所有元素都摆到位。

翻车点也很明显：它对中文文字渲染并不算强，中文提示词的语义理解属于“能用，但别太刁钻”。另外模型体量在12B参数级别，本地跑起来需要不小显存，不过社区已经提供了FP8量化版本，12GB显存也能勉强跑。

2.2 Seedream（即梦）：中文原生审美

Seedream是即梦团队的主力图像生成模型，产品形态走的是“网页端/App直接可用”的路线，打开即梦就能体验，不需要自己搭工作流。它的核心护城河是中文理解：你直接用日常中文描述场景，成语、俗语、画面意境都能被准确转化为图像元素。

让Seedream画“烟雨朦胧的江南小镇，一位撑着油纸伞的姑娘背影”，它给出的画面审美非常“对味”——不是生硬的西方油画风，而是贴近中文用户审美的清雅质感。另外它对人物面部的精细刻画、肤质处理都很稳定，人物不会出现明显崩坏，这对需要高完成度出片的场景非常重要。

它也有短板：目前没有官方原生API，想要批量化调用或接入自建工作流，只能等接口开放或用网页端自动化方案，自由度不如FLUX、Qwen-Image这些纯开源模型。

2.3 Z-image：轻量高效的性价比之选

Z-image是开源阵营里更偏轻量路线的一款。相比FLUX.2动辄十几B参数，Z-image用更小的体量实现了接近主流水平的生成质量，特别适合对出图速度有要求的场景。它在中文提示词的支持上也做得不错，日常描述基本能准确还原。

实际体验中，Z-image给我的感觉是“中庸且可靠”：写实、插画、产品图都能出，没有明显偏科，速度确实快。如果你显卡不算顶级，又希望快速跑一个批量生成的脚本，Z-image是性价比很高的选项。

但它也有明显的妥协：在极端风格化、复杂场景层次、精细文字渲染上，和FLUX.2、Seedream相比存在差距。做简单配图、参考图、批量化占位图绰绰有余，做商业级精细设计就显得吃力。

2.4 Qwen-Image：速度与可控的平衡

Qwen-Image走的是“小体量+强文本编码”的路线，模型只有2B参数级别，搭配的是自家大语言模型体系中的视觉语言模型作为文本编码器。这个组合带来的直接好处是：加载快、推理快、显存占用低，同时中文理解能力有明显的大模型“底子”。

我实测下来的感受是，Qwen-Image对中文提示词的解析非常细腻。比如你写“一杯冰美式，放在木桌上，旁边有一本翻开到第42页的书”，它不仅能还原元素，还能理解“翻开到第42页”这种细节语义。配合ComfyUI官方工作流，一张图通常几秒就能出，对反复调参来说体验极佳。控制性也不错，训练LoRA很友好，社区工作流成熟度在国产开源模型里数一数二。

另外Qwen-Image还有一个Edit版本，支持基于参考图的局部编辑，在“先生成后修改”的工作流里很实用。相比Seedream这类不可本地部署的模型，Qwen-Image的开放性让它很适合技术型用户深度折腾。

2.5 GLM-Image：写实向实用派

GLM-Image的定位和Qwen-Image有点类似，同为国产开源模型，中文理解扎实，对中文提示词的语义还原准确，社区也提供了可以直接跑的ComfyUI工作流。它在写实方向的成片质感给我留下了深刻印象：光影过渡自然、皮肤纹理真实、环境光氛围到位，出图不像AI生硬堆砌反而接近照片质感。

体量上GLM-Image是7B级别，介于Z-image和FLUX.2之间，显存要求比Qwen-Image高，但比FLUX.2友好，12GB显存就能比较流畅地跑。它在模型许可证上保持了比较开放的态度，商用友好，对需要接入生产环境的团队来说很重要。

短板方面，GLM-Image在精细文字渲染（特别是小字号文字）上还有提升空间，复杂场景下偶尔会出现元素堆叠混乱。如果你主要出写实人像、生活场景图，它非常顺手；如果要玩重设计感的合成海报，还是FLUX.2更稳。

3. 选型判断：你的需求决定用哪款

3.1 按应用场景选模型

拿不准用哪款，可以直接对照这张表：

需要注意一个原则：先定场景，再定模型，不要反过来。看到新模型就换工作流，只会浪费时间。我自己团队里就同时保留GLM-Image和FLUX.2两套环境，各司其职。

3.2 按显存条件选模型

硬件也是硬门槛。很多朋友兴致勃勃下载了模型，一跑就OOM，最后劝退。下面按常见显卡档位给个参考：

显存不够时先别急着加显卡，优先考虑量化版本。FLUX.2有FP8和GGUF量化版本，Qwen-Image也有社区GGUF量化，占用可以进一步压缩。实在不行，可以用云端GPU实例，按小时付费跑批量任务，比自己买卡划算。

4. 实操：在ComfyUI里把这五款模型跑起来

4.1 模型文件怎么下、放哪、用什么精度

以ComfyUI为例，先要搞清楚各类文件的归属。打开ComfyUI的安装目录，models文件夹下有专门放扩散模型、文本编码器、VAE的目录：

• 扩散模型主体放在models/diffusion_models
• 文本编码器放在models/text_encoders
• VAE文件放在models/vae
• 如果模型是safetensors格式且附带CLIP，也可以放到models/checkpoints（不过FLUX和Qwen-Image更推荐分开放，方便灵活组合）

下载渠道建议优先选模型社区官方仓库。FLUX系列找FLUX.2 dev的FP8版本，Qwen-Image找官方原始权重或GGUF量化版，GLM-Image和Z-image找对应ComfyUI推荐版本。国内网络环境建议从国内模型社区镜像站下载，速度更快更稳定。

提示：下载前先确认模型的许可证。即使是开源模型，不同的模型在商用权限、衍生作品限制上可能有区别。商用前务必看README里的License说明。

精度选择上，我给出一个简单经验：显存低于16GB优先用FP8，低于12GB考虑GGUF 4bit量化；显存足够则用BF16原始精度，细节保留最好。不要迷信“用了量化就丢画质”——实测FP8在肉眼层面几乎看不出差别，换来的是显存占用和速度的大幅优化。

4.2 一条通用工作流的搭建要点

不管跑哪个模型，ComfyUI工作流骨架是通用的：加载模型、编码提示词、采样、解码VAE、保存图像。

加载模型这一步差异较大。FLUX.2需要单独加载扩散模型、文本编码器和CLIP，文本编码器是T5系列，体积较大；Qwen-Image同样需要搭配自家的大语言视觉模型文本编码器；GLM-Image和Z-image各自有推荐节点。第一次加载时，我建议直接用官方或社区提供的示例工作流，不要自己从零搭——节点之间的模型接口匹配、文本编码器的输入格式如果搞错，直接报错或者出黑图。

提示词编码环节要注意：新版ComfyUI把CLIP Text Encode分成了正面和负面两个节点，但FLUX、Qwen-Image这类新模型对负面提示词并不敏感，直接留空即可，不需要写“low quality, worst quality”那一堆。

采样器选择上，最简单的方案是统一用Euler或Euler Ancestral，步数20-30，CFG按模型定，后面细说。解码VAE这一步只要选对对应模型的VAE，一般不会出问题。新一代模型的VAE很多时候内嵌在扩散模型中，不需要单独加载；如果看到画面颜色发灰发暗，先检查VAE有没有选对。

4.3 核心采样参数：步数、CFG、分辨率怎么定

这几个参数是决定出图稳定性的关键，我直接给一组实测比较通用的基准值：

FLUX.2的CFG一定不要调高，1.0是标准值，超过2.0就会出现色彩溢出、对比度过曝。Qwen-Image和GLM-Image可以适当提高CFG到3-4，能增加文字提示的遵循度。

分辨率方面，新一代模型原生支持1024x1024及以上分辨率，不需要先小图后放大的老路子。如果出横构图海报，直接设置1344x768这类接近2：1的比例，效果通常好过先生成方形再裁剪。关于步数我多说一句：不是越高越好。步数超过30后，画面细节提升极其有限，但耗时明显增加。批量测试时可以先跑16步看构图，确定后再加到25步精修。

5. 常见问题排查：我踩过的那些坑

5.1 黑图、灰图、颜色发闷怎么破

这几个现象的原因往往不在采样器，而在文本编码器或VAE的加载环节。

黑图常见于文本编码器加载失败，SD系列模型和FLUX/Qwen系列的文本编码器结构不同，混用会导致输出全黑或全灰。解决方法是到ComfyUI运行日志里看加载了什么模型文件名，确认和示例工作流一致。

颜色发灰发闷常见于VAE问题。新模型有些要求用配套VAE，有些要求不加载任何VAE，因为VAE已经内嵌。判断方法是：直接下载对应模型的示例工作流，如果示例工作流没有单独加载VAE节点而你的自定义工作流加了一层VAE，先把它删掉试试。

还有一个容易被忽略的点：采样器的Schedule类型。FLUX系列通常用Shifted Schedule，如果你用的是默认普通Schedule，画面可能会出现奇怪的过曝或细节丢失。

5.2 中文提示词答非所问，问题出在哪

如果你在FLUX.2里输入中文提示词，结果经常偏题，这大概率是模型自身的中文训练语料有限，不是你的操作问题。解决方案有几个层级：

优先换模型。中文语义理解要求高的时候，直接选Seedream、Qwen-Image、GLM-Image这类中文特化模型。如果坚持用FLUX.2，可以先把中文提示词用翻译工具转成英文，效果通常比生硬中文好很多。

另一个常见坑是提示词“什么都想写”。一次性堆砌十几个元素，模型会丢失主体。我建议把提示词拆成主干和细节：主体人物/场景用一句话写清楚，风格、光线、构图、画质关键词往后放。实测这个习惯能让出图成功率大幅提升。

实用心得：Qwen-Image虽然支持中文提示词，但把背景、氛围类的描述放前面，动作和姿态描述放后面，出图更稳。

5.3 想要“又快又稳”出图，还有什么隐藏配置

除了显存和模型选择，影响速度的常见因素还有两个。

第一个是批次大小。在显存允许的情况下，设置batch size为2或4，多个生成任务可以并行，整体吞吐量能提升不少。但如果显存比较紧张，batch size反而会拖慢速度甚至OOM，慎用。

第二个是VAE解码环节。很多工作流默认用FP16解码，如果换成使用加速库的推理优化组件，能明显减少高分辨率图解码时间。这个优化在批量生成大量素材时积累出来的收益很可观。

还有一个容易被忽略的优化是“文本编码缓存”。如果你一轮生成中连续出多张图但提示词不变，部分工作流支持缓存文本编码结果，避免每次生成都重复跑一次文本编码，省下来的时间在长提示词场景下非常明显，批量出图时建议优先检查工作流有没有开启这个特性。

最后分享一点个人体会

这几款模型没有绝对的“最强”，只有“最合适”。我在实际项目中基本是两两搭配使用：需要精致商业感、英文海报、成品级设计图时，首选FLUX.2；需要快速出图、中文语义准确、批量迭代时，Qwen-Image和GLM-Image替换着上。Seedream给团队里不碰ComfyUI的同事用，出图效率反而比给我用还高。工具越来越强，但选型思路从来没变：先想清楚你最终的交付物长什么样，再决定把时间花在哪款模型上。希望这篇能把你的上手时间缩短一半。