1. 先读懂这五个名字背后的江湖

1.1 五款模型的定位一句话

如今的AI绘图已经不再是你耳熟能详的那几个名字了。一两年前大家还用Midjourney、SD WebUI，现在开源社区和国内大厂的实际主力名单里，FLUX.2、Seedream、Z-image、Qwen-Image、GLM-Image这五个词出镜率极高。你可以把它们理解成五个各有偏科特长的新同学，而不是五碗差不多的饭。

先给还没上车的朋友一句话定位：FLUX.2是德国Black Forest Labs开源生态里的全能选手，英文理解、细节精度、风格控制都很能打；Seedream（即梦）是字节跳动的中文图像模型，海报成品感和中文排版能力天生强；Z-image来自阿里，主打效率，自带turbo版本，出图快，但base版本藏着不少坑；Qwen-Image同样是阿里的开源力作，最大的特点是文本理解长、多模态输入强，能把一整段电商文案塞进提示词里；GLM-Image来自智谱，中文字体渲染和局部重绘能力是它的杀手锏。

如果你只是随手玩玩，打开任何一个都能出图；如果你想搭建自己的生产力工作流、想把模型接到ComfyUI、想用OpenVINO在CPU上跑、想搞清楚为什么某个版本生成的是黑图，那么这几个模型背后的架构差异、权重格式、节点适配逻辑，才是你真正需要理解的东西。这篇文章就从这些"核心基础知识"开始讲，尽量不说废话。

1.2 为什么中文语义理解成了分水岭

细心的朋友应该发现了，这五个模型里有四个是国内团队做的，且都在强调"中文理解"。这不是情怀，而是非常实际的商业化需求：国内用户画海报、做电商图、生成社交媒体配图，提示词里最常出现的其实是中文长句，比如"一个穿着汉服的女孩站在古镇桥头，手里拿着孔明灯，背景是暖色调的灯笼街"。这类描述里包含主体、动作、空间关系、氛围、色彩倾向，模型能不能一次性全部理解到位，直接就决定了成品能不能用。

早期开源的Stable Diffusion系列模型，基本是基于英文数据训练的，中文提示词要么被翻译成英文再理解，要么直接当成乱码处理，出图质量全靠运气。而这五个新模型普遍采用了大语言模型作为文本编码器，比如Qwen-Image直接用了Qwen系列的文本编码器，GLM-Image背后也有完整的GLM语言理解链路。这意味着模型不仅看得懂中文语序，还能理解"虽然……但是……"这种转折逻辑，甚至能读懂提示词里带否定含义的部分。这是近一两年中文AI绘图最大的底层进步，也是你选型时必须考虑的第一维指标。

还有一个隐藏变化是中文文字渲染能力的提升。过去让AI生成一张带中文标题的Banner，十有八九会出现乱码、错字、笔画扭曲。现在Seedream、GLM-Image这类模型，已经能在画面里稳定生成正确的中文字体，甚至能排出一段有设计感的文案。这背后是训练阶段专门加入了大量中文视觉文本数据，而不是简单地把中文当成普通图像内容。理解了这一点，你就明白为什么某些模型更适合做海报，某些模型更适合做概念图。

1.3 你该用哪个：先按场景选，再按设备选

选型这件事没有标准答案，但有一个非常实用的筛选顺序。第一步看你的应用场景：做电商主图和中文海报，优先考虑Seedream和GLM-Image；做英文概念设计、艺术插画、写实摄影，FLUX.2是目前的可靠选择；做批量生成、实时迭代、速度敏感的流程，Z-image turbo会舒服很多；需要把参考图、手绘草图一起丢给模型做二次生成，Qwen-Image更合适，因为它的多模态输入支持更完善。

第二步看你的硬件。FLUX.2完整版在ComfyUI里跑一张1024级别图片，哪怕用FP8量化，8GB显存也会比较紧张；Z-image turbo则被很多玩家当成"低配救星"，在6GB显存的卡上也能用较少步数跑出像样结果；Qwen-Image如果配上OpenVINO，甚至在纯CPU环境下也能慢工出细活。我在实际体验中的建议是：先把你手里的显卡显存报出来，再倒推能跑的模型范围和量化等级，这比先选模型再换显卡要省钱得多。

2. 这些模型都绕不开的几个基础概念

2.1 扩散模型与流匹配：从"擦除噪声"说起

不管哪个模型，底层生成逻辑都能用一句话解释：把一张纯噪声图，通过多步去噪，逐步变成有意义的图像。这就像你在一张被墨汁污染的白纸上，一点一点擦去污渍，最后显现出一幅画。早期SD用的叫去噪扩散概率模型（DDPM），每步训练模型预测噪声，再反过来还原图像；而FLUX.2、Z-image、Qwen-Image这类新模型，很多采用了流匹配（Flow Matching）的路线。

流匹配和传统扩散的区别可以这样理解：传统扩散像是把"干净图"往"噪声图"方向随机倒着走，模型要学的是每步倒走的斜率；流匹配则更像是直接从起点到终点画了一条直线，模型学习的是整条直线上的运动方向和速度。好处是采样步数少，理论上几步就能收敛，配合蒸馏过的turbo版本，出图速度可以做到类实时。这也是Z-image turbo这类模型敢说"一到四步出图"的原因。

但流匹配路线有一个常见的副作用：模型对采样器参数更敏感。你在老SD上习惯用的Euler a、DPM++ 2M，在流匹配模型上未必效果最好。很多新玩家把FLUX.2或者Z-image第一次跑出黑图或者灰蒙蒙的图，往往不是模型坏了，而是采样器没选对。后面实操章节我会详细说怎么排查。

2.2 文本编码器、VAE、采样器分别干什么

一整条文生图链路可以拆成四个环节：文本编码器把提示词变成向量，图像生成模型负责把向量变成隐空间特征，VAE把隐空间特征解码成真实像素图，采样器则控制去噪过程的步数和策略。这四个环节在ComfyUI里分别对应不同的节点，任何一个节点配置错误，都会导致最终结果翻车。

先说文本编码器。FLUX.2用了双编码器架构，把OpenCLIP的文本编码器和T5系列的编码器结合起来，所以它对长提示词的理解能力比单编码器的SD模型明显更强。Seedream和GLM-Image国产模型则侧重大语言模型编码，中文理解更强。但要注意，这类编码器通常较大，加载占用的显存可能高达2到4GB，这也是为什么同一个模型在不同设备上表现差异很大的原因之一。

再说VAE。这个词你在很多教程里见过，但未必清楚它为什么重要。简单说，扩散模型生成的不是像素图，而是一个很小的特征图，必须经过VAE才能还原成图片。FLUX.2自带专用VAE，Z-image也有自己训练好的VAE，这些都不能随便拿SDXL的VAE替代。很多"生成出来是灰的/黑的"的问题，根源就是VAE加载错误或缺失。最后是采样器，它控制的是从噪声到图像的速度与轨迹。Z-image turbo这类蒸馏模型，建议直接按照官方推荐的采样器和步数跑，不要一上来就换你自己熟悉的采样器。

2.3 常见量化与加速方案：Turbo、OpenVINO、FP8

大家讨论这些模型时，经常会看到几个后缀：turbo、distilled、fp8、openvino、gguf。这些词本质上都跟"如何让大模型跑得更快"有关，但切入点不同。turbo和distilled是模型层面的压缩，通过蒸馏把原来需要二十到五十步的去噪过程缩短到一到八步，训练出来的模型权重本身就变了，比如Z-image turbo；FP8是权重精度层面的压缩，把原本用FP16存储的权重压缩到8位，牺牲少量精度换取显存减半和推理加速，目前几个主流模型的ComfyUI版本都有FP8选项；OpenVINO是Intel的推理加速框架，可以把模型转换成中间表示（IR）格式，在CPU或Intel显卡上获得额外加速，这也是Qwen-Image在无独显环境下依然能跑的秘密。

使用加速方案一定要分清层次。如果你直接加载官方FP16的模型文件，然后想用OpenVINO加速，必须先把模型转换成OpenVINO格式，而不是拿原版权重硬顶。同理，turbo模型通常不能直接套用原版的CFG（提示词引导强度）参数，否则画面容易过曝或发灰。这些细节看似琐碎，实际上决定了你出图的成功率，尤其是当你下载的模型文件来自第三方网盘时，很容易加载到半兼容的混合权重，然后莫名其妙翻车。

2.4 说人话的大白话总结

如果你只需要记住一段话，那就是：别再把这些模型当成一个神秘黑盒。文本编码器决定模型"看不看得懂你的话"，生成模型决定"画什么风格的内容"，VAE负责"把隐空间还原成图片"，采样器决定"用几步走完这个过程"。新模型之间的核心差异，不在于界面，而在于这几个组件的组合方式。国产新模型普遍在文本编码器上做了中文强化，FLUX.2则在生成模型本身的细节表现力上保持了领先。后面我详细拆解每个模型时，你会对这句话有更体感的认识。

3. 逐个拆解：五个模型的核心差异与适用场景

3.1 FLUX.2：开源生态里的"全能尖子生"

FLUX系列从初代开始就走的是"细节拉满"的路线。FLUX.2在此基础上的进化点，我实测下来最明显的是对复杂光影和材质质感的控制更稳定了，人物皮肤纹理、金属反光、透明物体的折射，这些在SD时代容易翻车的地方，FLUX.2能给出相当细腻的结果。同时它对提示词里的空间关系理解更好，多人物场景不会出现肢体粘连这种尴尬问题。

如果你走ComfyUI路线，FLUX.2的常见加载方式是直接加载fp8版本的checkpoint，配合它专属的VAE和文本编码器。它的出图分辨率底子较高，即使是1024级别也能保持不错的细节密度。如果想加速，可以用官方蒸馏过的schnell或者turbo变体，步数可以压到四到八步，但画风会偏"速写感"，艺术性稍微低于原版。我的经验是，追求成品质量用完整版加较高步数，追求批量预演用蒸馏版，两者搭配使用效率最高。

FLUX.2的缺点是显存占用高，权重文件大，而且对中文提示词的理解不如国产模型直白。我在实际使用中习惯用英文关键词喂它，中文描述先自己在脑内翻译一遍，效果会稳定不少。这不是说它完全看不懂中文，只是细节准确率还有差距，属于可以容忍但需要注意的短板。

3.2 Seedream（即梦）：中文商用的老牌选手

Seedream是字节即梦背后的图像生成底座，这几年更新节奏很快，目前已经迭代到较新的版本。它最大的优势之一是"成品感"。同样一句"星空下的露营帐篷，帐篷里透出暖光"，Seedream出的图构图完整、光线自然，几乎不需要二次裁剪就能直接当配图用。这一点对非专业用户很友好，因为很多时候我们写提示词并不精准，Seedream会主动帮你补全构图逻辑。

另一个强项是中文文字渲染。我用它生成过带有"周末集市"标题的海报，四个字排布合理、没有错笔，这在两年前是难以想象的。它很适合电商场景，比如给商品生成背景图、给公众号生成头图、给线下活动生成宣传物料。开发者在接入时有两种路径：一种是直接使用官方API，适合做产品功能；另一种是把模型权重部署到本地，适合对数据隐私和成本有要求的团队。本地部署时需要注意，Seedream的模型格式和SD生态不完全互通，别指望直接套用老工作流。

选型建议是：如果主要用途是中文视觉物料，Seedream可以当作第一候选。不过它的风格偏向"精致商业感"，如果追求更浓烈的艺术个性，可能需要配合后期处理或者换用其他模型生成底色再合成。

3.3 Z-image：阿里开源的效率派，但不能不看黑底

Z-image是阿里妈妈团队开源的一系列图像生成模型，主打的是高质量中文理解与高效推理。其中turbo版本在少步数生成上表现非常突出，我用ComfyUI本地跑，四步就能出一张不糊的图。这里要特别提醒第一次接触Z-image的朋友，它的base版本很容易出黑图，尤其在Windows下用老版ComfyUI核心加载时，很多人刚下载完跑一次直接就劝退了。

黑图问题我在后面的排查章节会展开讲，这里先给结论：绝大多数情况下是VAE没加载对或者权重文件不完整。Z-image的base模型是流匹配架构，配置里对VAE和文本编码器的依赖比较严格，不能拿SD的VAE去凑合。正确加载时，它对中文提示词的理解属于第一梯队，特别是在"生成带中文文字的Logo"这个场景上，完整体验明显优于FLUX.2。

Z-image turbo的另一个典型用途是批量生成：因为步数少、单张耗时低，你可以在电脑空闲时挂一批任务，短时间内产出几十张候选图，再人工挑选。它的一个特色是支持以图生图，提供参考图之后，风格迁移的能力也很在线。需要注意它的turbo模型最好不要在原版base的采样配置下运行，否则容易出现噪点明显的画面，具体参数后面列表会给出。

3.4 Qwen-Image：长文本+多模态理解的双修选手

Qwen-Image是阿里通义实验室开源的多模态图像生成模型，也是这五个里面对"长文本理解"最没有压力的一个。别人还在一句话描述时，它已经可以接受一段商品卖点描述、一张参考图和一个构图要求，然后综合所有信息生成最终图。文本编码器复用Qwen大语言模型的能力，意味着你可以写非常长的、带有逻辑结构的提示词，它都能抓住重点。

在ComfyUI里集成Qwen-Image，社区已经比较成熟。它的工作流可以同时输入图像和文本，非常适合做"参考图+修改意见"的迭代式创作。比如你有一张产品白底图，提示词说"保留产品形态，换成浅蓝色背景，在右上角添加一个皇冠图标，整体风格偏轻奢"，Qwen-Image能把这类指令完整执行。这个能力对应到实际工作中，就是设计师出稿效率的大幅提升。

Qwen-Image在CPU上配合OpenVINO跑也很值得一说。我在没有独显的Linux机器上试过，转成OpenVINO格式后，一张512级别的图大约一两分钟内能出来，虽然慢，但不依赖显卡，对于一些实验室和办公电脑完全够用。当然，如果手上有N卡，直接跑ComfyUI的GPU版本会更流畅。它的缺点是权重文件体积较大，多模态理解和图像生成同时进行导致显存占用偏高，老显卡需要注意控制分辨率。

3.5 GLM-Image：中文字体和重绘能力值得一试

GLM-Image是智谱AI推出的开源图像生成模型。它最让我惊喜的一点是，中文字体的渲染能力非常扎实，生成的标题字笔画清晰，几乎不输Seedream。此外，它在局部重绘场景表现不错，你可以在ComfyUI里拉一个遮罩，指定"只重绘领带区域，换成红色波点"，它能保持周围服饰风格不变，只更新目标区域。这对服装设计、配饰方案预览这类需求非常实用。

GLM-Image的架构理念同样是用大语言模型做文本编码，所以长提示词、中文否定表达它都能理解。比如你写"不要出现窗户，白天光线，极简风"，它能正确处理"不要"这个否定词，不会把窗户画出来。这在很多模型里是一个令人头疼的难题。

它适合的用户群是：需要大量中文物料、对字体准确率要求高的电商设计与新媒体运营；以及在有限硬件条件下希望获得稳定中文理解能力的个人用户。如果硬要说不足，风格多样性比FLUX.2稍弱，过于复杂的场景构图偶尔会显得中规中矩，但它和Seedream一样，属于"出图就能用"的实用派。

4. 实操踩坑实录：把这些坑提前替你踩了

4.1 Z-image base 出黑图的五个排查方向

Z-image base生成黑图，是我在社区里看到最多的求助帖，我自己也中过招。第一次跑出来的图全黑，我差点以为是显卡坏了。后来系统排查，发现主要有五个原因。

第一，VAE加载错误。Z-image自带专门的VAE文件，如果你工作流里默认连的是SD的VAE或者干脆没接VAE，解码阶段输出的就是一坨黑色或灰色的图像。第二，权重文件不完整。现在很多模型通过网盘分发，分卷压缩包在下载过程中很容易丢数据，但解压软件不一定报错，模型加载时却会产生无声的失败。第三，运行环境精度问题。Z-image base强制要求bf16精度，如果你设备不支持bf16而ComfyUI自动回退到fp16，采样过程中数值溢出，最终输出就是全黑。第四，采样器配置不对。流匹配模型用老式采样器跑错步数，也可能出现黑色结果，尤其是CFG值设置过高。第五，ComfyUI核心版本太老，缺少新节点导致张量形状对不上，某些模块没有真正执行。

在动手改代码前，我建议先按下面顺序排查：确认模型下载文件的大小和哈希值是否正确；确认工作流中VAE是否挂载为Z-image官方VAE；确认启动参数里没有强制fp16；换用官方推荐的采样器和步数；最后升级ComfyUI核心。

提示：判断VAE是否加载正常，最简单的方法是单独加载一张真实图片，通过VAE编码再解码，如果输出与原图差异巨大，说明VAE有问题。

4.2 ComfyUI里接Qwen-Image的流程图和节点配置

Qwen-Image接入ComfyUI，流程比普通SD模型多一个环节。你需要先安装专门的支持节点，比如ComfyUI-QwenImage插件，然后加载三件套：Qwen-Image模型主文件、对应的文本编码器、VAE。如果这些文件名不匹配，加载器会报错。流程图大体上是：加载器输出模型、CLIP和VAE，CLIP文本编码节点负责把提示词编码成条件向量，采样器节点里把正面条件、负面条件和模型连接起来，采样完成后用VAE解码节点还原图像，最后接保存图像节点。

关键参数方面，Qwen-Image对正面提示词和负面提示词的处理与SD略有区别。负面提示词在Qwen-Image里的作用依然存在，但权重相对较弱，你能做的还是尽量把不要的内容用正面逻辑表达，比如写"纯色背景，没有文字，没有额外物体"。分辨率设置建议使用它所支持的原始分辨率倍数。如果玩以图生图，工作流里还要加一个加载图像节点，并把它连到采样器的参考图像输入口，而不是简单地在提示词里贴图。

实测下来，最影响Qwen-Image生成质量的是CFG和步数。CFG在3到5之间画面比较稳，步数二十到三十步足够。步数不是越多越好，超过四十步可能会让画面发灰。如果你发现生成结果纹理过重或者有噪点，优先降低CFG到2左右测试。

4.3 Ubuntu20.04上部署Qwen-Image 2.1的环境问题

如果你在Ubuntu20.04上跟我一样折腾过Qwen-Image 2.1，应该知道最大的疼痛来源不是模型本身，而是底层环境。Ubuntu20.04自带的Python版本通常是3.8，而新的PyTorch、diffusers和相关依赖经常要求Python3.10以上。如果直接硬装，很容易出现依赖冲突。

我建议在部署时按这几个步骤来。先将系统自带的Python独立出虚拟环境，用miniconda或者venv创建一个Python3.10环境，避开系统级别的库污染。然后安装PyTorch时，一定要根据你的显卡选择对应CUDA版本的安装命令，不要默认装CPU版本，否则后面推理慢到你怀疑人生。接着安装diffusers、transformers、accelerate，以及Qwen-Image官方仓库要求的其他组件。

很多人在这一步突然栽跟头：某些包要求C++编译环境，Ubuntu20.04如果缺少build-essential或者编译工具版本太老，安装过程中会报错。解决方法是提前装好build-essential、cmake，以及新版的gcc。如果你要用OpenVINO，还需要额外安装openvino和openvino-genai，并且手动转换模型格式。整个过程中请随时盯着终端日志里的error，绝大多数问题都能在Stack Overflow上找到对应解法。

4.4 大模型文件分发：下载、校验、归档

模型文件动辄几个GB，网盘分卷传输是常态。尤其是Z-image turbo这类热门权重，很多人在网盘下载后解压直接放进models目录，结果加载失败。我自己的习惯是，下载完成后先看一眼文件列表中的checksum文件，用工具的校验功能算一遍哈希值，确认与官方一致再解压。这一步能帮你排除九成以上的"离奇故障"。

如果网盘分卷导致单卷只有几百MB，解压时要注意是否所有分卷都下载完整，缺一卷也会导致静默失败。解压后的目录结构最好保持原样，不要自己重命名文件夹层级，因为ComfyUI的加载器通常按照约定路径寻找文件。归档方面，建议把模型、对应的VAE、文本编码器放到该放的分类目录，不要全部混在一个目录里，否则下次加载时你会被同名文件搞晕。

提示：下载来源尽量选择可信渠道。第三方网盘虽然方便，但分发文件可能被改动过，加载不出来的问题有相当概率来自这类来源。遇到黑图、花屏，请第一时间核对哈希值，而不是盲目重新采样。

4.5 OpenVINO加速Qwen-Image的实测经验

我在有独显的机器上跑Qwen-Image当然顺畅，但真正让我觉得值得分享的是在CPU环境下用OpenVINO跑的经验。OpenVINO的核心思路是把PyTorch模型转成中间表示格式，然后在CPU上利用Intel底层指令集做优化。转换过程本身不复杂，但有几个前置条件容易忽略，比如OpenVINO版本必须与PyTorch版本兼容，转换脚本要按官方仓库推荐的方式执行，不要把模型和文本编码器混在一起转换。

转换完成后，加载速度明显变快，推理速度也有提升。对比纯PyTorch CPU推理，同样一张图的生成时间可以缩短到原来的三分之一左右。不过是骡子是马，还得看你CPU的代数，老CPU提升有限，新一代处理器提升更明显。如果你手头没有N卡，又想本地体验Qwen-Image，OpenVINO路线是目前比较现实的选择。

要注意，OpenVINO转换后的模型不能直接丢给PyTorch推理代码用，你需要改用OpenVINO的推理接口。在ComfyUI里，有第三方的OpenVINO节点封装，你可以加载IR格式的模型权重，工作流大体类似。第一次跑的时候建议把图像分辨率调低，比如先试试512，等流程跑通再升到768或者1024，因为CPU推理出错时排查成本比GPU高不少。

5. 常见问题速查表 + 我的个人心得

5.1 一行一坑速查表

我把最近一年踩过的、以及在社区里高频出现的坑整理成了一个速查表，不能保证覆盖所有情况，但足够解决大部分常见问题。

5.2 关于出图质量的一些通用调参心得

在实际创作里，提示词只决定大方向，真正影响成片质感的是CFG、采样器和步数这三个参数。CFG代表"提示词对画面的约束强度"，太高会让画面生硬、对比度过大，太低会让画面跑偏。新模型普遍对高CFG敏感，FLUX.2和Qwen-Image我都推荐先从CFG等于3测起。采样器方面，如果你用的模型没有特别推荐，可以先选Euler或DPM++ 2M，然后对比效果。步数方面，完整的非蒸馏模型从二十步开始比较稳妥，蒸馏模型则严格跟着官方走。

还有一个容易忽略的技巧：负面提示词不要写得过于具体。很多人写"不要模糊、不要低质量、不要噪点、不要畸形"，这在旧模型里有点用，但在新模型里可能造成约束过强，反而让画面变得僵硬。我自己的习惯是负面提示词只保留"文字、水印、模糊"这类最必要的，其余交给模型自己发挥。

5.3 给新朋友的设备配置建议

如果你刚开始接触这五个模型，我先说结论：NVIDIA显卡建议8GB显存起步，12GB以上会更舒服；Apple Silicon芯片的Mac也可以本地跑，但速度比同价位N卡慢；纯CPU机器能跑，但需要走OpenVINO路线，且只能追求"能出图"而非"效率高"。不要为了跑模型去买大显存工作站，先把手头的卡用起来，量化版本和蒸馏版本通常比你想的更省资源。

搭建环境时，我强烈建议用ComfyUI而不是老牌WebUI。虽然ComfyUI的节点连线需要一点学习成本，但这五个新模型的社区工作流几乎都在ComfyUI上优先更新，你拿现成工作流改一改就能跑，比在WebUI里苦等插件适配要高效得多。等你熟悉了节点逻辑，再回头看这些模型的架构差异，会觉得豁然开朗。

最后再分享一个小技巧：每个模型第一次跑通时，都固定使用官方推荐分辨率、采样器和步数，先确保它能复现出一张正常图片，再开始调整风格。不要一上来就叠加LoRA、ControlNet、高清放大，翻车时你会分不清是模型问题还是插件问题。把基础链路跑稳了，再慢慢往上加花样，这是我能给所有新朋友的最真诚建议。