图像生成很快就从新奇玩意变成了日用品，画质也已趋同到"哪个最好看"不再是有效问题的程度。仍然重要的差别在别处：你对一个具体结果能有多少控制、工具能不能渲染出清晰可读的文字、它如何处理修改一张你已有的图，以及你被允许拿输出做什么。
提示：这一类的模型、方案与授权条款变动频繁。用于商业用途前，请先向厂商核实当前细节。
三种类型，而不是一个排名
托管式、艺术取向的工具
围绕生成构建的专门图像服务，以 Midjourney 为典型，也包括 Adobe 与 Stability AI 旗下的服务。它们为"美感"优化，通常也拥有最强的提示技巧社区。
- 优势：默认美学水平高，要得到好看的图所需努力更少
- 优势：参数与风格系统活跃，并支持参考图条件控制
- 短板：往往与你真正工作的地方是分离的界面；有些以聊天或 Discord 为中心
- 短板：访问、历史与定价都依赖厂商
集成在助手里的生成器
折进通用助手里的图像生成——如 ChatGPT 内 OpenAI 的图像模型、Gemini 内谷歌的 Imagen 系列，以及类似的集成。
- 优势：你本来就在那儿。在对话中迭代、并把图像生成与对图像的推理结合起来，真的很好用。
- 优势：对话式编辑——"背景调暖一点"、"把第二个人去掉"——无需另学一套工具
- 优势：一份订阅覆盖多种工作
- 短板：通常比专门工具少了细粒度控制
- 短板：生成质量与速度受该助手的方案额度和当前模型影响
开源权重与本地模型
可以自己跑的权重——Stable Diffusion 一系、Black Forest Labs 的 Flux，以及建立在两者之上的庞大生态。
- 优势：使用时免费、默认无内容过滤、私密、且可无限次迭代
- 优势：微调、LoRA、ControlNet 与局部重绘提供的结构控制，常是托管工具给不了的
- 优势：你的图与提示词不会离开本机
- 短板：硬件要求、搭建时间，以及陡峭得多的学习曲线
- 短板：让它持续可用是自己的责任
真正有差别的地方
- 提示遵循度 vs 美感。 有的模型精确照你的描述来，但画面偏平；有的模型出图漂亮，却只 loosely 对应你的要求。你偏好哪种，完全取决于用途。
- 文字渲染。 历来是全行业最弱的一项，改善也不均衡。如果你需要图里有可读的文字——海报、菜单、招牌——务必先专门测这一点。
- 编辑 vs 生成。 改一张已有图里的某个元素，和生成一张新图，是两种不同能力。局部重绘、去背景、去物体在各工具间的差异，比原始生成本身的差异更大。
- 一致性。 让一个角色、产品或风格在一组图里保持稳定，这件事确实很难，也是项目卡住的常见原因。参考图与风格一致性功能正是这里的分水岭。
- 分辨率与画幅控制。 当输出要进真实排版时，这是很实际的约束。
- 授权与来源。 各服务商、各方案层级的商用条款差异很大。在用输出做任何发布或销售用途前，这一条必须先读。
它们仍然会失败的地方
- 手与手指——已大幅改善，仍不可靠
- 可读的文字——在改善，仍是生成图不可用最常见的原因
- 物理与空间逻辑——倒影、阴影、物体在场景中的连续性
- 数量——要求"五个人"常常返回数量不明的若干人
- 品牌与肖像——复现特定真实人物或带商标的材质，是法律问题而非技术问题
- 事实性插图——生成出来的解剖结构图或机械原理图，可能看起来很权威但其实是错的。凡准确性是重点的地方，绝不要用生成图。
怎么选
- 想用最少力气得到好看的图： 托管式艺术取向工具。
- 想在干活的同时用对话迭代： 用你已在用的助手里的生成器。
- 需要精确的结构控制、私密性，或大批量： 本地跑开源权重模型。
- 需要一组图之间保持一致： 先测风格一致性功能——项目就是在这里失败的。
- 商用或发布用途： 在你开始之前（而不是之后）读清你那个方案的授权条款。
怎么拿到更好的结果
- 先描述主体，再风格，再构图——按这个顺序，且要具体
- 用参考图，而不是试图用语言描述一种观感
- 多生成几张再挑——对多数人来说，挑选比钻研提示词更有效
- 一次只改一个变量，这样你才知道到底是什么改变了结果
- 如果可以在排版工具里后加，就不要把文字放进提示词
- 把提示词和图片一起保存，以备日后复现或变体
结论
托管式艺术工具默认美学最好，助手内置生成器胜在便利与对话式编辑，本地开源权重模型胜在控制、私密与批量。它们之间的画质差异，如今已小于编辑能力、文字渲染与授权条款的差异——所以按后者来选，商用前先核实授权，并且绝不让一张看起来合理的生成插图去冒充一张准确的插图。