【人工智能/AI】项目实战三：AI图片生成产品汇总（非完全）
·
本文主要介绍当前市场上可以通过文字生成图片的大模型产品，列出各大模型的发布方、使用方式、资费情况、擅长领域、优缺点等，所有数据均来自于网络。
一.各大模型产品汇总
1.1 国际主流文本生成图像大模型
| 模型名称 | 开发机构 | 发布时间 | 核心特点 | 开源状态 |
|---|---|---|---|---|
| DALL·E 3 | OpenAI | 2023年 | 深度集成GPT-4，支持复杂提示词理解、自动提示优化、高保真细节生成 | 闭源（通过ChatGPT Plus调用） |
| DALL·E 2 | OpenAI | 2022年 | 基于unCLIP架构，支持文本到图像的高分辨率生成（1024×1024） | 闭源 |
| Midjourney V7 | Midjourney Inc. | 2025年 | 以艺术风格表现力著称，支持精细提示词控制、多图融合、风格迁移 | 闭源（Discord平台使用） |
| Stable Diffusion 3.5 | Stability AI | 2025年 | 支持百万级像素生成，改进文本对齐与多对象布局，引入MMDiT架构 | 开源（Hugging Face） |
| Stable Diffusion XL (SDXL) | Stability AI | 2023年 | 双编码器架构，提升细节与构图能力，广泛用于本地部署 | 开源 |
| Flux | Alibaba Cloud / ModelScope | 2025年 | 高效推理模型，支持消费级显卡部署，细节生成与融合度领先 | 开源 |
| Imagen & Imagen 2 | 2022–2024年 | 基于Pathways Language Model，文本理解能力极强，图像真实感突出 | 闭源（部分技术开源） | |
| GPT-Image-1.5 | OpenAI | 2026年 | 作为GPT-4的视觉扩展，支持多轮图文交互与语义推理，登顶2026中文测评榜 | 闭源 |
| Nano Banana 2 | 2026年 | 2026年SuperCLUE测评榜首，综合图像质量与图文一致性表现最优 | 闭源 |
1.2 中国本土文本生成图像大模型
| 模型名称 | 开发机构 | 发布时间 | 核心突破 | 应用场景 |
|---|---|---|---|---|
| ERNIE-Image | 百度 | 2026年 | 中文文生图测评榜首（SuperCLUE 2026），汉字生成准确率、语境还原能力国内第一，融合知识增强预训练 | 广告设计、教育内容、品牌视觉 |
| Qwen-Image | 阿里云通义 | 2025年8月 | 全球首个印刷级中文文本渲染模型，支持多行、段落级中英文混排，标点悬挂、字间距自动校正 | 出版、电商海报、UI设计 |
| 通义万相 Wan2.6 | 阿里云通义 | 2025年12月 | 支持角色扮演、分钟级数字人视频生成，国内首个支持动态语义一致性的视频生成模型 | 影视动画、虚拟偶像、AI短剧 |
| 腾讯混元图像3.0 | 腾讯 | 2025年 | 首个工业级原生多模态生图模型（80B参数），支持一句话P图、多图融合、草稿转商稿 | 广告创意、游戏美术、电商视觉 |
| PanGu-Draw | 华为 | 2024年 | 采用时间解耦训练与Coop-Diffusion，支持多控制信号（如姿态、布局），资源效率高 | 企业级AI设计工具 |
| 智谱AI 图像模型 | 智谱AI | 2025年 | 基于GLM架构的多模态扩展，支持中文语义驱动的可控生成，已开源部分轻量模型 | 学术研究、教育辅助 |
| 月之暗面 图像生成器 | 月之暗面 | 2025年 | 聚焦长上下文理解，支持复杂叙事性提示生成，尚未公开完整架构 | 专业创意领域 |
1.3 开源与社区模型（可本地部署）
- Stable Diffusion 3.5 —— 支持本地部署，社区插件丰富（ControlNet、LoRA）
- Flux —— 轻量级，17GB显存即可运行，ComfyUI工作流支持完善
- Qwen-Image —— 阿里开源，支持中文文本渲染，ModelScope平台可直接调用
- PixArt-α / PixArt-Σ —— 基于Transformer架构，参数效率高，适合研究
- Lumina —— 清华大学与智谱联合发布，支持高分辨率与长文本生成
- Kandinsky 3 —— Sber（俄罗斯）开发，多语言支持良好，开源权重可用
1.4 当前技术瓶颈与挑战
- 文字渲染：尽管Qwen-Image实现突破，多数模型仍难以准确生成复杂排版、小字号、非拉丁字符。
- 语义一致性：长提示词（>500 token）下，模型易丢失细节（如PRISM论文指出）。
- 版权与伦理：商业使用中，模型训练数据来源的版权争议持续存在（如Adobe Firefly为唯一明确授权的商业模型）。
- 计算成本：高端模型（如混元3.0、GPT-Image-1.5）依赖云端API，本地部署门槛高。
二.各大模型产品使用方式及费用
2.1国际主流模型
| 模型名称 | 官方访问网址 | 费用情况 |
|---|---|---|
| DALL·E 3 | https://chat.openai.com | 仅限ChatGPT Plus订阅：- 月费 **$20/月**，包含无限次图像生成；- 无独立API，不支持开发者调用。 |
| Midjourney V7 | https://www.midjourney.com | Discord订阅制：- Basic：10/月（25张/月）； −Standard：10/月（25张/月）； - Standard：10/月（25张/月）； −Standard：30/月（150张/月）；- Pro：60/月（300张/月+高分辨率）； −Mega：60/月（300张/月 + 高分辨率）； - Mega：60/月（300张/月+高分辨率）； −Mega：120/月（无限张 + 优先队列）。 |
| Stable Diffusion 3.5 | https://huggingface.co/stabilityai | 完全开源免费：- 模型权重可免费下载、商用、本地部署；- 第三方云平台API收费： - Replicate：0.001–0.001–0.001–0.005/张（1024×1024）； - RunPod：按GPU时长计费，约**$0.003/张（**FP8量化版）。 |
| Flux | https://www.modelscope.cn/models/alimama-creative/FLUX.1-dev | 完全开源免费：- 支持ComfyUI、Stable Diffusion WebUI部署；- 无官方API，社区提供轻量推理服务，无收费。 |
| GPT-Image-1.5 | https://platform.openai.com/docs/models/gpt-image-1.5 | 开放官方API，按Token计费：- 输入（Prompt）：5.00 / 1M tokens**； - 输出（图像）：**10.00 / 1M tokens；- 生成1张1024×1024图约消耗150–300 tokens，单图成本约 0.0015–0.0015–0.0015–0.003；- 支持图像编辑，费用同上。 |
| Nano Banana 2 | https://ai.google.dev/gemini-api/docs/pricing | 官方API定价全球最低：- $0.015 / 张（4K分辨率，含编辑）；- 比竞品低50%以上，支持多图融合、实时搜索、中文文本渲染；- 通过Google AI Studio免费试用，开发者可申请API密钥。 |
2.2中国本土模型
| 模型名称 | 官方访问网址 | 费用情况 |
|---|---|---|
| ERNIE-Image | https://aistudio.baidu.com/ernieimage | 完全免费开源。模型权重与推理代码已开源（Apache 2.0协议），支持本地部署，无API调用费用。百度AI Studio提供免费算力体验。 |
| Qwen-Image | https://modelscope.cn/models/qwen | 免费额度 + 资源包：- 新用户通过阿里云百炼平台可领取80张/3个月资源包（抵扣Qwen-Image生成）；- 超额后按¥0.25/张计费（1024×1024分辨率）；- 支持企业API调用，按Token计费，详情见百炼计费文档。 |
| 通义万相 Wan2.6 | https://tongyi.aliyun.com/wan/ | 90天免费额度：- 文生图：50张；- 文生视频/图生视频：50秒（720P）；- 超额后：¥0.20/张（图像），¥1.00/秒（1080P视频）；- 企业版支持定制API，按量计费。 |
| 腾讯混元图像3.0 | https://hunyuan.tencent.com/image | 开源免费 + 企业后付费：- 源代码与权重完全开源，可自由下载、商用、二次开发；- 企业API调用采用后付费模式，按生成图片张数计费，¥0.15/张起（1024×1024）；- 首次开通赠送免费额度，优先扣减后进入后付费。 |
| PanGu-Draw | 无独立Web入口 | 无公开API计费。模型集成于华为云ModelArts平台，需绑定昇腾AI芯片实例，费用按云服务资源使用量（如GPU时长）计费，无独立图像生成单价。 |
| 智谱AI 图像模型 | https://open.bigmodel.cn/ | 部分免费：- GLM-4-Vision等轻量模型免费开放；- 高阶图像生成API按¥0.10–0.30/1M tokens计费，具体视模型版本而定。 |
| 月之暗面 图像生成器 | https://kimi.moonshot.cn/ | 仅支持图像理解，不支持文生图：- 提供多模态图像理解API（moonshot-v1-vision-preview），按¥12/1M tokens计费（单图≈1024 tokens）；- 无图像生成能力，非文生图模型。 |
2.3开源与社区模型（可本地部署）
| 模型名称 | 访问方式 | 费用情况 |
|---|---|---|
| Stable Diffusion 3.5 | Hugging Face / ModelScope | 免费开源，部署成本仅硬件（显存≥16GB） |
| Flux | ModelScope | 免费开源，17GB显存可运行，支持ComfyUI |
| Qwen-Image | ModelScope | 免费开源，中文优化版，支持本地部署 |
| PixArt-α / Σ | Hugging Face | 免费开源，参数效率高，适合研究 |
| Lumina | 清华大学开源 | 免费开源，支持长文本与高分辨率生成 |
三.各大模型优缺定分析
3.1 中国本土模型优缺点对比
| 模型名称 | 核心优势 | 主要缺陷 |
|---|---|---|
| ERNIE-Image | - 中文语义理解国内第一（SuperCLUE 2026得分76.37）- 开源轻量：仅8B参数，24GB显存可本地部署- 提示增强机制自动扩展简短指令，提升生成一致性- 支持图表、多主体空间控制，适合教育与广告设计 | - 复杂多语言混排（如中英日韩并存）偶现错字或笔画缺失- 人物关系、精细动作理解仍弱于GPT-Image-1.5- 无官方API，依赖百度AI Studio平台，企业级服务有限 |
| Qwen-Image | - 印刷级中文渲染：支持1000+ token长文本，准确率97.29%- 多字体/排版控制：可精准指定字体、字号、颜色、行距- 支持漫画分镜、PPT生成，子图一致性优秀- 开源且集成于ModelScope，开发者生态完善 | - 低分辨率（<1024×1024）下文字模糊、锯齿明显- 对提示词格式敏感，需明确指定“黑体72pt”等参数- 不擅长超现实风格或抽象艺术表达 |
| 腾讯混元图像3.0 | - 全球首个开源工业级模型，可商用、可二次开发- 性价比高：API调用仅¥0.15/张（1024×1024）- 支持“一句话P图”、多图融合、草稿转商稿- 与微信生态深度集成，适合电商与社交内容生成 | - 文字渲染能力弱于Qwen-Image，无法处理复杂排版- 缺乏对中文语义的深层理解，易误解抽象描述- 无视频生成能力，功能聚焦静态图像 |
| 通义万相 Wan2.6 | - 国内首个支持动态语义一致性的视频生成模型- 可分钟级生成数字人视频、AI短剧- 图像生成与视频生成共享底层架构，风格统一 | - 图像生成非核心能力，画质与细节弱于Qwen-Image- 视频生成存在内容合规风险，部分场景被平台限流- 未开源，仅限阿里云平台调用 |
| PanGu-Draw | - 支持姿态、布局、草图等多控制信号输入- 资源效率高，适配华为昇腾芯片，企业级部署稳定 | - 无独立Web入口，需绑定华为云ModelArts- 无公开评测数据，中文语义理解能力未验证- 社区生态薄弱，工具链支持有限 |
3.2 国际主流模型优缺点对比
| 模型名称 | 核心优势 | 主要缺陷 |
|---|---|---|
| GPT-Image-1.5 | - 全球综合第一（SuperCLUE 87.03分）- 逻辑控制与图像编辑精度顶尖，支持多轮交互修改- 生成细节丰富，擅长复杂叙事、科学插图 | - 中文支持极差，生成含中文图像错误频出- 成本高：单图约$0.0015–0.003，API调用门槛高- 生成稳定性依赖提示词结构，对模糊指令响应差 |
| Nano Banana 2 | - 全球文生图榜首（SuperCLUE 83.73分）- 性价比之王：$0.015/张，为竞品1/3价格- 多模态理解强，支持实时搜索、图文融合、中文文本渲染 | - 闭源且依赖Google AI Studio，无本地部署可能- 未开放API给中国开发者，访问受限- 对艺术风格控制弱于Midjourney |
| Midjourney V7 | - 艺术表现力无出其右，电影感光影、油画质感顶尖- 风格迁移能力强，适合品牌视觉、插画创作- Discord平台交互流畅，社区创意生态活跃 | - 完全不支持中文，提示词需英文撰写- 文本遵循能力弱，易忽略关键描述- 无图像编辑、图生图、参考图控制功能 |
| Stable Diffusion 3.5 | - 完全开源，支持ComfyUI、ControlNet、LoRA等丰富插件- 社区模型生态最庞大，可定制化程度最高- 生成稳定，适合科研、个人创作者长期使用 | - 对复杂语义理解弱，需专业提示词工程- 生成一致性差，同一提示多次结果波动大- 高分辨率生成需高端显卡（≥24GB） |
3.3 开源与社区模型优缺点
| 模型名称 | 核心优势 | 主要缺陷 |
|---|---|---|
| Flux | - 推理速度极快，17GB显存即可运行- 生成细节与融合度领先开源模型- 与ComfyUI深度兼容，工作流成熟 | - 无官方API，依赖社区部署- 中文支持弱，仅限英文提示- 模型版本更新快，稳定性待长期验证 |
| PixArt-α/Σ | - Transformer架构，参数效率高- 适合学术研究与轻量级部署 | - 生成分辨率受限，不适合商业海报- 社区文档少，上手门槛高 |
| Lumina | - 支持长文本（>1000 token）与高分辨率（4K）生成- 清华与智谱联合研发，中文优化较好 | - 未开源完整权重，仅部分模型公开- 推理速度慢，需A100级算力 |
3.4 共性技术瓶颈与挑战
- 文字渲染： 除Qwen-Image外，几乎所有模型在小字号、多语言混排、非拉丁字符上仍存在模糊、错字、断字问题。
- 语义一致性： 长提示（>500 token）下，模型易丢失细节（如“左手持剑、右脚踩石”），PRISM论文指出当前模型平均丢失率超35%。
- 版权与伦理： 训练数据含受版权保护图像，商业使用存在法律风险；Adobe Firefly是唯一明确授权的商业模型。
- 计算成本： 高端模型（GPT-Image-1.5、Nano Banana 2）依赖云端，本地部署成本高，中小企业难以承受。
- 可控性缺失： 除Stable Diffusion生态外，多数闭源模型不支持参考图、草图、姿态控制，创作自由度受限。
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
8
0- 0
已为社区贡献7条内容
所有评论(0)