最近圈子里的聊天记录跟炸锅了一样，FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image 这几个名字几乎同时扎进视野。隔三差五就有人问我哪个最厉害、能不能换掉老工作流、提示词要不要重写。说实话，这种多强并立的场面在 AI 图像生成领域还真不多见——过去要么是一个模型独大，要么是开源闭源各玩各的，而这一轮偏偏是几套路线同时撞线。我花了两周时间把这五个模型翻来覆去地测了一遍，从文生图、图生图到局部重绘、提示词跟随性，踩了不少坑，也摸出了一些门道。这篇就是把梳理出来的核心基础知识和实操心得一次讲透，给刚入坑的朋友做选型避坑参考，也给已经在用的老玩家补一些容易忽略的细节。

先说结论：这五款模型没有绝对意义上的"最强"，它们的架构思路、训练数据分布、擅长场景差异非常大。FLUX.2 延续了开源阵营对画质和真实感的极致追求；Seedream 背靠海外版创意工具生态，但在中文长文本理解上反而表现出色；Z-image 走的是少步数、低显存、快速出图的实用主义路线；Qwen-Image 是多模态大一统体系里的视觉生成分支；GLM-Image 则死磕可控性和细节还原。五条路线背后是五套完全不同的技术取舍，搞清楚这些取舍，你就知道该在什么场景下押注哪一款。

1. 为什么2025年会集中爆发一批国产图像大模型

1.1 三条技术路线的汇流

这一波爆发不是偶然，背后是扩散模型架构升级、开源生态成熟、以及应用端需求倒逼三股力量撞在了一起。早几年图像生成主流还是 U-Net 加潜在扩散那一套，模型分辨率做不大、文本理解靠 CLIP 硬撑，稍微长一点的提示词就容易丢关键词。到了 2024 年年中，Transformer 架构开始全面替换 U-Net，图像生成进入 DiT（Diffusion Transformer）时代，这直接改变了游戏规则。

DiT 把图像当成序列数据来处理，用注意力机制建模全局依赖，所以对文本指令的理解能力有了质的飞跃。FLUX.2、Seedream、Z-image、Qwen-Image、GLM-Image 这一批模型，底层清一色都是 DiT 或 DiT 的变体架构，只不过在如何压缩视觉 token、如何设计文本编码器、如何做少步数蒸馏这些环节上分道扬镳了。

另一条暗线是文本编码器的大升级。过去用 CLIP 那种单模态编码器，模型对中文的支持一直稀烂，经常把"一只戴草帽的柴犬"理解成"一只柴犬和一顶草帽"。新模型普遍改用大语言模型作为文本编码器，甚至直接把多模态大模型的视觉编码能力拿过来复用。这就意味着模型不仅能读懂中文，还能理解比喻、否定、空间关系这类复杂语义。

1.2 从"能画图"到"会干活"的需求迁移

光有技术升级还不够，需求端的变化同样关键。前两年大家玩 AI 绘图，核心诉求是"画得好看"，所以审美权重最高。但到了现在，行业用户开始要求模型"别画错"——电商场景里商品不能变形、广告场景里文字不能乱码、游戏场景里角色服装细节必须稳定。这逼迫模型把基准从"艺术性"往"可控性+一致性"倾斜。

这五个模型的发布节奏也很能说明问题。Seedream 和 GLM-Image 明显把大量训练资源投在了图文混排和长文本渲染上，专门解决"海报上要排一段准确中文"这种高频需求；Z-image 则在推理效率上狂下功夫，把生图步数压缩到个位数，为的是在高并发 API 场景里压低单张成本。可以说，这一批模型打的不是同一场仗：有的拼质量上限，有的拼语义理解，有的拼性价比。你如果还是用老标准"谁画得美选谁"去做选型，很容易踩坑。

2. 五款模型各怀绝技：架构与能力地图

2.1 FLUX.2：开源阵营的质量上限

FLUX 系列从第一代开始就顶着开源王者的光环，其核心卖点是真实感与光影质量。FLUX.2 在保留这个优势的同时，重点解决了前代的两个痛点：一是手指、牙齿这类高频细节的崩溃问题，二是复杂场景下的空间布局混乱问题。实测下来，FLUX.2 在写实人像的皮肤质感、金属反光、景深虚化上的表现依然是最稳的，出图即便不做修复放大，直接放到网页上都够看。

FLUX.2 的独特之处在于它的流匹配（Flow Matching）训练策略。相比传统扩散模型常采用的噪声预测目标，流匹配学习的是从噪声到数据的直线路径，这让它在同样的采样步数下能拿到更低的失真。配合上它自家的文本编码器，FLUX.2 对英文提示词的理解非常细腻，尤其是对"柔和光效""电影感色调"这类风格化描述有天然的敏感度。不过代价也很明显：它对中文提示词的支持不太理想，官方推荐工作流基本是英文提示词优先；另外它的完整版模型体积很大，普通消费级显卡跑起来比较吃力。

2.2 Seedream：中文语义理解的标杆

Seedream（即梦）应该算这五款里中文语义理解最“讲道理”的一个。我拿同一段复杂中文提示词去测，比如"一个穿着红色汉服的女孩站在雨后的青石板路上，手里拿着一把透明雨伞，背景虚化"，Seedream 对主体、动作、环境、风格的拆解能力明显比其他几个更准确，几乎不会出现元素丢漏的情况。

Seedream 的惊人之处在于它把中文直接当成一等公民处理，而不是像很多模型那样先翻译成英文再生成。这背后是独立的视觉文本联合训练策略：大规模图文对里包含海量中文数据，让模型自己学会字与形的对应关系，而不是依赖外部翻译链路。体现在结果上，就是它在中文字牌、霓虹灯招牌、包装盒上的汉字渲染准确率非常高，甚至能处理书法体、手写体的风格化生成，这对设计行业来说是刚需。

但 Seedream 也不是没有短板。它在真实人像的细节上偶尔会带上“美颜滤镜感”，皮肤纹理不如 FLUX.2 那样自然。另外，当提示词涉及非常抽象的艺术风格时，比如“超现实主义与蒸汽朋克融合”，它的发挥空间相对保守，还是偏写实风格的安全区。

2.3 Z-image：速度与成本优先的实用派

Z-image 走的路线跟前面两个完全不一样，它的优先目标是快和便宜。这个模型的推理步数可以压到 4 到 8 步，比动辄 20 到 30 步的常规模型快出一个数量级。我实际测试下来，同样的显卡条件下，Z-image 出图速度大概是 FLUX.2 的三到五倍，这对于批量出草图、电商白底图、素材预处理这类场景来说非常香。

速度背后是知识蒸馏和渐进式蒸馏的功劳。它等于是把一个大模型老师教出来的能力，压缩到一个需要很少步数就能跑出结果的学生模型里。当然，任何蒸馏都有信息损耗，Z-image 的画面细节和复杂光影表现确实不如前两款，在 8 步以下偶尔会出现边缘发虚、纹理过平的情况。但把分辨率拉高之后，它的中景构图和色彩还原依然在线，出图拿来当底图再进精修流程完全够用。

Z-image 还有一个人性化的点是显存需求友好。我用几张老显卡实测过，相同分辨率下，显存占用比 FLUX.2 低不少，很多本来跑不动新模型的机器能流畅跑起来。如果你是个人创作者，机器配置不是顶配，Z-image 的性价比优势就很突出了。

2.4 Qwen-Image：多模态体系里的接棒者

Qwen-Image 不是单独作战的模型，它属于一个多模态模型家族的视觉生成分支，定位上更像是一个“接棒选手”——理解文本语义用大语言模型，处理图像用视觉编码器，生成图像用扩散模块，三部分组合成一个完整链路。这种架构的一个直接好处是，它对用户指令的理解不局限于“画面描述”，还可以结合对话上下文来做多轮修改。

我实测的体验是，Qwen-Image 在图像编辑和局部修改任务上的表现特别亮眼。你说“把左边的红色椅子改成蓝色，但别动桌子和窗外的景色”，它能比较准确地锁定修改区域，同时对画面其他部分保持不变。这个能力靠的是它训练时引入了大量指令编辑数据，让模型学会“听懂操作指令”而非仅仅“听懂画面描述”。

不过必须说，Qwen-Image 在单张图片的绝对审美上限上跟 FLUX.2 还有差距，尤其是大光比场景下的动态范围处理偶尔会有塑料感。但它胜在功能全面、灵活度高，适合做交互式创作工具或者多轮设计工作流的后端，而不是追求某一类图像的极致表现。

2.5 GLM-Image：强调可控性与细节还原

GLM-Image 的核心关键词是“可控”。团队在模型设计上加入了很多细粒度的控制条件，比如深度图、边缘图、姿态骨架这些结构化输入，都能被模型利用起来指导生成。这意味着你可以在图上摆放 3D 模型摆好姿势、渲染出深度图，然后交给 GLM-Image 生成一张风格化但姿态完全一致的角色立绘，这在角色设计工作流里是杀手级能力。

GLM-Image 的另一个特点是细节还原能力强。把一张低分辨率的模糊图交给它做放大修复，它的纹理重建效果在同代模型里属于第一梯队，尤其是在建筑细节、织物纹理、皮肤纹理这类高频信息上，很少出现涂抹感。这个能力背后是它对高频信号保持了比较好的敏感性，没有在训练阶段把细节纹理当成噪声抹掉。

要说缺点，GLM-Image 在通用文生图上的风格多样性一般，如果你追求“每张图风格差异巨大”的创意发散，它给的惊喜感不如前几款。但在工程化、可控化生成这条路上，它反而是目前最成熟的选择。如果你是做游戏资产、电商展示、三维辅助设计的，GLM-Image 值得重点研究。

3. 实操选型与上手配置

3.1 选型决策表：按场景匹配模型

聊完背景和能力，最关键的还是怎么选。我根据自己的实测经验，整理了一张选型参考表。这张表不是什么官方推荐，纯粹是个人在各种需求下反复对比后的结果，主观看点一定有，但方向不会错。

这里有个容易踩的误区：很多人看到写实人像推荐 FLUX.2，就把所有产品图都往 FLUX.2 上丢。实际上商品图要求的是角度准确、材质还原、背景干净，这些恰恰是性价比模型的长处。先明确你画面的核心约束是什么，再定模型，顺序不能反。

3.2 提示词适配差异：同一句话的四种写法

提示词对这几个模型的影响差异非常大。同样的画面描述，不同模型的响应模式不一样，直接照搬提示词模板很容易翻车。我拿一个具体例子来说明。

假设我要生成"傍晚海边，一个穿白色连衣裙的女孩回头看镜头，浪花打湿她的裙摆，远处夕阳藏在云层里"。

FLUX.2 的写法建议把风格词前置，越具体越好：

A girl in a white dress looking back at the camera on a beach at dusk, waves wetting the hem of her dress, setting sun hidden behind clouds in the distance, cinematic lighting, shallow depth of field, photorealistic, 8k

Seedream 则可以直接上中文长句，甚至可以加一些文学化的修饰：

傍晚的海边，一个穿白色连衣裙的少女回眸看向镜头，浪花打湿了裙摆，远处夕阳躲在云层里，整体氛围伤感又温柔，电影感画面，细节丰富

Z-image 更适合短平快的提示词，风格词不用太多，因为它对复杂描述的精细拆解能力相对弱：

海边，白裙女孩回眸，浪花打湿裙子，夕阳，云层，电影感

Qwen-Image 可以写成对话指令，发挥它的交互优势：

帮我生成一张图：傍晚海边的少女回眸，穿白色连衣裙，裙摆被浪花打湿，夕阳藏在云层后面。注意脸部清晰，构图偏中景

GLM-Image 如果配合控制网使用，提示词侧重点要放在细节描述和材质指定上：

一个穿白色连衣裙的少女站在海边浅水中，回头看向镜头，裙摆湿透贴在腿上，海水没过脚踝，夕阳透过云层产生金黄色光晕，头发被海风吹起，写实风格，注意裙子的薄纱材质和水的反光细节

这个例子是想说明：不存在一套"万能提示词"。你手里如果有写得不错的提示词，迁移到新模型时至少要做三件事——调整语言（中英文互换）、精简或扩充修饰词、根据风格偏好调整风格词的权重位置。我在迁移老工作流时，一般会先用同一个提示词在两个模型各出 20 张，对比后找出新模型的提示词习惯，再大规模应用。

3.3 本地部署与云端 API 的关键参数

部署层面，这五个模型的架构差异决定了硬件要求和参数设置完全不同。FLUX.2 和 GLM-Image 的完整版模型对显存的需求比较高，FLUX.2 在 8G 显存以下的显卡跑 fp16 全精度基本没戏，需要量化到 4bit 才行。我实测在 8G 显存的显卡上，FLUX.2 量化版能跑但速度感人，单张 1024 分辨率要将近 2 分钟。Z-image 对硬件最友好，同样的 8G 显存机器，它能在 20 秒内完成 8 步生成，体验差了一个量级。

几个关键参数值得单独说。采样步数方面，FLUX.2 建议保持 20 到 30 步，低于 20 步画面容易脏；Seedream 和 GLM-Image 用 15 到 20 步比较稳妥；Z-image 直接砍到 4 到 8 步，再高收益递减；Qwen-Image 建议 20 步左右。CFG 引导强度的设置差异更大：FLUX.2 对 CFG 不敏感，1.5 到 3.5 都能出图，低 CFG 反而画质更自然；Seedream 和 Qwen-Image 建议 4 到 7；Z-image 因为蒸馏过的原因，CFG 太高容易烧出伪影，2 到 4 是最佳区间；GLM-Image 用 5 左右比较稳。

采样器选择上，如果跑 FLUX.2，推荐 Euler 或者 DPM++ 2M SDE 搭配 Karras 调度器；Seedream 官方常用 Euler a；Z-image 因为是自己蒸馏出来的步数调度逻辑，尽量用官方默认，自定义采样器容易出噪点。最后分辨率设置也要注意，Z-image 虽然对显存要求低，但你一上来就 2048 分辨率它照样会爆显存，渐进式放大才是聪明做法。

4. 踩坑实录与常见问题排查

4.1 生成翻车：五次修复案例

两周测试下来，我积累了不少翻车案例，挑五个典型的拆给各位看。

第一个案例是 FLUX.2 生成人像手部畸形。我一开始以为是模型能力问题，后来发现是提示词里没有约束手部。加上"hands holding a coffee cup, natural posture"这类明确描述后，畸形率大幅下降。这说明 FLUX.2 的细节崩溃往往与语义引导不足有关，不是纯粹的能力缺陷。

第二个案例是 Seedream 在生成长文本海报时，偶尔会把一段中文重复两遍叠在画面里。排查后发现是提示词里的文本内容被加权重复了。解决方法是把要渲染的文本单独拿出来，明确写"画面中只需出现以下文字：……"并且不要给这段文字加权重，情况立刻好转。

第三个案例是 Z-image 出图边缘存在明显柔化感。这是少步数模型的通病。我的应对是出图后接一个放大模型，让细节在放大阶段补充回来。实测用修复模型做 2 倍放大后，锐度基本能追上正常步数的效果。

第四个案例是 Qwen-Image 在局部修改时把不该动的部分也改了。我原本觉得是模型指令理解问题，后来发现需要把"保持不变的区域"用否定性描述再强调一遍，比如"背景、桌布、窗外的树都不变"。对 Qwen-Image 来说，双重约束比单次指令更可靠。

第五个案例是 GLM-Image 配合深度图做角色控制时，衣服纹理出现了奇怪的粘连。排查发现是深度图分辨率太低导致控制条件太粗糙。重新渲染高分辨率深度图之后，问题解决。控制网的输入图质量会直接影响生成上限。

4.2 效率优化：步数、CFG、采样器选择

效率优化这块我试了很多组合，直接说结论。要压缩单张出图时间，优先降步数而不是降分辨率。分辨率降低后细节信息丢失是补救不回来的，步数降一点对大部分模型的画质影响反而没那么大。FLUX.2 可以压到 20 步，Seedream 15 步，Z-image 6 步，这是各自画质劣化不明显的保底值。

CFG 的值不是越大越好。我在 Seedream 上试过 CFG 拉到 10，结果色彩溢出严重，饱和度假高。回落到 5 之后，色彩自然多了。Z-image 更夸张，CFG 上 7 以后画面直接出伪影。经验是：蒸馏程度越高的模型，CFG 的容忍度越低，一定要从低往高试。

采样器这块，非官方设置对蒸馏模型的影响特别大。Z-image 用 Euler 之外的其他采样器，出图质量明显下降。我之前为了省时间给 Z-image 配了 DPM++ 2M，结果 4 步出的图全是噪点，换成官方默认之后立竿见影。如果你不确定用什么采样器，优先用官方默认绝对没错。

缓存机制也能大幅提升效率。如果你的工作流里多次用到同一个文本编码器的结果，建议把文本编码器的输出结果缓存到内存，不用每次生成都重新跑一遍。尤其是在跑 FLUX.2 和 Qwen-Image 时，这个技巧能把单张耗时降低两三成。

4.3 组合使用技巧与建工作流

最后说一下工作流搭建。我发现把多个模型串起来用，比死守一个模型效果好得多。常见的组合方案是：先用 FLUX.2 出高质量底图，再用 Seedream 做中文字牌替换，最后用 Z-image 批量出变体。这套流程兼顾了质量、文字准确率和效率。

拿电商场景举个例子。第一步用 FLUX.2 生成商品场景图，提示词专注环境和光影；第二步用 Seedream 的局部重绘把画面里的英文贴纸换成中文卖点文字，因为 Seedream 的中文渲染最稳；第三步如果想出不同颜色的变体，就丢给 Z-image 做图生图加提示词微调，批量快速产出。整个链路走下来，单张成本控制得很低，质量也比单个模型硬刚要高一截。

组合工作流里有个细节需要提醒：不同模型对图像色彩空间的解释不一致，直接接力处理时可能会出现色差。建议在模型之间加一个色彩归一化步骤，或者用图生图模型的“重绘幅度”参数做缓冲，通常 0.3 到 0.5 的重绘幅度可以抹平大部分色差。如果你要精准复刻颜色，那还是老老实实单模型跑完再后期修图，不要贪多模型串联。

控制工具也是组合工作流里容易忽略的一环。GLM-Image 对深度图和边缘图的支持非常成熟，很多 FLUX.2 用户也把 GLM-Image 当辅助模型用，先出结构控制图，再拿回 FLUX.2 渲染风格。这种跨模型控制条件共享，是我目前觉得最实用的一招。前提是两边分辨率要保持一致，否则出现对齐偏差之后修起来很痛苦。

最后再讲一个我在实操中很有体感的经验：这五个模型都有各自的"脾气"，没必要非争个高低。你手里如果已经有一套跑顺的工作流，不要因为新模型热度高就盲目切换。我的习惯是留下一个主模型保底，新模型先在偏门任务上试水，等摸清它的提示词语法和参数偏好后再考虑接主力位置。图像生成工具迭代太快，今天的最优解可能三个月后就过时，真正值钱的是你理解模型差异的那套方法论，而不是死记某款模型的某个参数。