★ FEATURED ARTICLE 1. 五个模型摆在面前到底该怎么选先把结论摆在前面FLUX.2、Seedream即梦、Z-image、Qwen-Image、GLM-Image 这五个名字最近半年在图像生成圈子里被反复提起但它们压根不是同一类东西。有人拿它们做电商主图有人拿它们跑二次元插画有人只是想在自己那台 8G 显存的旧机器上出张能看的图。需求不同选型逻辑完全不一样。我自己从去年底开始陆续把这几个模型都跑了一遍踩过的坑包括但不限于Z-image base 出黑图排查了一整个下午、Qwen-Image 在 ComfyUI 里节点连错导致显存爆掉、GLM-Image 中文提示词理解确实强但英文场景拉胯。这篇文章就把这些实战经验摊开讲从模型定位、核心架构、部署要点到常见故障排查一条线捋清楚。适合谁看如果你刚接触 AI 绘图想知道这几个模型各自擅长什么、该从哪个入手如果你已经在用 ComfyUI 或类似工具想搞清楚 Qwen-Image 的流程图怎么搭、Z-image 为什么出黑图如果你在做技术选型需要一份横向对比参考——那这篇内容应该能帮你省下不少试错时间。需要提前说明的是这几个模型迭代速度极快我写下的参数和版本号可能过几周就有更新但底层的选型逻辑和排查思路是通用的这部分不会过时。2. 五个模型的核心定位与架构差异2.1 FLUX.2通用写实路线的迭代选手FLUX 系列最早由 Black Forest Labs 推出走的是大规模扩散 Transformer 路线。FLUX.2 作为迭代版本核心改进集中在文本编码器的语义对齐能力和生成分辨率的上限。它的定位很明确通用写实场景尤其是人像、产品、建筑这类对细节还原要求高的题材。从架构上看FLUX.2 延续了 Flow Matching 的训练目标相比传统 DDPM 的采样路径更直所以在同样步数下出图质量更稳。实际用下来20 到 30 步就能出可用结果再往上加步数收益递减明显。这一点和 SDXL 时代动辄 40 步起步的习惯不太一样新手容易在这里浪费算力。它的短板也很清楚对中文提示词的支持属于能看懂但不精准的水平。你写一个穿汉服的女孩站在江南水乡的石桥上它大概率能出个差不多的画面但服饰细节、建筑风格这些文化特定元素经常跑偏。所以如果你的主力场景是中文内容创作FLUX.2 更适合作为风格底模提示词层面还得配合翻译或专门的编码器。2.2 Seedream即梦产品化封装最完整的一个Seedream 是字节跳动即梦平台背后的图像生成能力和前面几个开源模型最大的区别在于它更多是以产品形态出现而不是让你自己搭环境跑权重。这意味着两件事——上手门槛极低但可控性和自定义空间相对受限。从技术角度Seedream 在多模态理解上下了功夫支持图文混合输入你给一张参考图加一段文字描述它能比较好地融合两者意图。这在电商场景里特别实用比如上传一张产品白底图描述放在木质桌面上暖光旁边有咖啡杯出来的效果比纯文生图可控得多。它的优势场景是中文营销物料、社交媒体配图、快速出稿。劣势在于批量化和工作流集成——你很难像 ComfyUI 那样把它的能力拆成节点自由编排。所以我的建议是Seedream 适合内容创作者和运营人员日常出图不适合需要深度定制工作流的技术团队。2.3 Z-image轻量路线但 base 版本有坑Z-image 是这几个里最轻的一个主打低显存、快出图。它的模型参数量明显小于 FLUX.2 和 Qwen-Image所以在消费级显卡上跑起来压力小很多。Turbo 版本更是把步数压到 4 到 8 步出图速度非常可观。但这里必须重点提醒Z-image base 生成的图是黑的这是社区里被问爆的问题。原因不复杂主要是 base 版本对采样器配置和 CFG 值极其敏感配置不对就直接输出全黑或全灰。后面我会专门用一节讲排查方法。Z-image 的定位是够用就好的场景草图构思、快速预览、低配机器出图。你要是拿它和 FLUX.2 比细节那肯定比不过但它的速度优势在批量试错阶段非常香。2.4 Qwen-Image中文语义理解的强项选手Qwen-Image 背靠通义千问的多模态能力最大的卖点就是中文提示词理解。这一点在实际使用中差距非常明显同样一句复杂的中文描述FLUX.2 可能漏掉两三个元素Qwen-Image 基本能完整还原。它在 ComfyUI 里的工作流搭建是社区讨论的热点因为节点结构和常规 SD 系模型有差异很多人第一次搭会连错。核心区别在于文本编码部分——Qwen-Image 用的是自己的文本编码器不能直接套用 CLIP 那套节点需要专门的加载节点。适用场景中文内容创作、需要精准还原复杂描述的场合、图文混合任务。不太适合的场景纯英文提示词、追求极致写实细节。2.5 GLM-Image中文场景的另一条路线GLM-Image 来自智谱和 Qwen-Image 一样主打中文能力但技术路线和侧重有所不同。它在中文文字渲染上表现突出——也就是图里直接生成中文字符的能力这在做海报、banner、带文字的插画时非常关键。大多数图像模型生成中文文字都是鬼画符GLM-Image 在这方面明显好一截。它的短板是生态相对小ComfyUI 节点和社区工作流没有 Qwen-Image 那么丰富遇到问题可参考的资料少一些。选它通常是因为有明确的中文文字渲染需求否则 Qwen-Image 的通用性更好。2.6 横向对比速查模型核心优势主要短板显存门槛最适合场景FLUX.2写实细节、通用性强中文理解一般12G人像、产品、建筑Seedream产品化、图文混合可控性受限云端为主营销物料、社媒配图Z-image轻量、速度快base 易出黑图6G草图、快速预览Qwen-Image中文语义精准工作流搭建有门槛10G中文内容创作GLM-Image中文文字渲染生态较小10G海报、带字插画这张表是我自己实测后的主观排序显存门槛是按 FP16 精度估算的量化版本能再降。选型时先明确你的核心场景再对照这张表基本不会选错方向。3. 部署环境与工作流搭建实操3.1 环境准备从零到能跑通不管你选哪个模型基础环境大同小异。我以 Ubuntu 20.04 为例这也是社区里问得最多的环境组合。第一步是显卡驱动和 CUDA。先确认驱动版本nvidia-smi输出的 CUDA Version 要和你准备装的 PyTorch 版本匹配。比如驱动显示 CUDA 12.1那 PyTorch 就装 cu121 对应的版本。这一步不匹配是后续各种报错的根源别跳过。第二步是 Python 环境。强烈建议用 conda 或 venv 隔离别在系统 Python 里直接装conda create -n img-gen python3.10 conda activate img-genPython 3.10 是目前兼容性最好的版本3.11 和 3.12 在部分自定义节点上还会遇到编译问题。第三步装 PyTorchpip install torch torchvision --index-url https://download.pytorch.org/whl/cu121第四步是 ComfyUI。直接 clone 官方仓库然后装依赖git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt注意requirements.txt 里的依赖版本会随仓库更新变化如果装完启动报错先看是不是某个包版本冲突用 pip install 指定版本回退通常能解决。3.2 模型文件放置与目录规范ComfyUI 的模型目录结构是有讲究的放错位置会导致加载节点里找不到模型。核心目录对应关系主模型checkpoint放models/checkpoints/VAE 放models/vae/文本编码器放models/clip/或models/text_encoders/LoRA 放models/loras/Qwen-Image 和 GLM-Image 这类带独立文本编码器的模型编码器文件必须单独下载并放到正确目录否则工作流加载时会报找不到 CLIP之类的错误。这是新手最容易卡住的地方。3.3 Qwen-Image 在 ComfyUI 里的流程图搭建社区里搜qwen-image流程图comfyui的人特别多说明这个工作流的搭建确实有门槛。核心节点链路是这样的加载模型节点选 Qwen-Image 的 checkpoint文本编码节点这里不能用普通的 CLIP Text Encode要用 Qwen 专用的编码节点加载对应的文本编码器潜空间节点设置分辨率和 batch size采样器节点KSampler采样器和调度器的选择后面细说VAE 解码节点解码成图像保存图像节点关键坑点在于第 2 步。很多人习惯性地拖一个 CLIP Text Encode 节点结果要么报错要么出图完全不符合提示词。Qwen-Image 的文本编码器结构和 CLIP 不同必须用配套节点。另一个坑是分辨率设置。Qwen-Image 对分辨率比较敏感建议从 1024x1024 起步非标准比例容易出畸形。如果你要出竖图用 832x1216 这类训练时见过的比例别自己随便定。3.4 Z-image Turbo 的获取与配置搜z-image turbo下载蓝奏云的人不少说明大家对这个轻量版本兴趣很大。这里我不提供具体下载链接但说清楚获取逻辑Turbo 版本通常发布在模型社区和官方仓库认准发布者身份别从来路不明的网盘链接下载模型文件被篡改或捆绑的风险是真实存在的。下载后放到 checkpoints 目录Turbo 版本的配置要点步数设 4 到 8 步多了反而可能过曝CFG 值设 1.0 到 2.0Turbo 模型对 CFG 极敏感采样器优先试 DPM SDE 或 Euler a这套参数是 Turbo 类模型的通用经验不是 Z-image 独有但 Z-image 对参数偏离的容忍度更低。4. 核心参数调优与出图质量提升4.1 采样器与调度器的选择逻辑采样器决定了去噪路径怎么走调度器决定了每步的噪声强度怎么安排。这两个参数组合起来对出图质量和风格影响巨大。我的实测经验Euler a通用性最好适合大多数场景出图有轻微随机性DPM 2M Karras细节更锐利适合写实人像DPM SDE Karras质感更柔和适合插画和艺术风格DDIM速度快但质量一般适合快速预览调度器方面Karras 和 Exponential 是常用选择。Karras 在低步数下表现更稳Exponential 在高步数下细节更好。提示换采样器时记得同步调整步数。Euler a 在 20 步的效果DPM 2M 可能 15 步就达到了盲目套用同一套步数会浪费算力或质量不达标。4.2 CFG 值的计算与调整CFGClassifier-Free Guidance控制提示词对生成结果的约束强度。值越高越贴合提示词但过高会导致画面僵硬、色彩过饱和。经验公式CFG 值大致等于你希望提示词被多严格地执行。1.0 表示几乎不约束7.0 是常规起点12 以上开始出现明显副作用。不同模型的甜点区不一样模型推荐 CFG 范围说明FLUX.23.5 - 5.0Flow Matching 模型普遍偏低Z-image Turbo1.0 - 2.0Turbo 类极低Qwen-Image5.0 - 7.5常规扩散范围GLM-Image5.0 - 7.0常规范围FLUX.2 的 CFG 明显低于 SD 系这是 Flow Matching 架构的特点新手从 SD 转过来经常在这里设错导致出图过曝或崩坏。4.3 提示词工程中文场景的写法中文提示词不是简单翻译英文那套。我的经验是中文描述要更具象少用抽象形容词多用具体名词和空间关系。对比一下差的写法一个美丽的女孩好的写法一个扎马尾的年轻女性穿白色衬衫站在窗边侧脸自然光后者给了模型足够的锚点。中文模型对空间关系词左边、后面、上方的理解比英文模型更自然可以多用。对于 Qwen-Image 和 GLM-Image可以直接写长句复杂描述它们能处理。对于 FLUX.2建议拆成短句加权重标记效果更稳。4.4 分辨率与宽高比的选择分辨率不是越高越好。大多数模型在训练时见过特定比例超出范围会出畸形。安全比例1:11024x10243:4896x11524:31152x8969:16768x134416:91344x768想出更高分辨率正确做法是先按安全比例出图再用放大模型如 ESRGAN 类放大而不是直接拉高采样分辨率。直接拉高会导致构图崩坏和细节重复。5. 常见故障排查与避坑实录5.1 Z-image base 出黑图的完整排查这是被问得最多的问题我按排查优先级列一遍第一检查 VAE 是否加载正确。黑图最常见的原因是 VAE 缺失或版本不匹配。Z-image base 需要配套 VAE用错 VAE 会直接输出全黑或全灰。第二检查 CFG 值。base 版本对 CFG 极敏感如果 CFG 设成 7 以上很可能出黑图。先降到 1.5 到 2.0 试。第三检查采样器。某些采样器和 Z-image base 不兼容换成 Euler a 或 DPM 2M 试。第四检查模型文件完整性。下载不完整或文件损坏也会出黑图对比文件哈希值确认。第五检查精度设置。如果你用了 FP16 但显卡不支持可能出黑图换成 FP32 试。按这个顺序排查90% 的黑图问题能定位到原因。我自己的情况是 VAE 放错目录折腾了半天才发现。5.2 ComfyUI 显存不足的处理显存爆掉是另一个高频问题。处理思路降低分辨率或 batch size启用--lowvram或--medvram启动参数用 FP16 或量化版本模型关闭其他占用显存的程序启动参数的选择8G 显存用--lowvram12G 用--medvram16G 以上一般不用加。加了会牺牲速度别无脑加。5.3 常见问题速查表现象可能原因解决方向出黑图VAE 错误/CFG 过高检查 VAE降 CFG出图模糊步数不足/采样器不当加步数换采样器提示词不生效编码器节点错误检查文本编码节点显存溢出分辨率/batch 过大降参数加启动参数构图崩坏分辨率比例异常用安全比例中文乱码模型中文能力弱换 Qwen/GLM5.4 我踩过的几个坑第一个坑以为所有模型都能套同一套工作流。实际上 Qwen-Image 和 GLM-Image 的文本编码节点和 SD 系完全不同直接套用会报错。正确做法是找对应模型的专用工作流模板。第二个坑盲目追求高步数。早期我习惯性设 50 步后来发现 FLUX.2 在 25 步之后基本没提升纯浪费时间和电费。现在我的默认是 20 到 28 步。第三个坑忽略模型版本更新。这几个模型迭代快旧版本的问题可能新版本已经修了。遇到诡异问题先确认自己用的是不是最新版。第四个坑中文提示词直接机翻成英文喂给 FLUX.2。机翻经常丢失文化特定词汇导致出图跑偏。要么用中文能力强的模型要么人工润色英文提示词。6. 场景化选型建议与工作流组合6.1 按使用场景选模型电商产品图FLUX.2 打底配合 Seedream 做快速变体。FLUX.2 的写实细节适合主图Seedream 的图文混合适合场景图。中文社交媒体配图Qwen-Image 或 Seedream。前者语义精准后者产品化程度高、出图快。带中文字的海报GLM-Image 首选中文文字渲染是它的独门优势其他模型在这块基本没法比。低配机器快速出图Z-image Turbo。6G 显存就能跑速度是其他模型的几倍适合构思阶段。二次元插画这几个通用模型都不是最优解但如果非要用FLUX.2 配合专门的 LoRA 效果相对好。6.2 组合工作流的思路实际生产中很少只用单一模型。一个典型组合用 Z-image Turbo 快速出 20 张草图筛选构图选中的构图用 Qwen-Image 或 FLUX.2 精修需要放大用专门的放大模型需要加文字用 GLM-Image 或后期处理这个流程把每个模型的优势都用上了整体效率比单模型硬跑高不少。6.3 批量生产的参数固化一旦调出满意的参数组合就固化下来做成工作流模板。需要记录的关键参数模型版本、采样器、调度器、步数、CFG、分辨率、提示词模板。下次直接套用避免每次重新调参。我自己的做法是每个场景存一套工作流 JSON命名带上场景和日期比如ecommerce_flux2_202501.json。这样版本更新后出问题能快速回退对比。7. 关于这几个模型我最后想说的跑完这一圈最大的感受是没有哪个模型是全能冠军选型的核心是匹配场景。FLUX.2 写实强但中文弱Qwen-Image 中文强但工作流有门槛Z-image 快但 base 有坑GLM-Image 文字渲染独一档但生态小Seedream 产品化好但可控性受限。搞清楚每个的边界比盲目追新更重要。另外提醒一句这几个模型迭代速度真的快我写下的具体版本号和参数可能过阵子就变了。但排查思路、参数调整逻辑、工作流搭建方法这些底层的东西是通用的遇到新版本照着这套逻辑走基本不会迷路。如果你刚开始接触我的建议是从 Z-image Turbo 入手熟悉基本流程再根据实际需求切换到 Qwen-Image 或 FLUX.2。别一上来就五个全装环境冲突和显存压力会让你怀疑人生。先把一个跑通再逐步扩展这条路我走过确实更省心。
阅读完成 · 觉得有帮助？
