我这两年帮不少团队做过文生图工具的选型，自己也从Midjourney早期版本一路玩到Stable Diffusion的各种衍生模型。每次有人问我“到底哪个模型好用”，我都不会直接给答案。这个问题太像问“哪辆车好开”——得先看你是要拉货、通勤，还是下赛道。文生图模型对比这件事，最怕一上来就比跑分、比画质，结果选完发现跟自己的业务场景根本不搭。我写这一章，就是想把我自己搭对比框架的思路拆开聊聊，让后面具体的模型横评有一个靠谱的落脚点。
1.1 主题界定：文生图模型、对比目标与适用场景
文生图模型，说直白点，就是你给它一段文字描述，它给你吐出一张图。我平时跟非技术背景的朋友解释，会拿“会画画的翻译官”打比方——它得先把你的中文或英文提示词翻译成视觉语言，再用像素画出来。这个过程中涉及语义理解、构图规划、风格迁移、细节渲染好几层能力。不同模型在这些层面上的偏重点完全不一样，有的擅长出氛围感大片，有的擅长精准控制构图，有的在文字渲染上特别较劲。
对比目标这件事，我习惯先分三层来看。第一层是“能不能用”——生成质量够不够格，别出来一堆手指头乱飞、人脸崩坏的图。第二层是“好不好控”——我能不能让模型按我的想法改图、局部重绘、锁定姿势。第三层是“划不划算”——时间成本、金钱成本、学习成本加起来，团队能不能长期扛住。这三层目标对应完全不同的适用场景。商业创意团队可能更看重第一层和第二层，批量生产团队会把第三层放在很前面。
适用场景这块，我自己踩过坑。有一次帮一个电商团队选模型，他们一开始只盯着画质看，选了一个出图特别惊艳的闭源服务。跑了两个月发现，他们需要大量生成同一商品的不同背景图，每次都要重新写提示词、反复抽卡，效率根本撑不住大促节奏。后来换成支持ControlNet和LoRA的Stable Diffusion方案，虽然单张图要调参数，但批量化模板跑起来之后，整体效率翻了倍。场景匹配这件事，比单纯比画质重要得多。
1.2 对比对象谱系：Midjourney、Stable Diffusion及代表性衍生模型
Midjourney在我眼里像一家精装修的网红餐厅。你走进去，菜单上的菜都好看，端上来基本不会翻车，氛围感拉满。我身边很多设计师朋友拿它做灵感发散、情绪板、概念草图，出图快、审美在线。它的提示词写法有自己的一套“黑话”，比如加--ar 16:9控制比例，加--stylize调风格强度。我刚开始用的时候，老想按Stable Diffusion的逻辑去写提示词，结果发现它不太吃那一套，得顺着它的语言习惯来。
Stable Diffusion更像一个开放厨房。锅碗瓢盆都给你，食材也能自己带，想做什么菜全看你手艺。它的生态太丰富了，Checkpoint模型、LoRA、ControlNet、各种采样器和插件，社区里天天有人扔新东西出来。我电脑里常年躺着几个不同风格的SD模型，做二次元内容切一个，做写实产品图切另一个。这种自由度是Midjourney给不了的。代价就是学习曲线陡，我头一个月装环境、调参数、解决各种报错，差点放弃。
代表性衍生模型这个谱系得单独拎出来说。SDXL出来之后，基础出图质量往上提了一截，对提示词的理解也更稳。Flux系列这两年在细节和文字渲染上进步很明显，我拿它试过生成带英文海报的图，拼写错误比以前少很多。DALL·E 3跟ChatGPT绑得紧，提示词理解能力很强，你跟它聊天式地改需求，它能把上下文吃进去。这些模型各有各的脾气，我在对比的时候不会把它们简单排成一二三名，而是画一张“能力雷达图”，看每个模型在哪些维度上突出、哪些维度上明显短板。
1.3 核心对比维度：生成质量、可控性、效率、成本与生态
生成质量这个维度，我一般拆成三块看。一块是“一眼惊艳度”——构图、光影、色彩搭配是不是有审美。另一块是“细节耐看度”——放大看手指、牙齿、文字、纹理有没有崩。还有一块是“语义一致性”——提示词里写了“红色雨伞、石板路、黄昏”，出来的图是不是这几样都在、关系对。我实测下来，Midjourney在前两块上经常赢，语义一致性偶尔会飘。Stable Diffusion在语义一致性上可以通过ControlNet和区域提示词找补，但默认状态下得靠抽卡。
可控性是我最看重的维度，没有之一。商业项目里，客户说“把左边那栋楼换成玻璃幕墙，其他别动”，你总不能重新抽一百张图碰运气。Midjourney的局部重绘和参考图功能这两年进步很大，--cref和--sref用起来挺顺手，但底层控制粒度还是不如SD生态里的ControlNet。我拿OpenPose锁人物姿势、拿Depth锁空间纵深、拿Canny锁线稿轮廓，这些在Stable Diffusion里是家常便饭。LoRA还能把特定风格或角色“焊”进模型里，训练一个小模型几十张图就能跑起来。
效率和成本得放在一起聊。Midjourney订阅制，按月付费，生成速度快，不用自己管显卡。Stable Diffusion本地跑要显卡，云部署要租算力，调参时间也算成本。我算过一笔账：一个小团队每月出图量在几百张以内，Midjourney订阅费摊下来很舒服；出图量上千张、还要批量换背景换姿势，SD方案虽然前期投入高，边际成本会降下来。生态这个维度更虚一点，但影响很深。Midjourney生态集中在Discord社区和官方文档，Stable Diffusion生态散在Civitai、GitHub、各种教程和插件仓库里。生态越散，学习成本越高，可挖掘的上限也越高。
1.4 对比方法与证据来源：公开评测、实测任务与用户反馈
公开评测我每周都会刷一遍。FID、CLIPScore这些指标有用，但不能全信。FID衡量的是生成图和真实图在特征分布上的距离，数值低不代表图好看，有时候只是风格趋同。CLIPScore衡量图文匹配度，对短提示词还行，长提示词、复杂空间关系就测不准。我拿同一组提示词跑过不同模型，CLIPScore高的那张图，人眼一看反而觉得构图呆板。公开评测更适合做初筛，把明显掉队的模型剔掉。
实测任务是我花时间最多的地方。我会设计几类固定任务：人物肖像、产品场景、文字海报、多主体组合、风格迁移。每个任务写五到十条提示词，覆盖不同难度。跑完图之后，我不光自己看，还会拉上设计师、运营、客户代表一起盲评。盲评的时候把模型水印去掉，只标编号，让大家从“可用性”“修改成本”“惊喜感”三个角度打分。这种土办法比单看指标靠谱，能测出很多指标覆盖不到的东西。
用户反馈我一般分两类收集。一类是团队内部的重度使用者，他们天天用，能说出“这个模型出图快但手部崩坏率高”“那个模型局部重绘后光影接不上”这种细节。另一类是业务方，他们不关心模型叫什么，只关心“能不能按时交图”“改三版能不能搞定”。我把这两类反馈跟实测数据对照着看，经常发现内部觉得好用的功能，业务方根本感知不到。证据来源越交叉，选型结论越稳。
1.5 关键词扩展：从“模型对比”到“选型决策”的问题链
我观察过搜索行为，用户搜“文生图模型对比”的时候，心里往往已经有一个模糊的候选名单了。他可能刚被Midjourney的图惊艳到，又听说Stable Diffusion免费开源，想找一篇文章帮他下决心。这时候光给参数对比表不够，得回答他下一步会问的问题：“Midjourney和Stable Diffusion哪个适合电商？”“Stable Diffusion本地部署要什么显卡？”“文生图模型商用版权怎么算？”这些问题串起来，就是一条从“了解”到“决策”的问题链。
我在内容布局上会顺着这条链去铺关键词。上游词是“文生图模型对比”“AI绘画模型排行”“Midjourney和SD区别”，中游词是“Stable Diffusion ControlNet教程”“Midjourney订阅价格”“文生图模型评测指标”，下游词是“AI绘画商用授权”“文生图模型选型方案”“企业级AI绘图部署”。每个词对应用户决策的不同阶段。上游词拉流量，中游词建信任，下游词促转化。我写这一章的时候，脑子里一直挂着这条链，后面每一节都会往“选型决策”上靠。
说回选型决策本身，我习惯让团队先回答三个问题。第一个问题：你们出图是给人看，还是给机器看？给人看的内容，审美和氛围权重高；给机器看的内容，比如训练数据、标注素材，一致性和可控性权重高。第二个问题：团队里有没有人愿意折腾参数？有，SD生态能挖出很大价值；没有，闭源服务省心。第三个问题：合规红线在哪？商用场景下，模型训练数据来源、生成内容版权归属、私有化部署要求，这些得提前摸清楚。这三个问题答完，模型对比的维度权重自然就清晰了。
我电脑浏览器收藏夹里有一个专门的文件夹叫“抽卡”，里面躺着Midjourney的Discord入口和Stable Diffusion WebUI的本地地址。过去两年，这两个标签页轮换着被我点开，有时候一晚上切几十次。今天写这一章，我想把这两个模型掰开揉碎了聊清楚，不是列参数表那种，是我自己踩过的坑、总结出来的手感。这两个工具在我眼里根本不是同一个物种，硬比高低没什么意思，搞清楚它们各自怎么用、适合谁，才是关键。
2.1 产品定位与使用门槛：闭源服务与开源生态
我第一次用Midjourney的时候，连注册都折腾了半天。得先有Discord账号，再进官方服务器，在满屏滚动的聊天记录里找到newbies频道，敲/imagine命令，等机器人回复。这个过程对互联网老手来说不算什么，但我拉过一个做传统出版的朋友进来试，她卡在“怎么在Discord里找频道”这一步就不想继续了。Midjourney把功能藏在一个聊天软件里，这种交互方式在2023年还算新鲜，放到今天看，它对非技术用户其实是有意设置了筛选门槛。付费订阅、Discord操作、英文提示词习惯，每一条都在筛人。筛剩下的用户，往往就是它想服务的创意工作者。
Stable Diffusion的门槛在另一个方向。我第一次装本地环境的时候，Python版本冲突、CUDA驱动不匹配、模型文件放错路径，三个报错轮流弹出来，那天搞到凌晨两点才跑出第一张图。这个体验劝退了大部分人，但也筛出了一批愿意折腾的玩家。装好之后，WebUI的界面密密麻麻全是滑块和下拉菜单，采样步数、CFG比例、随机种子、重绘幅度，每一个参数都在问你“你到底懂不懂”。我花了差不多一个月才摸清楚哪些参数该调、哪些保持默认就好。这一个月很痛苦，可一旦跨过去，后面的自由度是Midjourney给不了的。
这两个产品的定位差异，从更新日志里就能读出来。Midjourney的版本更新往往在“出图好不好看”“风格像不像”上做文章，比如V6版本对写实人像的细节做了大幅提升。Stable Diffusion社区更新的方向更偏“能不能做更多事”，新插件、新控制方式、新微调技术，几乎每个月都有新东西冒出来。一个是把审美做到极致然后卖给你，一个是把工具箱铺开让你自己攒。这个定位差异决定了后面所有维度的对比走向。
2.2 生成美学与提示词理解：风格表现、细节与语义一致性
Midjourney出图有一种很统一的“味道”。我拿同一段提示词“森林里的玻璃小屋，黄昏，暖光”分别跑两个模型，Midjourney默认出来的图就像被一个专业摄影师调过色，对比度、饱和度、氛围感都在线，哪怕构图偶尔跑偏，视觉上也不会难看。它的审美下限极高，我几乎没有从Midjourney拿到过一张“脏”图。这种稳定感来自它训练数据的选择和默认的后期处理管线，它替你做了大量审美决策。代价是风格上的趋同，我用久了会觉得所有图都像同一个画师画的，想跳出来得加很重的风格化提示词。
Stable Diffusion默认出的图更“素”。同一段提示词跑出来，光影平淡、色彩偏灰，像没修过的原片。这不代表它能力差，它只是把审美决策权全交给了你。你得自己在提示词里堆“cinematic lighting, golden hour, volumetric rays, 8k, masterpiece”，还得把负面提示词写满，才能把质量顶上去。我拿SD生成过一组产品图，前前后后调了十几版提示词，最后出图质量确实能跟Midjourney打平，但花了大概三倍的时间。SD的审美上限取决于用户的提示词功底和模型选择，新手很容易在这里迷失。
语义一致性这块，我做过一个不太严谨的小测试。我写了条提示词：“一个穿红裙子的女人站在蓝色电话亭左边，背景是下雨的街道，霓虹灯招牌写着OPEN”。Midjourney跑出来的图，红裙子、电话亭、雨街这些元素基本都在，但招牌上的文字经常糊掉或者拼错。Stable Diffusion跑同样的提示词，招牌文字可以通过额外的文字渲染插件去补救，但默认出图里空间关系偶尔会乱，女人站到电话亭右边或者前后遮挡关系不对的情况我遇到过不少次。Midjourney对整段提示词的整体意境抓得更准，SD对局部元素的控制可以通过技术手段补强，但得一样一样去抠。
2.3 可控性与编辑能力：参考图、局部重绘、ControlNet与LoRA
我做商业项目的时候，最怕客户说“就这张图，改一个地方”。Midjourney这两年在这个问题上进步很大，--cref参数可以锁住角色外貌，--sref可以锁住风格，Vary Region功能可以在原图上框选局部重新生成。我上个月用Vary Region改一张产品图里的背景颜色，试了四次，有两次改出来的光影跟原图完全接不上，像贴了一块补丁上去。这种“接缝感”在Midjourney里不算罕见，它的局部重绘是概率性的，你得接受一定程度的抽卡损耗。
Stable Diffusion在这个领域是另一个量级的存在。ControlNet让我可以拿一张线稿、一张深度图、一张人体姿势图去锁死构图，出图结果的可预测性高出一大截。我帮一个做儿童绘本的团队搭工作流，先用Procreate画草图，再丢进ControlNet用Canny模式锁轮廓，最后跑图生成上色版本，整个过程像流水线一样稳定。LoRA更狠，拿二十张图训练半小时，就能把某个特定角色或者画风焊进模型里。我训练过一个“手绘水彩风”的LoRA，之后每次调出来用，出图风格高度统一，不用再在提示词里长篇大论地描述风格。这种控制力对批量生产场景几乎是刚需。
编辑能力的差距还体现在工作流的可组装性上。Stable Diffusion的插件生态让我可以把不同功能串起来：先用IP-Adapter把参考图的风格迁移过来，再用ControlNet锁住构图，最后用Inpaint局部改细节。每一步都能调参数、换模型、对比结果。Midjourney的编辑功能更像一个个孤立的按钮，点了就出结果，你没法拆开看中间发生了什么。我有时候觉得Midjourney像傻瓜相机，按快门就行；SD像单反加上暗房，什么都能调，但得自己扛着设备。
2.4 性能、成本与部署：生成速度、订阅费用、私有化与合规
速度这件事得看怎么比。Midjourney在云端跑，我敲完命令，等个二三十秒四张图就出来了，不用管显卡型号、不用等模型加载。Stable Diffusion本地跑的话，加载模型就要花一两分钟，生成一组图根据显卡档次从几十秒到几分钟不等。我用的是一张RTX 3060，跑SDXL的时候出图速度明显慢下来，换到SD1.5会快不少但质量有差距。云部署能解决算力问题，但每次开实例、传模型文件、配环境，又得花时间。我算过一笔时间账：同样生成一百张图，Midjourney从开始到收工大概四十分钟，SD本地从环境准备到跑完接近三个小时。出图之外的时间成本，很多人容易忽略。
费用结构完全不一样。Midjourney基础订阅十美元一个月，生成量有限制，超了要么等冷却时间要么升级套餐。我团队里三个人同时用，最后选了三十美元那档，摊下来每人每月十美元，很省心。Stable Diffusion本地部署一次性投入显卡钱，后续电费忽略不计。云部署按小时计费，跑得越多单价越低。我帮一个做电商的朋友算过：他们每月出图量大概两千张，用Midjourney得冲到最高档订阅还不够，换SD云部署之后，算力成本大概只有前者的六成，但得有一个人专门维护工作流。量小的时候Midjourney省事，量大的时候SD省钱。
私有化和合规是很多企业客户绕不开的坎。Midjourney是闭源服务，所有生成过程在别人的服务器上完成，训练数据来源和版权归属问题官方说明得比较模糊。我接触过几个法务意识强的客户，一听这个就摇头。Stable Diffusion开源，可以完全部署在内网，生成内容不出企业防火墙，训练数据用了哪些、模型权重怎么来的，都能追溯。这个差异在科研机构和有保密要求的公司里是决定性的。我帮一家做建筑可视化的公司搭过内网SD环境，所有素材不上外网，生成记录留在本地，他们的合规部门才肯签字。
2.5 典型应用场景对比：商业创意、概念设计、科研实验与批量生产
商业创意场景里，Midjourney出图快、审美稳，特别适合前期 brainstorm。我参与过一个广告公司的比稿项目，创意总监要求两个小时内出五十张情绪板供客户筛选。用Midjourney，团队三个人并行抽卡，一个半小时就交出了六十多张风格统一的参考图，客户当场圈了十几张说要往这个方向深化。这种场景下SD根本来不及，光是调风格、试模型就得耗掉大半时间。Midjourney的“快而美”在创意发散阶段是碾压性的优势。
概念设计又是另一回事。我认识一个做游戏原画的朋友，他用SD加ControlNet搭了一套角色设计流程：先画火柴人定姿势，再跑图生成不同服装和装备的变体，最后用局部重绘改细节。他跟我说，Midjourney出的图好看但改不动，“客户说把剑换成斧头，我用Midjourney得重新抽半天，用SD框选一下十分钟搞定”。概念设计阶段需求变化频繁，可控性比单张图的美感重要得多。SD在这个场景里靠的是工作流，不是单次出图质量。
科研实验场景对模型的要求更偏工具属性。我帮一个做认知科学研究的团队做过视觉刺激材料生成，他们需要大量控制变量的图片——同一张脸，只改表情，其他全不变。Midjourney做不到这种级别的控制，SD搭配ControlNet和专门训练的面部LoRA可以稳定输出。他们还需要记录每次生成的参数和种子，方便实验复现，SD的本地日志和参数保存功能正好满足。Midjourney的云端生成记录保留时间有限，对科研来说不太友好。批量生产场景跟科研有相似之处，强调一致性、可重复、可追溯。我见过一个做社媒素材的团队，用SD搭了一套模板库，每个模板对应一组固定提示词和参数，运营人员选模板填关键词就能批量出图，一天能跑几百张。Midjourney做不出这种流水线，它的交互方式就是一张一张抽，批量处理得靠外部工具桥接，用起来别扭。
2.6 其他文生图模型参照：DALL·E、Flux、SDXL等横向定位
DALL·E 3跟Stable Diffusion、Midjourney站在一起的时候，最像“ conversationalist ”。它跟ChatGPT绑在一起，你可以用聊天的方式改需求：“把背景换成海边，人物表情再开心一点，加一只狗在沙滩上”，它能理解上下文，连续改几轮都不丢线索。我拿它做过一个带文案的海报，提示词里写了六行英文，生成出来的文字拼写基本正确，这在文生图模型里算罕见。它的短板是画风偏“安全”，出图有一种标准化的干净感，想要粗粝或者实验性的风格反而难。DALL·E适合那些不想学提示词语法的轻度用户，或者在ChatGPT工作流里已经泡着的人。
Flux系列这两年冒出来的势头很猛。我试过Flux 1.1 Pro，生成写实人像的皮肤纹理和毛发细节时，细腻程度比我印象里的SDXL高出一截。文字渲染也是它的强项，我生成过一张咖啡馆招牌图，上面“MORNING BREW”拼得准确无误，周围一圈模型还在拼错字母的时候，Flux已经能当海报素材用了。它的生态还比较新，ControlNet类的控制工具没SD那么丰富，但底子很好。我现在的用法是Midjourney做创意发散，SD做精细控制，Flux在某些特定任务——比如带文字的商业图——上单独拎出来用。三个工具并排摆在浏览器标签栏里，哪个顺手点哪个，没必要非选一个站队。
SDXL作为Stable Diffusion的迭代版本，基础出图质量比SD1.5强很多，对提示词的理解也更稳，但资源消耗跟着涨。我那张3060跑SDXL有点吃力，换成云GPU才跑得顺畅。社区对SDXL的插件支持已经跟上了，ControlNet、LoRA都有对应版本，生态迁移算是完成了。我现在的SD工作流以SDXL为主力，遇到需要快速迭代或者显存不够的场景再切回SD1.5。这几个模型各有各的甜点区，选哪个取决于你手头的任务和硬件，没有一个能通吃所有场景的“最优解”。
去年秋天我帮一家做母婴产品的公司选文生图模型，他们老板上来就问“哪个模型最好”。我反问他：你是要出电商主图，还是要做包装概念提案？他愣了一下说都要。这两个需求对模型的要求差得远，主图要文字清晰、产品还原准确，概念提案要氛围感强、迭代速度快。没有一套评测框架先立起来，选型就是拍脑袋。这一章我把这两年攒下来的评测方法和选型经验摊开讲讲，有些指标我一开始迷信过，后来被现实打了脸，有些场景我一开始忽略过，后来吃了亏。
3.1 评测指标体系：客观指标与主观评价的结合
我最早接触文生图评测的时候，满脑子都是跑分思维。看论文里FID数值谁低就觉得谁强，看到CLIPScore高就以为语义理解好。后来在真实项目里翻了几次车才明白，客观指标只能告诉你“模型在某个维度上的统计表现”，它没法告诉你“这张图能不能直接拿去给客户看”。一张FID很低的图可能光影平淡得像证件照，一张CLIPScore很高的图可能在细节上全是瑕疵。指标是筛子，不是判决书。
主观评价这块我踩过的坑更隐蔽。刚入行的时候我迷信自己的审美判断，觉得“我看着好看就是好”。我拿Midjourney生成的一组图给自己打了高分，拿给团队里做UI的同事看，她指着其中一张说“这个手部结构不对，放到App banner上会被用户截图吐槽”。我才意识到主观评价得找对人、找对场景。现在我做主观评测会拉三类人：设计背景的看美感和构图，业务一线的看可用性和修改成本，完全不懂图的普通用户看第一眼感受。三类人打分经常打架，打架本身就有信息量。
我现在给自己定的评测流程是三层过滤。第一层用客观指标快速淘汰明显不合格的模型或参数组合，第二层用固定任务集做可视化对比，第三层拉真实用户做场景化盲测。三层走完大概花两三天，比拍脑袋选型多花的时间通常能在后面省回来。这三层里最容易被跳过的是第一层，很多人觉得跑指标麻烦，直接拉人来看图。样本量小的时候人的判断波动很大，先拿客观指标把范围缩一缩，再看图，效率高很多。
3.2 常用客观指标：FID、CLIPScore、ImageReward及组合基准
FID这个指标我用了两年多，到现在还是我评测流程里的保留项目，但我对它的信任度已经降了很多。FID衡量的是生成图像分布和真实图像分布之间的距离，数值越低说明生成图的统计特征越接近真实照片。问题在于它不关心语义。我做过一组对比实验，拿一个只生成纯色风景图的模型去跑FID，分数低得惊人，因为它生成的云层和天空纹理在统计上确实很像真实照片。可那个模型根本画不出人。FID低不代表模型好用，它只代表图像的低层统计特征对齐得好。
CLIPScore我用得更多一些，它拿CLIP模型去算生成图和提示词之间的语义相似度。这个指标对“提示词遵循”这件事有参考价值，我拿它来快速筛查模型有没有严重跑题。它的盲区在细节和组合关系上。我写过一条提示词“一只戴墨镜的柴犬在冲浪”，CLIPScore给了高分，因为图里有狗、有墨镜、有冲浪板，但狗的品种可能变成了金毛，墨镜戴在冲浪板上，柴犬站在岸边。CLIP模型对空间关系和属性绑定的理解本身就不够细，拿它当唯一标准会漏掉很多“看起来对但细看全错”的图。
ImageReward是我最近一年才开始常规使用的指标，它用人类偏好数据训练了一个打分模型，对“这张图人会不会喜欢”的预测比前两个指标准一些。我拿它做生成结果的批量排序，把明显不受欢迎的图先筛掉，省了不少人工看图的精力。它的麻烦在于黑盒性，分数高我知道“可能好看”，但不知道“为什么好看”，调提示词的时候没法拿它当指导信号。我现在把三个指标串起来用：FID管整体质感是否真实，CLIPScore管有没有跑题，ImageReward管人眼偏好排序。三个分数一起看，单个指标的缺陷能被另外两个部分抵消。组合基准这块我关注得还不够深，论文里常见的GenEval、T2I-CompBench我试过几个，任务设计偏学术，跟业务场景隔了一层，我更多拿它们做模型能力的下限测试。
3.3 任务级评测：提示词遵循、组合能力、文字渲染与一致性
我把任务级评测理解成“拿具体活儿去考模型”。我给自己搭了一套固定测试集，包含二十来条提示词，覆盖四类任务。第一类是单对象描述，比如“一只橘猫坐在窗台上”，考的是基础还原。第二类是多对象组合加空间关系，比如“红色沙发左边放一盏落地灯，右边是书架”，考的是模型能不能把位置关系搞对。第三类是属性绑定，比如“穿蓝色衬衫的男人牵着穿黄色裙子的小女孩”，考的是颜色和对象有没有串。第四类是文字渲染，比如“咖啡馆招牌上写着OPEN”，考的是拼写准确度。
这套测试集跑下来，各模型的差异非常直观。Midjourney在多对象组合上经常把左右关系搞反，但整体画面协调，你不会第一眼觉得别扭，仔细看才发现灯放错边了。Stable Diffusion在空间关系上可以通过ControlNet加区域提示词去硬约束，默认跑的话属性绑定出错率比Midjourney低一些，但画面容易显得平。Flux在文字渲染上确实领先，我测了十条带文字的提示词，Flux拼对了七条，Midjourney拼对了两条，SD不加插件一条都没拼对。DALL·E 3拼对了五条，但它的文字风格偏统一，像同一款字体印出来的，想换个手写体或者复古招牌字就难了。
一致性评测我单独拎出来说，因为它对批量生产场景太重要了。我测一致性的方法是拿同一条提示词连跑十次，看十张图的风格、构图、色调漂不漂。Midjourney的十张图像是同一个摄影师在同一天拍的，色调和构图风格高度接近，但角色面部每次都会变。SD默认跑出来的十张图风格漂移明显，换种子就像换了个画师，但搭配固定种子加LoRA之后，一致性可以反超Midjourney。这个结论我一开始没想到，后来想明白了：Midjourney的一致性来自它收敛的审美偏好，SD的一致性来自你可以把变量锁死。前者是“它想一致”，后者是“你让它一致”。做品牌视觉规范的时候我倾向后者，做创意发散的时候前者更省心。
3.4 用户研究与业务指标：偏好、可用性、成本效益与风险
用户偏好测试我做过几轮，形式很简单：把不同模型生成的图混在一起，不标来源，让测试者选“最想点开看的一张”和“最像真实照片的一张”。结果挺有意思，Midjourney在“最想点开看”上赢面很大，它的图有一种抓眼球的特质，缩略图状态下尤其明显。SD在“最像真实照片”上得分不低，但“想点开看”的票数落后，很多测试者说SD的图“看着像素材库里的”。Flux在带文字的图里偏好度最高，测试者看到招牌文字拼对了会明显加分。
可用性这块我关注的不是模型本身，是“从需求到交付”的全链路时间。我记录过一组数据：同样做一张带产品图的社交媒体海报，用Midjourney从写提示词到选出可用图平均花十二分钟，用SD搭配预搭好的工作流平均花二十五分钟，用DALL·E在ChatGPT里来回对话改图平均花八分钟。DALL·E最快是因为它改图不用重写提示词，直接用自然语言说“把背景调暗一点”就行。这个时间差异在批量任务里会被放大很多倍，选型的时候不能只看单张图质量。
成本效益我算过一笔粗账，按中等出图量——每月一千张——来估。Midjourney标准订阅加偶尔升级，月成本大概六十美元。SD本地部署一次性显卡投入折到十二个月大概每月四十美元，加电费忽略不计，但得算上维护工作流的人力，按每周两小时算折成钱大概每月一百多美元。云部署SD按量计费，一千张图的算力成本大概二十到三十美元，同样得算维护人力。单看账面SD云部署最便宜，但把人力填进去之后Midjourney反而省心省钱。量再往上走，比如每月五千张以上，SD的规模效应才真正显现出来。风险这块我提醒一句，Midjourney商用授权条款我仔细读过两遍，里面有些表述留了模糊空间，法务严格的客户会揪着不放。SD的开源协议相对清晰，但不同模型权重的许可证不一样，SDXL的CreativeML Open RAIL++-M允许商用但有一些使用限制，选型的时候得逐一看清楚。
3.5 选型决策框架：按场景、团队能力与合规要求匹配模型
我现在给别人做选型建议，开场不问“你要哪个模型”，先问三个问题。第一个问题：你的主要产出是什么类型？如果是营销物料、情绪板、创意提案这类“快而美”优先的活儿，Midjourney大概率是首选。如果是需要精确控制构图、批量生产、或者要接入自有系统的活儿，SD系更合适。如果产出里文字多、或者团队已经在用ChatGPT，DALL·E值得单独拎出来试。Flux我目前放在“特定任务补位”的位置，文字渲染和写实人像这两个场景优先考虑它。
第二个问题：团队里有没有人能维护技术栈？我见过太多团队兴冲冲上了SD，结果没人会调ControlNet参数，工作流搭了一半扔在那里，最后又退回Midjourney。SD的自由度对应的是维护成本，没有专职或半专职的人盯着，它的优势发挥不出来。Midjourney和DALL·E的维护成本接近零，注册就能用。Flux的生态还在长，本地部署和云API两种路子都有，团队技术底子一般的话走API更稳。第三个问题：合规要求到什么程度？内网部署、数据不出境、生成记录可审计，这三条里占任何一条，SD几乎是唯一选择。没有硬性合规要求的话，闭源服务的省心程度很难替代。
我把这三个问题的答案交叉起来，大致能落出一个选型矩阵。创意驱动加零技术维护加低合规要求，选Midjourney。生产驱动加有技术维护加高合规要求，选SD自部署。对话式交互加轻度使用加中等合规，选DALL·E。文字密集加写实需求加愿意尝新，加一个Flux做补充。这个矩阵不是死的，我最近帮一个客户做的是Midjourney加SD混用方案：前期创意用Midjourney跑，选中的方向拿SD加ControlNet做精细化和批量延展。混用方案的协调成本比单模型高，但覆盖的场景更全。选型不是选一个模型站队，是搭一套跟你业务节奏匹配的工具组合。
3.6 趋势展望：评测标准化、模型融合与文生图应用演进
评测标准化这件事我觉得短期之内很难统一。文本生成领域有BLEU、ROUGE这些大家认的指标，图像生成这边FID用了好几年但争议一直没停，新指标层出不穷，没有一个能像FID那样成为默认选项。我猜接下来一两年会出现更多“任务级基准”而不是“通用指标”，像GenEval这种按任务类型分开打分的思路会更实用。我自己更期待的是业务向的评测基准，比如专门测电商主图生成质量的、专门测绘本插图一致性的，这类基准对选型的指导价值比学术指标大得多。
模型融合的趋势已经很明显了。我上个月试了一个工作流：用Flux生成带文字的海报底图，丢进SD用ControlNet锁构图，再用Inpaint改局部细节。三个模型串起来用，每个干自己最擅长的事。这种“模型编排”的思路我觉得会越来越主流，单模型通吃的时代可能还没来就已经过去了。Midjourney也在往生态里长，它最近开放了一些API能力，虽然还比较浅，方向是明确的。SD社区的融合更激进，ComfyUI这类节点式工作流工具让模型之间的拼接变得像搭积木一样。
应用演进这块我感受最深的是门槛在快速降低。两年前我教一个设计师朋友用SD，光装环境就劝退了她。上个月她发消息说在用某个国产在线平台跑图，网页打开就能用，ControlNet和LoRA都是点选式的。工具在变简单，选型的重心会从“哪个模型能力强”慢慢转向“哪个平台把能力封装得好”。我自己的判断是，未来一两年文生图模型的底层能力差距会继续缩小，选型的差异化会更多体现在工作流集成、合规方案和场景化模板上。对普通用户来说这是好事，对我这种喜欢折腾参数的人来说，可能得习惯“能力不再稀缺、整合能力才稀缺”的新局面。
