五大AI图像生成模型对比：FLUX.2、Seedream、Z-image、Qwen-Image、GLM-Image选型与ComfyUI实战指南

1. 先把五个模型的身世说清楚：不是一路人就不会一路货

坦白说，这几年图像生成模型的更新速度快到让人有点麻木。还没把上一个玩明白，新名字又出来了。FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image，这五个名字放一起，乍一看都是"能生成图片的 AI 模型"，但实际上它们的技术路线、产品目标和适用场景差异非常大。搞清楚"它们为什么存在"，比背参数重要得多。

这篇文章写给三类人：一是刚入门的爱好者，想弄明白最近这些模型到底怎么回事；二是已经在用 ComfyUI 跑图，但搞不定新模型的部署和参数；三是设计师或做内容的朋友，想知道在真实项目里该优先用哪个。我会尽量用大白话把背景、原理、实测和坑都讲清楚，能直接上手那种。

1.1 FLUX.2：开源生态里的"旗舰迭代"

FLUX 这个名字在开源图像生成圈子里，基本属于天花板级别。第一代 FLUX 系列出来的时候，靠细节还原、复杂光影、文字渲染几个硬指标，把开源模型的水平一下子拉高了一大截。FLUX.2 就是这个系列的迭代版本，整体思路不是推倒重来，而是在 FLUX.1 的基础上继续做精度和可控性的增强。

我的理解是，FLUX.2 走的是"成熟架构 + 更高质量训练数据 + 更强文本跟随"这条路线。它能生成的分辨率更高，对复杂场景的布局能力也明显比前代稳。对普通用户来说，最直观的感受是：不需要写一大堆玄学提示词，简单一句描述也能得到规整的构图。这在以前是有点难想象的，早期的开源模型提示词写得稍微简单一点，画面基本就没法看。

所以在 ComfyUI 里，FLUX.2 的接入方式已经非常成熟，原生支持或通过社区节点都能跑。如果你之前用 FLUX 系列的工作流跑得顺手，升级到 FLUX.2 的成本很低，主要就是换模型文件、重新适应采样器参数这两件事。

1.2 Seedream（即梦）：产品体验驱动的图像模型

Seedream 这个名字有人觉得陌生，但如果你用过"即梦"这个产品，就很容易对上号。"即梦"是面向普通用户的产品名称，Seedream 是底层的图像生成模型。跟很多纯技术导向的模型不一样，Seedream 的核心目标不是刷分数，而是让普通人用它做出来的图"真的能用、真的好看"，所以它的训练和调优都围绕着"美感优先"来展开。

这种定位带来的直接好处，是出图的完成度普遍偏高。所谓完成度，就是画面不像半成品——色彩有搭配、主体有重点、光影不突兀，给人的第一印象就是"修过的图"。这一点对做社交媒体配图、活动海报初稿、电商素材、快速提案非常友好，几乎不需要二次后期处理。

不过它也有自己的边界。因为产品逻辑更偏向"直接可用"，对于非常规构图、超现实实验风格这类偏创作的玩法，Seedream 的自由度未必比得上 FLUX.2。说人话就是：Seedream 更像是帮你把活干完的工具，而 FLUX.2 更适合愿意慢慢折腾、追求极致画质的创作者。

1.3 Z-image：效率派路线的代表

Z-image 在这五个名字里相对新一些，但它有一个非常明确的方向——效率。尤其是社区里讨论度很高的 Turbo 版本，直接瞄准了"低步数出图"这个痛点。传统扩散模型生成一张图往往要 20 到 40 步，Z-image Turbo 可以在 4 到 8 步内完成，画质还能保持在一个相当能看的水平。

这类模型特别喜欢出现在批量出图、实时沟通、快速选图的工作流里。比如给商品图出几十个变体、给网站做备用封面、给团队快速拉一版概念草稿，Z-image 的速度优势就非常明显。它不需要你有一块旗舰级显卡，显存要求相对友好，跑起来飞快，社区里很多人拿它配 ComfyUI 做近实时生图，本质就是吃它的速度。

但老话说得好，甘蔗没有两头甜。效率优先的模型往往会在极限细节、极端光影处理上做妥协。Z-image 追求的是"够用且快"，而不是"慢工出细活"。所以我一般会把它放在"量产"环节，而不是"精品"环节。

1.4 Qwen-Image：语言模型思维的图像延伸

Qwen-Image 走的是另一条很不一样的路：把大语言模型对文本的理解能力，直接迁移到图像生成上。它跟传统"扩散模型 + 文本编码器"的组合相比，最大的区别在于对复杂指令的解析能力极强，尤其是"流程图""逻辑关系图""带标注的示意图"这类需要真正理解内容的场景。

我实测的感受是，你给它一句"画一个从 A 到 B 再到 C 的流程，步骤之间用圆角矩形框起来"，它真的能理解并生成相对合理的图表。这个能力在传统模型里非常罕见。传统模型的文本编码器主要负责"匹配"语义，"圆角矩形"这个词对它来说只是一个模糊的语义碎片，而 Qwen-Image 因为有多模态大模型底座，见过海量真实图表数据，它理解的是一个具体的视觉概念。

当然，作为图像生成模型，它在纯艺术性、光影质感这些维度上，跟专攻视觉质量的模型还是有差异。这个模型的定位更像是"理解 + 生成"的结合体，而不是纯粹的绘画工具。

1.5 GLM-Image：中文语义理解见长的选手

GLM-Image 和 Qwen-Image 有相似之处，同样受益于背后的大语言模型底座，中文语料的理解能力做得非常扎实。它的优势在于"用中文描述复杂画面"时，出图的贴合度明显高于大多数以英文为主训练的模型。

我自己和几个朋友交流下来，有个共同的感受：用 GLM-Image 做中国风题材特别顺手。不是因为它自带什么风格滤镜，而是叙事逻辑是通的。你说"江南水乡，傍晚，一个穿汉服的人坐在石桥上，旁边挂着灯笼"，它能抓住关键元素，而不是把汉服理解成和服、把灯笼画成南瓜灯。这种"语义不跑偏"的特质，在涉及文化细节、地域特征、传统物件时特别值钱。

GLM-Image 也已经在 ComfyUI 里有现成的接入方案。需要注意的一点是，它跟其他模型的加载方式不太一样，默认工作流不能直接套用 FLUX 那套节点结构，部署章节我会仔细说。

我一直觉得，理解模型的"出身"是选型的第一课。模型的能力边界，本质上是由它的发展目标和训练数据的分布决定的。你不可能让一个目标为"快速出图"的模型，去跟一个目标为"极致画质"的模型拼细节，也不该让一个以英文语料为主的模型，去硬扛中文成语式描述。把身世弄清楚，后面很多问题其实已经有了答案。

2. 听懂人话、看懂世界：五模型的技术底座到底差在哪

名字和定位聊完了，接下来聊聊背后那些真正决定成败的技术细节。这一节我会尽量不用太高深的术语，把"为什么同样一句提示词，不同模型出来的结果相差十万八千里"这件事讲明白。理解了这些底层机制，你就不会再去怪模型"笨"，而是知道怎么调整自己的用法去适配它。

2.1 扩散模型的基本盘与传统链路

先回忆一下扩散模型的基本逻辑：把一个清晰的图像逐步加噪声，直到变成纯噪声，然后训练模型学习如何一步步去噪还原图像。生成的时候，就是把推理过程反过来，从一张纯噪声图开始，一步步去噪，最后得到图像。这个过程在行业里叫反向扩散。

传统的文生图链路大概是这样的：

1. 输入一段文本提示词；
2. 文本编码器把提示词变成模型能理解的数字向量；
3. 扩散模型根据这个向量一步步去噪；
4. 最终输出图像。

这条链路里最关键的变量有三个：文本编码器的能力、扩散模型自身的结构、训练数据的质量。

FLUX.2、Seedream、Z-image 本质上都跑在这条传统链路上。那为什么效果天差地别？区别就在于这三个变量被各家调教得不一样。FLUX.2 用的大规模训练数据和高参数量的文本编码结构，让它对复杂描述的还原能力更强，尤其擅长光影和材质；Seedream 在训练时大量使用"符合常规审美"的样本，所以出图的第一眼印象就很"顺眼"；Z-image 则是在模型结构上做了简化和蒸馏，用更少的推理步骤到达漂亮的结果。

2.2 文本编码器：决定"听懂人话"的能力

如果让普通用户选一个最值得理解的技术概念，我觉得就是文本编码器。你可以把它想象成一位翻译官，专门负责把人类语言翻译成模型能懂的数字向量。翻译官的水平高不高，直接决定模型"听不听得懂人话"。

以英文语料为主的模型，理解英文提示词没什么问题，但一遇到中文就容易"漏译"。为什么？因为训练数据里中文的占比太低，很多中文词汇在向量空间里根本没有被充分学习过。结果就是"古风""仙侠""泼墨"这类词，模型只能大概猜个方向，画出来的东西自然容易跑偏。

Seedream、Qwen-Image、GLM-Image 这几个模型之所以在处理中文时优势明显，核心原因就是它们的文本编码器或多模态底座包含了大量高质量中文语料。它们理解"水墨画"不是靠生硬拼两个词，而是真的知道水墨画是什么形态、画面里通常有什么元素。这就是为什么用这些模型做中文内容，不需要刻意把描述改成英文。

2.3 分辨率与高分辨率生成：不是简单拉大尺寸

很多人有个误解，以为高分辨率生成就是把低分辨率图放大两倍。实际上，让扩散模型直接在 2048 甚至更高的分辨率下工作，是需要专门训练的。如果训练数据里没有足够多的高分辨率样本，强行加大输出分辨率就会产生重复纹理、结构崩塌这类问题，比如人脸扭曲、墙面花纹糊成一团。

FLUX.2 和 Seedream 在这一点上都做得比较到位。FLUX.2 可以在较高分辨率下保持细节的连贯性，Seedream 也有针对高清输出的专门优化。Z-image 虽然偏重速度，但它的基础版本也能覆盖常见的高分辨率需求，只是 Turbo 版本更侧重固定分辨率的快速生成。

Qwen-Image 和 GLM-Image 在分辨率上相对保守，它们把更多权重放在画面内容的逻辑正确性上，而不是极致的像素密度。所以如果你要做大尺寸印刷物料，我一般会优先考虑 FLUX.2 或 Seedream，而不是纯速度或纯理解类模型。

2.4 多模态对齐：模型如何"看懂"世界

最后再说一个比较前沿的概念——多模态对齐。传统图像模型只接收文本，但新一代模型开始直接学习"图像-文本"的联合特征。粗暴理解就是：模型见过足够多的"人、桥、河流"配对数据，所以当你说"一个人站在桥上"，它知道人站在桥面上、桥横跨河流、大概什么比例才合理。

Qwen-Image 和 GLM-Image 在这方面投入很大，因为它们背后有统一的多模态大模型。这种架构不只是为了生成图片，更是让模型真正做到"理解指令"。这也是它们能生成流程图、逻辑图的原因。传统模型的文本编码器不懂"圆角矩形"，但多模态模型真的看过大量圆角矩形的截图，学习过它的视觉特征。

这个差异是结构性的，不是靠堆算力就能弥补的。所以如果你要生成带文字标注的图，或者要严格遵循逻辑关系的图，多模态路线的模型明显更合适。选型的时候，这一点不得不提前想清楚。

3. 同题不同答：文字渲染、审美口径与可控性横向实测

理论讲完了，接下来来点实际的。这一章直接对比五个模型在几个核心维度上的表现，包括文字渲染、审美取向和可控性。为了避免空泛的形容词，我会尽量用具体的实感来描述，方便你对号入座。

3.1 文字渲染：中文和英文的差距到底在哪

图像模型里的"文字渲染"，指的是在图片里出现文字内容时，能不能把字写对、写好。举个例子，你要做一张活动海报，希望正中间出现"夏日特惠"四个大字，那么模型能不能准确把笔画画出来，就是文字渲染能力的问题。

具体对比下来，FLUX.2 的英文文字渲染表现很强，无论单词拼写还是字体风格都相当可靠。这主要得益于训练数据里有海量带英文文字的图像。但它的中文文字渲染就不太稳定，经常出现笔画错误、缺胳膊少腿的情况。这不是 FLUX.2 不行，而是中文文字在图像训练数据里的统计占比确实偏低，是个数据分布问题，不是模型态度问题。

Seedream 因为面向中文用户，对中文文字渲染做了针对性优化。我用它生成海报标题文字时，字形的准确性明显比 FLUX.2 高一截。当然，要做到专业设计软件那种完美的排版效果还是不现实，但至少"字是对的、能读的、不是鬼画符"，这在大量业务场景里已经够用了。

Qwen-Image 和 GLM-Image 在中文文字生成上各有各的处理方法。我的感觉是它们更注重文字和画面的融合度——字不一定像文字排版那样标准，但会贴合整体画风，不会让人觉得是后期硬贴上去的。Z-image 的文字渲染我没有测特别复杂的场景，它的强项在速度，文字表现中规中矩，够日常使用但不是主打卖点。

3.2 审美取向：谁更适合商业交付，谁更适合创意探索

审美这东西虽然主观，但可以通过一个比较客观的尺度来衡量：模型"默认审美"的完成度高不高，也就是说不加额外描述时，出图第一眼像不像一张正经作品。

Seedream 的默认出图完成度确实是五个模型里最高的。随手给一句提示词，出来的图大概率像一张修好的摄影作品或设计稿：色彩和谐、构图完整、主体清楚。这个特性对商业素材的快速产出非常有利，因为不需要再做大量后期挽救。

FLUX.2 的默认审美更偏向"技术正确"：光影物理正确、材质细节到位，但构图有时候会比较"老实"，缺少一点设计和人味。它的上限很高，通过精心设计提示词可以做出非常有质感的作品，但保底下限不一定比 Seedream 高。Z-image 的默认风格偏"干净清晰"，没有太强的滤镜感，很适合做产品图这类需要中立视觉的内容。

Qwen-Image 和 GLM-Image 因为更注重理解，默认出图往往"内容丰富但审美中性"，不会特别惊艳但也不会跑偏。如果要做风格化很强的输出，建议加上风格参考图或非常具体的风格描述词，把审美方向明确指给它们。

3.3 可控性：构图、风格参考与编辑能力

可控性是我自己的选型标准里非常看重的一项。生成式 AI 最大的痛点就是不听话，模型能不能按照指定构图、指对关系，决定了它能不能真正进到生产流程。

从构图控制来看，FLUX.2 在复杂场景的布局合理性上表现最好，即使指定了多个主体，也基本能维持正确的空间关系，不会把人和物画得叠在一起。Seedream 在语义控制上很稳，你说什么就是什么，很少出现"画了一个没有提到的东西"这种失控现象。Z-image 的优势在于迭代快，一张不行马上换参数重出，这在某种程度上也是一种可控性——试错成本够低。

Qwen-Image 和 GLM-Image 的强项是对"关系"的控制。你要求"左边的标签写 A，右边的框是 B，箭头从 A 指向 B"，这两个模型明显更能理解并执行。如果要做示意图、架构图、流程图，它们几乎是现阶段最合适的模型，这点我要给它们竖大拇指。

至于参考图控制，也就是拿一张图片来指定风格或内容，FLUX.2 和 Seedream 的社区工作流都比较成熟，支持通过各种插件或专属节点引入参考信息。Z-image 因为生态还在建设中，插件丰富度稍弱。Qwen-Image 和 GLM-Image 则更依赖官方工作流，第三方控制能力还需要社区持续补全。

4. 在 ComfyUI 里跑通全线：环境、节点与显存实测记录

理论对比再多，最终都要落到"能不能在自己机器上跑起来"这件事。这一章我记录一下最近在 ComfyUI 里部署和实测几个模型的完整过程，包括踩过的坑。有的坑真的让我翻了不少社区帖子才找到答案，写出来帮大家省点时间。

4.1 环境准备：Python、CUDA 和 ComfyUI 版本的小讲究

先说基础环境。我用的系统是常见的 Ubuntu 20.04，Python 自带的版本可能是 3.8。这个版本对很多新模型来说已经不够用了。FLUX.2、Qwen-Image 这些新模型，基本都要求 Python 3.10 以上，依赖库也需要新版，比如 PyTorch 2.x 系列。所以我强烈建议新建一个虚拟环境，单独装一个 Python 3.10 或 3.11，再把 PyTorch 装成最新版，尽量避免系统和模型的依赖之间互相打架。

我遇到的第一个坑，就是 PyTorch 版本和 CUDA 版本不匹配。跑 Qwen-Image 相关的自定义节点时，爆出一串 CUDA 报错，当时以为是显卡驱动问题，折腾了很久才发现是 PyTorch 版本太旧。把 PyTorch 升到新模型需求匹配的版本（推荐 2.1 以上）之后，问题立刻解决。这个经验值得记住：新模型报 CUDA 错误时，先检查 PyTorch 版本，别急着怀疑硬件。

4.2 Qwen-Image 在 ComfyUI 中的节点配置

Qwen-Image 的接入，目前主要通过社区提供的自定义节点包完成。你需要把它装到 ComfyUI 的 custom_nodes 目录下，然后用模型管理器下载对应权重。

我推荐按这个顺序来：

1. 安装对应的自定义节点，地址可以从 ComfyUI 管理器里搜索到；
2. 通过模型管理器下载 Qwen-Image 的模型权重，注意选择和你 ComfyUI 版本匹配的文件；
3. 重启 ComfyUI，新建工作流，找到 Qwen-Image 专用的加载器节点；
4. 注意保持模型自带的提示词结构，不要用旧版 CLIP 节点硬加载；
5. 设置采样器参数。我实测的起点是步数 20、CFG 值 4 左右，整体比较稳。

这里我想单独提一下 Qwen-Image 2.1 版本。新版本的工作流结构有变化，如果你在 Ubuntu 20.04 上按照 2.0 的老教程操作，大概率会报节点不兼容。建议直接导入官方或社区分享的 2.1 示例工作流 JSON，把模型路径和输出路径改成自己的，先跑一张测试图确认链路通了，再往里面加东西。

4.3 Z-image Turbo 版本的加载与加速

Z-image Turbo 的玩法和普通扩散模型不一样。Turbo 对标的是轻量快速推理，通常用很低的 CFG 和步数就能跑，很多人第一次接触时完全不适应。

我实测中用的参数是：步数 4，CFG 1.0 或直接关闭 CFG。Turbo 模型本身已经做过蒸馏处理，不需要靠引导缩放来保证质量。很多人习惯性把 CFG 调到 7、步数调到 30，结果画质不但没有变好，反而出现了奇怪的过曝和伪影，速度也慢了一大截。这是一个非常经典的理解误区。

如果你在部署 Z-image Turbo 时拿到的是社区打包的资源包，建议优先使用包里的官方工作流文件，不要自己从头搭建节点。官方工作流里的参数都是作者实测过的，复现出来的速度和效果最接近教程展示的样子。自己手动搭节点很容易漏掉某个关键参数，导致怎么跑都不对。

4.4 显存占用与生成速度的实测数据

我在两张显卡上分别测了数据，一张是 12GB 显存，一张是 24GB 显存，结果整理成表格供参考。这只是我的测试环境数据，不代表出厂标准，但至少能给你一个选卡和调参的参照系。

需要特别注意，显存占用跟输出分辨率、模型量化精度都有关系。如果你的 12GB 显卡跑 FLUX.2 爆显存，可以尝试开显存管理，或者先在低分辨率出图，再用放大工作流补细节。这个方法在很多显存不足的机器上都验证过，可以解决大部分爆显存问题。

至于 Ubuntu 20.04 系统下的其余常见坑，我总结一下大概是：依赖库版本太低导致节点加载失败，Python 版本和节点要求不匹配，模型路径配置错误导致找不到权重文件。这些问题都出现在新节点的支持脚本上，和模型本身关系不大。建议装任何新节点之前，先看一眼它的依赖要求和 Python 版本声明，别装了就以为万事大吉。

5. 提示词得顺着脾气来：五个模型的调优路子

跑通部署只是第一步，真正拉开产出效率的，是提示词和工作流设计。每个模型都有自己的"脾气"，摸清楚规律以后，效率翻倍不是夸张。这一章讲的全是我实测出来的心得，不是社区复制粘贴来的。

5.1 中文提示词与英文提示词的实际差异

之前提到过，模型训练语料决定了提示词的最优语言。这里展开说说实操感受。

FLUX.2 对英文提示词的支持非常成熟。我的经验是，用一段结构完整的英文描述，比用中文准确率明显更高。描述句式集中在"主体 + 环境 + 光线 + 镜头 + 风格"这个结构上。比如"a young woman standing beside a wooden bridge, golden sunset, warm lighting, cinematic composition"这类写法，出来的图就比较听话。反观用中文写，也不是不能用，但理解准确度会打折扣。

Seedream 则对中文完全友好，可以直接用日常口语描述，不需要刻意翻译成英文。因为它的训练数据里中文比例足够高，反而有些英文描述它理解得没有中文到位。这一点很有意思，其他模型大多数是英文优先，Seedream 是少数中文反而更顺手的模型。

Qwen-Image 和 GLM-Image 也一样可以直接用中文，尤其适合多要素描述："左边有一个蓝色按钮，右边有一个黄色进度条，中间写着加载中，背景是浅灰色"。这种结构化中文描述，传统模型基本处理不了，但它们能听懂。Z-image 比较中性，中英文都能用，但用英文更稳妥，毕竟它的训练语料还是英文占大头。

5.2 流程图与逻辑图场景的提示词构造

最近特别多人问"流程图用哪个模型好"。我实测下来，Qwen-Image 和 GLM-Image 是最稳的选择，但前提是提示词要写成"需求文档"的样子，而不是艺术描述。

我的经验分三步走：

1. 先描述整体结构："一个从上到下的流程图，包含三个横向层级"；
2. 再描述每个节点的内容和样式："第一层有一个输入框，内部文字是 A，颜色是蓝色"；
3. 最后描述连接关系："输入框向下连接一个判断菱形，判断条件为 B，是则向右进入结束框，否则返回输入框"。

看到了吗，这不是艺术描述，这是逻辑描述。这类模型能完成这个任务，是因为它们真的理解"判断菱形""连接关系"这些概念，而不是把关键词机械堆到一起。你如果拿同样的话去问 FLUX.2，它大概会给你画出一个漂亮的菱形，但关系可能完全不对，这就是路线差异的外在表现。

5.3 批量生成与质量控制的工作流技巧

批量生成是另一个大坑。单张质量高不代表批量稳定，很多人一跑批量就发现风格飘忽不定，主要原因就是没有控制种子。

在 ComfyUI 里，种子就是随机噪声的起始点。如果你要生成一批风格统一的图，有个很实用的办法：把每张图的 seed 固定为一个基准值，通过微调提示词里的修饰词来制造变化。这样画面的整体风格一致性会明显更好。如果每张图都用完全随机的种子，批量结果就像抽卡，风格千奇百怪，后期挑图成本特别高。

另外，负面提示词怎么写，也跟模型有关。FLUX.2 对负面提示词比较敏感，你写清楚"不要模糊、不要低质量、不要多余的手臂"，效果立竿见影。但 Turbo 模型因为本身管线已经精简过，负面提示词的作用会明显减弱。所以在 Z-image Turbo 里，我不建议把负面提示词当救命稻草，更有效的做法是把正面描述写准确，让模型从一开始就往对的方向走。

最后分享一个工作流小技巧：正式批量之前，先花 10 分钟跑 3 到 5 张"探路图"，确认提示词和参数输出稳定，再铺开批次。很多人一上来就批量 100 张，结果模型风格不对，时间全部浪费。探路图虽然占用几分钟，但能帮你避免一次大翻车，这个账怎么算都值。

6. 选型不是选"最好"，是选"最省事"：需求匹配与组合用法

用了这么多个模型之后，我最大的体会是：不存在一个万能模型，只存在一个最适合你当前任务的模型。选型的核心，从来不是比较谁的参数更高、谁的名气更大，而是弄清楚你的任务到底需要什么。

6.1 不同需求场景的推荐模型

我把常见的使用场景整理成一张决策表，可以直接照着选：

这个表只是一个起点，每个人的实际任务都会有差异。但大方向是清楚的：如果你追求极致画面，往 FLUX.2 走；如果你要快速交付中文商业内容，Seedream 最省心；如果你要批量效率和速度，Z-image 是性价比之王；如果你要理解型的图表和流程，Qwen-Image、GLM-Image 才是正解。

6.2 组合使用：让模型各干各的活

在实际项目里，我很少只用单一模型。多个模型组合使用，效果比锁死一个模型好得多。我自己的习惯是：用 Qwen-Image 做概念图和逻辑图，用 FLUX.2 做高质量画面精修，用 Seedream 做快速出图讨论。

组合的玩法也很简单，不需要什么复杂的自动化。先用速度快的模型（比如 Z-image Turbo 或 Seedream）生成一批草图，快速过几轮确定构图方向，然后挑出最满意的一张，把它的描述词整理好，丢给 FLUX.2 精出。精出阶段可以根据需要加高清放大和细节修复节点。这套流程手动操作两步就能完成，效率已经很高了。

再进阶一点的玩法，是在 ComfyUI 里搭建多模型切换的工作流，用切换节点在不同模型的加载器之间切换，一次搭建，后面都是点点点的事。不过这个属于进阶话题，先把单模型跑扎实了再折腾也不迟。

最后再分享一点自己的切身体会：做模型选型不要贪多。把主要任务类型确定下来，选一个主模型，先把工作流跑顺，再慢慢摸清它的边界。比每一次换新模型都从零折腾一遍要靠谱得多。毕竟工具是拿来干活的，不是拿来收藏的。