从扩散模型到DiT：FLUX.2/Seedream/Qwen/GLM/Z-image选型指南

做AI图像生成工具整理和内容创作这几年，我手头反复切换使用的模型其实很固定：FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image。这五个名字在中文设计圈和AI绘画社区里经常被放在一起讨论，但它们各自的底子、强项、适用场景差别其实不小。这篇文章我会用偏“原理+实践”的方式，把这五个模型的核心基础知识完整过一遍——既有它们共同依赖的扩散模型、DiT、文本编码这类地基，也有每个模型真正拉开差距的关键点，最后再给一套可以照抄的选型和使用建议。不管你是刚开始接触AI出图的新手，还是已经用这些模型做过几批商业物料的半熟手，应该都能在里面找到用得上的东西。

1. 先把五个名字对齐：定位、出身与第一印象

1.1 五款模型的一张总览表

先看一张粗粒度的总览。以下信息不是我个人的抽象印象，而是基于各模型的公开技术资料、社区实测和实际出图结果的综合整理。对于资料相对少的模型，我会单独说明。

这里先解决一个最基础的问题：这五个模型并不是同一个赛道里的复制品。FLUX.2更接近一个“工具家族”，它把文生图、图像编辑、深度控制、方向引导全部塞进一套统一的架构里；Seedream（即梦）和Qwen-Image则把重心放在“懂中文”上，尤其是中文海报里的长文本渲染和小字号排版；GLM-Image走的是“先理解、再生成”的路线，适合那些需要绕弯子才能读懂的创意需求；而Z-image相对前四个来说公开资料最少，更像中文社区里一个在细分控制上做补位的选手。

1.2 为什么它们会在同一个时间点扎堆出现

过去两年图像生成模型迭代速度飞快，但这个时间点集中出现这么多“中文友好”的模型，背后有几个非常现实的原因。

第一，英文场景下的文字渲染已经相对成熟，但中文海报里的方块字、小字号、笔画密集的字形，一直是很多海外模型的硬伤。谁能把中文渲染做好，谁就能直接吃到电商、海报、自媒体封面这批最实际的需求。第二，大语言模型能力的提升，尤其是文本编码器对中文的理解大幅增强，让“文字渲染”这个瓶颈第一次被真正打开。图像模型不再只是把提示词翻译成画面，而是能理解“左对齐”“加粗”“一行放四个字”这种带排版语义的指令。第三，商业物料市场的需求太明确了，模板化出图、批量生成、风格统一这些要求，逼着模型必须往可控性和指令跟随方向走。

理解了这个背景，再去一个个拆技术点和选型，你就能明白为什么每个模型都在强调不同的事。

2. 共同的技术底座：扩散、DiT与文本理解

2.1 扩散模型：从噪声图里一步步“显影”

要理解这五个模型，绕不开它们共同的底子：扩散模型。你可以把扩散模型想象成一位从大理石里凿出人像的雕塑家，只不过它工作的方式相反——训练时它不断往真实图像上加噪声，直到图片完全变成雪花点；生成时它再从这个纯噪声出发，一步步“去噪”，把一块毫无结构的信息慢慢还原成清晰的画面。

早期扩散模型直接在高分辨率像素上做这个操作，代价是显存和算力消耗巨大。后来的潜在扩散模型（Latent Diffusion）把图像先用自编码器压缩到一个小得多的隐空间，在这个隐空间里完成去噪，再把结果解码回像素图。今天我们熟悉的这几个模型，本质都是在“压缩隐空间 + 去噪器 + 解码器”这个框架里做文章。

2.2 DiT：为什么Transformer接管了图像生成

如果你关注过FLUX.2或Qwen-Image的技术介绍，会发现它们都强调DiT，全称是Diffusion Transformer。早期扩散模型里去噪的主干网络是U-Net，卷积结构擅长捕捉局部纹理，但处理“全局关系”偏弱。Transformer结构不一样，它的自注意力机制天生适合建模长距离依赖——一组提示词里“主体是谁、背景在哪、文字放在哪个区域”，这些跨区域的语义关系，正是Transformer擅长的。

举个例子，生成一张“红色横幅悬在城市建筑上方，横幅上写着‘开业大吉’”。U-Net时代模型经常把横幅和建筑画成糊在一起的一片，而DiT架构能更干净地区分前景文字区、背景建筑区和光照关系，因为它建模的是“文字块和建筑轮廓之间如何互相影响”的整体布局。FLUX.2、Seedream、Qwen-Image、GLM-Image近几年都明确转到了DiT路线上，这也是行业相对公认的新基准。

2.3 文本编码器与中文对齐：看得懂“你”在说什么

很多人在比较模型时只看生成质量，忽略了文本编码器这个真正的分水岭。图像模型接收的不是你写的原始文字，而是经过文本编码器处理后的向量。如果这个编码器对中文理解得不够细，后面的一切都谈不上。

早期的Clip编码器对中文只支持到“词级”理解，遇到“把猫放在宇航员头盔里，头盔是透明的反射着地球”这种复合指令就容易丢信息。而如今这些模型的文本编码器背后，往往是一整套经过海量文本和图文对训练的语言模型。它能处理同音字、多义词、长定语，也能听懂“画面左侧”“背景虚化”“字体不要超过三行”这类带空间位置和排版含义的描述。中文对齐能力的差异，最终在出图时就会体现为：有人能稳定生成一张完整无错字的中文海报，有人每次都要抽几十次卡才能碰巧蒙对一次。

3. 逐个拆解：五个模型各打什么牌

3.1 FLUX.2：混合架构的“一体化工具体系”

FLUX.2最值得关注的设计思路，是把多个能力合并进一套统一的混合架构。它不是一个单纯“文生图”的模型，而是呈体系出现的工具族：有的成员负责文生图，有的负责图像编辑与重绘，有的负责深度控制，有的负责方向引导。换句话说，你既可以用它从零生成一张图，也可以拿一张现成的照片进行局部换装、改背景、按深度关系重绘，并且这些操作共享同一套底层模型。

这对创作者的体验提升非常明显。以前我们需要在文生图模型、图生图模型、深度控制模型之间来回切换，还要处理不同模型对同一张参考图的不同理解。FLUX.2把“生成”和“编辑”放在同一条生产线上，编辑时能继承生成时的风格与构图信息。它更适合那些追求精细控制和批量化工作流的人，比如游戏美术需要先定场景再微调光照，电商设计师需要把同一个模特图快速换到多个背景里。缺点是它对提示词的结构化程度要求更高，乱写一通很难发挥出这套架构的完整能力。

3.2 Seedream（即梦）：中文排版与指令跟随的稳准狠

Seedream就是“即梦”背后的核心图像生成模型。它在中文社区里口碑高，靠的是一件事：把中文文字渲染做到足够稳定。体验过的人都知道，让AI生成中文海报最大的痛点是错字和小字。英文有26个字母可以靠笔画组合蒙过去，中文字量大、结构复杂，少一横多一撇都会被一眼看穿。Seedream对中文小字号、笔画密集字形的处理是目前梯队里很扎实的。

另外它的排版能力值得单独说。生成带多行文字的海报时，它能较好地处理“主标题大字号、副标题小字号、底部还有一行说明文字”这种多层版式结构，而不是把所有字都糊在一个区域里。指令跟随方面，你告诉它“标题居中，背景留白多一点，整体偏复古报纸风”，它通常能在第一轮就给你一个接近预期的结果。所以电商物料、公众号封面、活动海报这类需求，Seedream很可能是一张安全牌。它的局限更多在极致的艺术风格探索和复杂光影控制上，写实照片级的质感有时不如专门的摄影向模型。

3.3 Qwen-Image：把大语言模型的文本理解优势搬进图像生成

Qwen-Image走的路子很有代表性，它把图像生成网络和多模态文本理解模型的优势结合到一起，底层采用多模态DiT加混合专家（MoE）的架构。混合专家的意思，是模型内部有很多“专家子网络”，每次生成时只激活其中一部分，而不是让全部参数都参与计算。这样既能保持大参数量带来的能力上限，又能控制实际推理成本。

在实际体验上，Qwen-Image的优势非常鲜明：第一，复杂长句的理解能力强，你给它一段带转折、让步、并列关系的描述，它依然能拼出一张合理的图；第二，中文长文本渲染出色，不是只会写两三个字，而是可以生成一段完整、断句正确、排版不乱的中文文案；第三，风格覆盖广，从水墨画、3D渲染到赛博朋克都能驾驭。它很适合“脑洞很大、描述很细”的用户——你愿意写长提示词，它就愿意还你一张信息量完整的画面。值得一提的是，它的图像编辑和局部重绘能力也被做进了同一套体系，很多团队已经拿它做批量素材生产。

3.4 GLM-Image：理解先行的生成模型

GLM-Image的核心思路，是把“视觉理解”和“图像生成”放在同一个脉络里考虑。大多数图像生成模型更像“照实翻译”，你说什么画什么；GLM-Image则试图先理解画面里的语义关系，再动手生成。训练时它大量使用了图文对齐数据，让模型知道“一只猫蹲在窗台上，窗外在下雨”不只是一个视觉场景，还包含“窗台”“下雨”“猫的位置关系”这些概念层的信息。

这种路线带来的好处是，它特别擅长处理带隐喻、双关和抽象概念的创意需求。比如你写“以‘孤独’为主题，画一个城市夜景里独自亮着灯的窗口”，它能理解“亮灯窗口”作为意象的用法，而不是机械地画满一墙窗户。对需要讲故事、做概念稿、画分镜场景的人来说，GLM-Image在“读懂题意”方面常有惊喜。它的弱项同样明显：如果提示词本身是干巴巴的物体堆砌，它的优势发挥不出来，而在某些极致的写实质感上，它会被更纯粹的大规模文生图模型比下去。

3.5 Z-image：中文场景的补位选手

Z-image是五款里资料最少、辨识度最低的一个。就目前我实测到的能力看，它的定位更像“中文精细控制补位”的角色，几个亮点都集中在别人做得不够好的地方。

首先是精细化中文排版，它对字间距、行距、字体大小变化这类细节的响应，能看出开发者是专门做了中文场景调优的。其次是局部控制，它支持对画面里某个区域做针对性修改，改一处不动全局，这个能力对修图工作流很实用。最后是风格统一性，用同一组参考图连续出多张图时，它的色调和笔触漂移相对可控。

我不建议把它当作主力模型，但如果你需要一个在中文排版和局部修改上比大模型更“听话”的选项，Z-image值得作为一个补充工具放进工具箱。它的主要局限是生态还不够完整，社区教程、第三方插件、API接入资料都相对少，真要落地到复杂生产流程里，需要自己多摸索。

4. 横向对照：关键能力逐项比

4.1 综合能力对照表

先把几个核心维度放在表里，再逐条解释。

中文短文本渲染这件事，Seedream、Qwen-Image和Z-image已经逼近“可以商用”的稳定度，生成几句完整的短句基本不会有错字；FLUX.2和GLM-Image也能写对，但复杂字形偶尔还会出现笔画粘连。到了长文本排版，差距就明显了，Seedream和Qwen-Image能处理多行、多字号、多对齐方式的结构，而FLUX.2的重心不完全在中文版式上，表现略逊。图像编辑这一项，FLUX.2凭借混合工具架构优势明显，Qwen-Image也做得不错，Seedream更偏向“生成海报”而非“修图”。

4.2 使用侧的实际差异

除了能力维度，使用侧的差异同样影响选型。部署方面，FLUX.2、Qwen-Image、GLM-Image都有较完整的模型权重和社区复现资料，本地跑的教程更好找；Seedream主要还是通过即梦平台使用，它把模型能力封装成了开箱即用的产品，省去部署麻烦；Z-image虽然公开资料不多，但胜在轻量，部分场景下可以较快适配到生产脚本里。

速度的话，MoE架构的Qwen-Image在保证画质的前提下推理成本控制得不错，FLUX.2的编辑类任务通常比从零生成更快，因为它只需要在已有画面的基础上做局部去噪。显存敏感型用户要留意，这几个模型如果完全本地跑，对显卡要求都不算低，超出显存容量时需要用离线分块或云端接口来缓解。

5. 选型思路与实操经验

5.1 按场景选型的决策路径

看完上面这些拆解，你应该能感受到：没有“最强模型”，只有“最适合某个场景”的模型。我的选型路径通常是四步：

第一步，先判断这次任务是“从零生成”还是“加工现有图”。需要大量从零生成创意素材，优先看Qwen-Image和GLM-Image；需要改图、换背景、局部重绘，优先看FLUX.2。第二步，判断画面里有没有大量中文文字。有中文海报、电商长图、书籍封面这类需求，Seedream和Z-image直接进候选；文字少或者纯英文，选择面就宽很多。第三步，看你对“理解题意”的要求，提示词里有隐喻、双关、叙事关系，GLM-Image的“先理解再生成”思路会让你省力。第四步，落到生产环境里，考虑部署成本、API稳定性、社区生态。生态越成熟，遇到问题越容易找到答案。

5.2 提示词与采样参数的通用建议

无论用哪个模型，有几条提示词和参数经验是通用的。

提示词结构，我建议按“画面主体 + 环境与背景 + 构图与镜头 + 风格与材质 + 文字内容与排版 + 质量词”的顺序写。比如“一个身穿白色厨师服的年轻人，站在开放式厨房操作台前，中景构图，暖色调灯光，电影感摄影，海报标题为‘深夜食堂’，标题居中偏上，字体为手写体，背景有朦胧的蒸汽感，4K高清”。这种结构化的写法，比一句“帮我画一个食堂海报”的成功率高好几倍。

参数上，采样步数在30到50之间通常足够，盲目调高到100以上收益很小；分类器自由引导强度（CFG/guidance）设置在3到7之间比较均衡，太高会让画面过饱和、细节发硬；分辨率方面，这几个模型大多支持1K甚至更高像素输出，但如果你计划后期放大，宁可先生成构图完整的小图，再用放大器处理，也不要一开始就强行拉高分辨率导致画面结构失衡。

5.3 三个常见翻车场景与修复思路

第一个翻车场景是中文错字。我的经验是，把长段文字拆成短句，并在提示词里明确每句话的位置和字号等级；不要一次性塞进一整段未断句的文字。如果错字顽固，可以改用局部重绘功能，把错字区域单独框出来重新生成，或者干脆把文字留空，后期手工排版叠加。第二种翻车是多人或复杂物体关系混乱，比如“两个人握手”变成“四只手扭在一起”。这时候降低单张图的信息密度，先分别生成人物和背景，再用图像编辑拼合，往往比硬抽卡更高效。第三种翻车是“提示词写得很丰富，生成结果却毫无重点”。原因通常是质量词堆砌过多，冲淡了主体信息。把“大师级、极致细节、8K、超清”这类词删掉一半，把主体描述前置，结果会干净得多。

6. 从实际生产角度看五款模型的取舍

文章最后，我不想再复述一遍对比结论，只聊一点个人体会。

我平时出图的习惯，是同时维护两套工具组合：一套偏稳定生产，Seedream和Qwen-Image负责中文物料和常规创意，它们让我不用每次都为文字渲染提心吊胆；另一套偏探索，FLUX.2负责图像编辑和控制力测试，GLM-Image负责需要理解语意的概念稿。Z-image更多是在遇到中文排版细节问题时拿出来做补刀。坦白说，这两年图像模型迭代太快，今天总结的“最强能力”过段时间可能就被下一代覆盖，但方法论不会变——先看文本理解是否够深，再看中文渲染是否够稳，最后才看编辑工具全不全面。照着这三条标准去选，哪怕明天出了一批新模型，你也能快速判断哪个值得上手。