前言：AI绘图工具为何成为设计师新宠？

随着AI绘画技术的飞速突破，像Stable Diffusion、Midjourney等先进工具已经全面渗透到设计领域，成为众多设计师的得力助手。在当今数字化设计的浪潮中，免费的AI画图平台如雨后春笋般涌现。本文将对腾讯元宝、通义万相、豆包等10款热门免费AI画图平台进行详细实测，通过极具创意的「德州扒鸡创意胶囊」案例，为您揭秘哪款工具最能精准理解中文提示词，为设计师们在选择合适的AI绘图工具时提供有价值的参考。

核心测试案例解析

1.1 创意需求说明

• 设计目标：精心制作16:9比例的胶囊造型微缩场景，以满足特定的视觉展示和设计需求。

• 核心元素：

  • 地域特色：山东德州，这座历史悠久的城市拥有独特的文化和地域风情，为设计增添了丰富的内涵。
  • 产品植入：传统扒鸡，作为德州的标志性特产，承载着当地的美食文化和历史记忆。
  • 风格要求：3D渲染光泽质感，这种风格能够使画面更加逼真、生动，展现出高品质的视觉效果。

提示词

参考下面的提示词帮我生成胶囊16:9图片，先基于地区和特产更改示例提示词中的内容然后再生成。
地区：德州
特产：扒鸡
示例提示词为：
一个胶囊形状的创意微缩场景，胶囊横放着。胶囊一半为活力的樱花粉色或现代的银灰色，印有白色的字“東京”和英文“TOKYO”。另一半透明，展示东京真实的特色建筑缩影——一座现代的东京塔或晴空塔微缩模型，完全包含在胶囊里面，不超出边界。背景为繁华的涩谷十字路口或浅草寺的微缩景象，整体风格3D渲染，具有梦幻感，使用C4D制作，材质有光泽感。

腾讯元宝

腾讯元宝：侧边栏 - AI画图

腾讯元宝是腾讯公司推出的一款AI助手工具，集搜索、AI 问答、文生图等功能于一体。其文生图功能允许用户通过文字描述生成图像，对于创意设计、内容创作等领域具有重要价值。用户只需输入一段文字，腾讯元宝即可根据文字内容生成相应的图像。此外，2025 年 2 月 21 日，腾讯元宝上线文生图功能，用户上传图片后，可通过 DeepSeek 模型解析内容并生成图文结合的创意结果（如分析图片场景、生成配文）；结合混元T1模型，可识别图片中的文字和场景，辅助生成更精准的绘图描述（例如上传风景图后，AI自动生成绘画关键词）。它还支持AI修图、风格、比例的切换，为用户提供了多样化的创作选择。

在本次测试中，腾讯元宝绘制出了示例提示词的图片，但未绘制修改后的图片

通义千问

通义千问：图像生成

通义千问是由阿里云研发的一款先进的人工智能语言模型，基于Transformer架构，通过创新的训练方法（如动态NTK感知插值、LogN - Scaling、窗口注意力机制）扩展上下文长度，其千亿级参数规模（Qwen2.5 - Max版本）结合混合专家模型（MoE）架构，在自然语言处理、多模态理解等任务中表现出色。它适用于多种自然语言处理任务，包括文本生成、问答系统、机器翻译、文本分类等，在各个领域都能提供出色的表现。同时，它整合图文生成（通义万相）、音视频理解（通义星尘），支持PDF、Excel等多格式文件分析，还具备企业级服务闭环，实现了阿里云生态整合，无缝对接电商、物流、金融等行业解决方案（如天猫精灵智能客服），并且支持私有化部署，满足金融、政务等敏感场景需求。其开源影响力也较大，Qwen系列模型下载量突破1.8亿，衍生模型数达9万，超越Meta的Llama系列。

在图像生成方面，通义千问绘制出了修改后的图片，但只画出了扒鸡，没有绘制出德州等信息。

豆包

豆包：侧边栏 - 图像生成

豆包是字节跳动开发的通用大模型，融合了自然语言处理、计算机视觉和语音识别等技术。它提供聊天机器人、写作助手以及英语学习助手等功能，可以回答各种问题并进行对话，支持网页、客户端、APP、插件等形式。基于豆包大模型，字节跳动打造了AI对话助手“豆包”、AI应用开发平台“扣子”、互动娱乐应用“猫箱”，以及星绘、即梦等AI创作工具，并把大模型接入抖音、番茄小说、飞书、巨量引擎等50余个业务，用以提升效率和优化产品体验。

• 豆包不仅在文本处理上表现出色，还具备强大的多模态交互能力，并且支持多风格、多比例的一致性多镜头生成，可应用在电商营销、动画教育、城市文旅、微剧本等领域。通过字节跳动内部 50+ 业务场景实践验证，每日千亿级 tokens 大使用量，使得豆包在推理效率和成本控制上具有明显优势。在图片生成方面，它一次性可生成多达 20 张 3D 风格的高质量图片，极大满足了设计、创意和娱乐等多样化需求。

在本次测试中，豆包完整绘制出扒鸡、德州等信息。

Gemini

Gemini

Google于2023年推出Gemini系列模型，作为其多模态大模型的里程碑，旨在结合文本、图像、音频等多模态能力，同时提升代码生成、对话理解等核心功能。其核心目标包括多模态统一（处理文本、图像、音频等多种输入输出）、长上下文理解（支持超长上下文，如Gemini Pro支持16万token）以及高效推理（在轻量化版本如Gemini Ace中平衡性能与计算资源）。

Gemini系列有多个版本，如基础版本Gemini 1支持多模态任务，适用于通用场景（如问答、摘要生成）；高性能版本Gemini Pro面向复杂任务，具备超长上下文处理能力（支持16万token的上下文输入，适合长文档分析或复杂对话），多模态能力增强，可生成或理解高质量图像描述、音频内容，还支持代码生成；轻量化版本Gemini Ace优化成本与速度，具有低延迟推理特点，适合实时交互（如聊天机器人），适用于移动端或资源受限环境；2024年更新的Gemini 2新增视频理解能力，增强了推理和代码生成能力。

• 在文生图方面，Gemini在自然语言的修改指令理解、材质质感复现、局部细节微调方面，达到了部分生产创作环节完全可用的水准。例如，它能完成简单形体的材质变换、连续微调形态细节、大幅度改变视角，还能将手绘稿转设计渲染图并拍出产品宣传图，一次性生成多套不同风格的设计，以及进行抠图、换背景、打光影等操作。不过，它也存在一些局限性，如多模态生成能力方面图像生成质量可能不如专用模型（如DALL·E），实时视频处理能力复杂视频分析仍需优化，高性能版本（如Gemini Pro）部署成本较高。

在本次测试中，Gemini绘制出了毫无相关的事物，但却有Dezhou字样。

即梦AI

即梦AI：图像生成

即梦（Jimeng）是字节跳动旗下的一个融合了前沿AI技术的多模态内容创作平台。它不仅仅能生成文本，更能理解和创造图像、音频乃至视频内容。其核心基于自然语言处理（NLP）、计算机视觉（CV）和先进的生成模型（如GANs、Diffusion Models等），采用“模型联邦”策略，整合了针对文本、图像、音频等不同任务优化的专用模型，并通过智能路由（Intelligent Routing）机制，根据用户需求动态调用最合适的模型组合，实现更专业、更高效的生成效果。同时，它在处理长篇内容或系列创作时，展现出良好的上下文理解和一致性保持能力，原生支持文本到图像（Text - to - Image）、图像到文本（Image - to - Text）、文本到音频（Text - to - Speech）等多种跨模态转换。

• 2025年4月3日，即梦3.0正式启动灰度测试，并于4月7日全量上线。此次更新以中文文本生成能力和影视级画质为核心突破，支持2K分辨率（2560×1440像素)的直出图像，新增的“影视质感”效果可生成更具真实感和细腻度的图像，适用于广告、海报等商业场景。在中文文本生成能力方面，优化了小字稳定性，解决了此前版本中小字模糊、排版混乱的问题，支持更具设计感的字体生成，对中文指令的识别更精准。此外，它还具备智能化操作与效率提升功能，如精准控制功能，用户可通过简单指令调整图像中元素的细节；消除笔工具，针对生成图像中可能出现的冗余元素，提供一键消除功能。在语义理解上进一步优化，能更准确地解析复杂Prompt，支持多种应用场景的定制化生成，如电商广告、影视概念设计、教育内容等。

在本次测试中，即梦AI绘制出了示例提示词的图片，但未绘制修改后的图片。

哩布哩布AI

LiblibAI - 哩布哩布AI：在线生成

开通会员

哩布哩布AI是由北京奇点星宇科技有限公司运营的人工智能平台，是一个基于人工智能技术的创作平台，主要以AI图像生成功能为核心，在2023年5月创立，在短短时间内发展迅速，已经成为国内AI图像赛道的重要平台之一。

• 它具有多样化的创作模型，涵盖动漫、游戏、摄影、写实、科幻、插画、平面设计、建筑、工业设计等多个领域，平台拥有10W +的模型可供选择，用户可以一键将所需模型入库，方便快捷地获取各类创作资源，节省寻找素材的时间，提高创作效率。其创作流程便捷，智能图像生成功能可让用户通过输入描述性的文本，将这些文本转化为图像；支持一键上传图片，可用于做配图、插图等且质量非常高，还支持高清修复和图生图功能；用户还可以利用其云端计算资源训练自己的AI模型。在用户体验方面，支持筛选和选择不同的创作模型，支持3D立体、扁平抽象等多种设计风格，提供会员专属权益，具有强大的用户社区，方便用户交流和分享创作经验。此外，它操作便捷，无需复杂配置，用户可以直接打开Liblib AI网页端即可使用云端SD – WEBUI，不用部署，不用下载模型；界面友好直观，即使是新手用户也能快速熟悉操作流程。

在本次测试中，哩布哩布AI绘制出了示例提示词的图片，但未绘制修改后的图片。

通义万相

通义万相：文字做图

通义万相是阿里云推出的AI多模态内容生成平台，基于阿里通义大模型，能够自动生成高质量的图片、艺术设计、广告素材、数字人形象等，广泛应用于电商、影视、设计、社交媒体等领域。它整合了文生图、图生图、风格迁移等功能，还具备高清修复、个性化定制等特色功能。其技术架构依托阿里巴巴通义大模型，结合扩散模型（Diffusion Model）和Transformer架构进行高质量图像生成。

• 在文生图方面，它通过文本描述生成高清图像，支持水彩、油画、中国画、扁平插画、二次元、素描、3D卡通等8种风格，并且风格之间的差别、特色都十分显著，生成速度快，复杂的图像生成在 45s 以下，简单图像在30s以下。相似图像生成功能可让用户上传不超过10M的 jpg、jpeg、png、bmp 图片，点击生成按钮，右侧生成4张相似图片可供下载，生成的相似图与原图贴合程度较高。图像风格迁移功能支持输入两张图片，一张为原图，一张为指定风格图，生成的图像会保留原图的内容和风格图的风格。

在本次测试中，通义万相完整绘制出扒鸡、德州等信息（就是不太美观）。

可灵

可灵：图片生成

可灵AI是快手科技旗下的平台，2025年4月15日，可灵AI宣布基座模型再次升级，面向全球正式发布可灵2.0视频生成模型及可图2.0图像生成模型。作为全球首个用户可用的DiT视频生成模型，可灵AI自去年6月上线至今的10个月时间里，月活用户数量增长25倍，全球用户规模已突破2,200万。3月27日，全球知名AI基准测试机构Artificial Analysis发布了最新的全球视频生成大模型榜单，快手可灵1.6 Pro（高品质模式）以1,000分的Arena ELO基准测试评分登陆图生视频（Image to Video）赛道榜首。

• 可灵2.0模型在动态质量、语义响应、画面美学等维度保持全球领先；可图2.0模型在指令遵循、电影质感及艺术风格表现等方面显著提升。可灵2.0大师版全面升级视频及图像创作可控生成与编辑能力，上线全新的多模态视频编辑功能，能灵活理解用户意图，支持在一段视频的基础之上，通过输入图片或文字，对生成的视频内容实现元素的增加、删减、替换；可图2.0也上线了实用的图像可控编辑功能——局部重绘和扩图，支持图片的增加、修改和修复，还上线了全新的风格转绘功能，只需要上传一张图片加上风格描述，就能一键切换图片的艺术风格，同时精准保留原图的语义内容。

在本次测试中（使用的是可图1.5），可灵绘制出了示例提示词的图片，但未绘制修改后的图片（速度慢，且最新模型可图2.0需要充值VIP）。

ChatGPT 4o Image

ChatGPT - 4o 图像生成

GPT - 4o 是 OpenAI 在 2025 年 3 月开始迭代的图像生成功能，其独特之处在于它能够在对话中理解上下文，生成更符合用户意图的图像。这一功能自推出以来，因其便捷性和生成图像的高质量，迅速成为 ChatGPT Plus/Pro 等版本的用户喜爱的功能。不过，使用 GPT - 4o 生成图像存在频率限制，一般情况下，ChatGPT Plus 用户每三小时可以使用大约几十次图像生成功能，在系统高峰期，这一限制可能会进一步减少，且该功能与文本生成功能共享 ChatGPT Plus 会员的权益次数。

• 在图像生成方面，它具有理解提示词准确、一致性强等特点，擅长精确按照提示要求生成内容、多元素组合场景以及文字呈现准确性高的场景，适用于电商产品展示、企业宣传材料、需要准确呈现特定元素的场景等商业应用场景。

在本次测试中，ChatGPT 4o Image完整绘制出扒鸡、德州等信息（符合预期）。

测试效果

总结

AI生成图首选：ChatGPT 4o Image > 豆包 > 通义万相

Stable Diffusion 作为一种先进的深度学习模型，在人工智能领域尤其是图像生成方面具有重要意义。
这个章节是学习使用AI绘图绕不过的，无论使用哪种工具，都需要对其原理有个基础的的了解。

“很简单，我去采石场，看见一块巨大的大理石，我在它身上看到了大卫。我要做的只是凿去多余的石头，去掉那些不该有的大理石，大卫就诞生了。” –米开朗琪罗

整体架构

Stable Diffusion 是一个复杂的系统，由多个组件协同工作。以文生图为例，用户输入文本提示（prompt）后，首先由 Text Encoder（如基于 CLIP 模型的文本编码器）将其转换为 77 个等长的向量，每个向量包含 768 个维度。这些向量包含了文本的形态、视觉和语义等特征信息，使得模型能理解用户需求。
接着，这些向量与一张随机图（可视为充满噪声的图）一同进入 Image Information Creator。在此组件中，它们先被转换到 Latent Space（潜空间），然后通过多步（Steps）降噪过程，将随机图逐步转化为包含用户所需图像信息的 “中间产物”。这个过程中，Noise Predictor 根据随机图、prompt 向量和当前 Step 数预测噪声图，通过一系列计算（如噪声图相减、放大并相加等操作）来去除不需要的噪声，且负向 prompt 也会影响噪声计算从而改变最终图像。
最后，Image Decoder 将潜空间中的 “中间产物” 解码为最终的图片，整个过程类似在充满噪点的图像中 “雕刻” 出符合 prompt 的图片。

技术原理

其基于扩散模型原理，通过在训练过程中学习如何给图像添加噪声然后逆向去除噪声来生成图像。潜空间技术是关键，它通过对原始图像进行编码和降维得到低维空间表示，大大提高了运算效率，使得民用 GPU 也能相对快速地完成任务，同时也有助于更好地控制图像的细节和风格。但该技术也存在一定弊端，如数据编码再还原过程中会导致部分数据丢失，使得图像可能出现一些细节缺失或奇怪的情况，例如生成图像中的文字可能不够准确。

降噪过程与原理

基础概念

在 Stable Diffusion 中，降噪是将随机噪声图逐步转化为符合文本提示（prompt）的清晰图像的关键过程。这个过程主要在 Latent Space（潜空间）中进行，潜空间通过对图像进行编码和降维，将其表示为一组潜在变量，使得在这个空间中进行操作能够提高效率并更好地控制图像特征。

详细步骤

• 在 Image Information Creator 中的每一步降噪（Denoise）操作，都需要输入随机图、Prompt 的词特征向量以及当前的 Step 数。其中有一个 Noise Predictor（噪音预测器）模型发挥重要作用。
  对于一张初始的随机图（例如 4X4 大小，这里的大小对最终生成图像的比例和大小有影响，若要改变最终图像大小需调整随机图尺寸而非通过 Prompt 指令），Noise Predictor 会根据随机图和 Prompt 词特征向量预测出一张噪声图 B，同时不使用 Prompt 词特征向量预测出一张噪声图 C（蓝色线）。
• 将噪声图 B 和 C 相减得出图 D，其意义在于得到 “根据 Prompt 预测的噪声”（因为 B 可简单理解为包含 “根据 Prompt 预测的噪声”+“根据随机图预测的噪声”，C 为 “根据随机图预测的噪声”，B - C 就隔离出了与 Prompt 相关的噪声部分）。
• 将噪声图 C 放大，一般通过乘以一个系数（如 CFG、CFG Scale 或 Guidance Scale），这个操作是为了提高 “根据 Prompt 预测的噪声” 的权重，使得生成的图像更符合 Prompt 描述，然后将放大后的图与噪声图 C 相加得到图 E。
• 将原始随机图 A 减去图 E，得到一张新的图，这就是一次降噪后的结果，通过不断重复这样的步骤（多 Steps），逐步去除噪声，使图像越来越清晰，直到达到预设的 Steps 数或满足生成条件，最终得到中间产物（潜空间中的图像表示），再由 Image Decoder 解码成最终的清晰图像。

负向 Prompt 的作用机制（与降噪相关）

当输入负向 Prompt 时，也会生成相应的噪声图 B2。此时，会用正向 Prompt 生成的噪声图 B1 减去 B2 再减去 C 得出 D，这意味着最终生成的图像会更加远离负向 Prompt 相关的噪声，从而使图像更符合正向 Prompt 的要求，并且避免出现负向 Prompt 所描述的特征。

与其他模型降噪对比（以 Midjourney 为例）

Midjourney 在生成图像时会展示图像从模糊甚至黑色（充满噪声）逐步变得清晰的过程，即每一步降噪后的图像变化都呈现给用户。而 Stable Diffusion 在 Image Information Creator 中进行多次降噪步骤，但只将最后一次降噪后的结果通过 Image Decoder 解码成最终图像展示给用户，用户在生成过程中看不到中间的降噪步骤图像变化。不过两者的最终目的都是通过降噪技术生成高质量、符合用户需求的图像，只是在展示方式和具体的降噪实现细节上可能存在差异，这些差异也会影响到用户对模型的使用体验和在不同场景下的选择。

Stable Diffusion 使用注意事项

prompt 的重要性：准确、详细的 prompt 是生成理想图像的关键。应明确描述图像的主题、风格、颜色、构图等要素，例如 “一个在阳光明媚的花园中穿着复古连衣裙的年轻女孩，周围是盛开的玫瑰，风格为印象派油画”。
参数调整：
Steps 参数影响图像质量，一般步数越多图像越精细，但会增加生成时间和计算资源消耗。
CFG Scale（Guidance Scale）用于调整图像与 prompt 的相关性，较高的值会使图像更符合 prompt 描述，但可能降低图像的多样性。
模型选择与更新：不同版本的 Stable Diffusion（如 Stable Diffusion XL Turbo 等）有不同特点，用户应根据实际需求选择合适的模型，并关注模型的更新以获取更好的性能和功能。

与其他模型对比

与 Midjourney 对比：
在生成过程中，Midjourney 会展示图像从模糊到清晰的逐步变化过程（降噪过程），而 Stable Diffusion 在 Image Information Creator 中多次降噪但只展示最终解码后的图像。
两者都能生成高质量图像，但在图像风格、细节表现等方面可能因模型训练和算法差异而有所不同，用户可根据个人喜好和需求选择。

参考资料

Stable Diffusion 基础 - Comflowy - 链接

Comfyui介绍

它是一款极具创新性和强大功能的开源图像生成程序。它以独特的基于节点的操作界面为特色，将复杂的图像生成过程分解为一个个清晰可见的节点，就如同构建一座精美的艺术大厦的砖块。每个节点都代表着特定的功能模块，用户可以直观地通过连接这些节点来构建自己的图像生成工作流，仿佛在绘制一幅充满创意的流程图。
在模型支持方面，ComfyUI 表现得极为出色。它全面兼容 SD 1.x、SD 2.x、SDXL、稳定视频扩散、稳定级联、SD3 和稳定音频等多种稳定扩散模型，无论是经典的图像生成模型还是新兴的视频和音频相关模型，都能在这个平台上找到用武之地。它可以加载 ckpt、safetensors 和 diffusers 等各种格式的模型 / 检查点，还支持独立的 VAE 和 CLIP 模型，为用户提供了极大的灵活性和选择空间。此外，ComfyUI 还能与 ControlNet、T2I-Adapter 等工具完美结合，进一步扩展了其功能和应用场景。例如，借助 ControlNet，用户可以更精准地控制图像的生成，对图像的特定区域、姿势、线条等进行细致的约束和引导，从而创造出更加符合自己心意的作品。
在工作流管理方面，ComfyUI 也有诸多亮点。用户可以将精心构建的工作流保存为 JSON 文件，这不仅方便了下次使用，还能与其他用户分享自己的创意和成果，促进了用户之间的交流与学习。其异步队列系统能够高效地处理多个图像生成任务，大大提高了工作效率。而且，它还具备智能的优化功能，只重新执行工作流中发生变化的部分，极大地节省了计算资源和时间。
在图像编辑与增强功能方面，ComfyUI 同样可圈可点。它支持区域构图，允许用户对图像的特定区域进行精细编辑和处理，为创意的实现提供了更多可能。同时，图像修复功能也十分强大，无论是去除瑕疵还是恢复旧照片，都能轻松应对。

注意配合中文文档阅读当前文章，本文只做文档的部分补充说明。
https://www.comflowy.com/zh-CN/preparation-for-study

python 版本

注意使用3.1以上，我这边使用3.9，3.1会安装不了pyTorch。

安装 pyTorch

PyTorch 是深度学习领域极为出色的开源机器学习框架。它以动态计算图为突出特点，允许在运行时动态构建、修改和执行计算图，这不仅让调试变得轻而易举，还能根据不同输入数据和任务需求灵活调整模型结构，比如在开发中可随时打印中间变量值以便快速定位问题。其 API 简洁直观，对熟悉 Python 的开发者十分友好，学习曲线相对平缓，定义神经网络模型就如同定义普通 Python 类般简单。拥有强大生态系统，庞大的社区和丰富的第三方库支持使其成为开发者的得力助手，像 torchvision 库可用于图像数据处理和加载预训练模型，torchaudio 库能处理音频数据。同时，PyTorch 支持 GPU 加速，只需几行代码就能将模型和数据转移到 GPU 上，大大提高计算速度。在应用领域方面，它在计算机视觉任务中表现卓越，如图像分类、目标检测和图像分割等，许多知名模型如 ResNet、YOLO 都是用 PyTorch 实现的，开发者可借助 torchvision 库中的数据预处理方法和预训练模型快速构建应用。在自然语言处理领域，适用于文本分类、机器翻译和语言建模等任务，提供丰富的文本处理工具如 torchtext。在强化学习方面也被广泛应用，可与多种强化学习算法结合。与 TensorFlow 相比，PyTorch 更加灵活、易于调试和实验，而 TensorFlow 在生产环境部署和优化上有优势，PyTorch 的动态计算图适合研究开发，TensorFlow 的静态计算图在大规模部署时更高效。与 Keras 相比，Keras 是建立在底层框架上的高级 API，PyTorch 则提供更底层的控制和灵活性，适合深度定制和优化模型的开发者，而 Keras 更适合快速搭建和实验模型。总之，PyTorch 功能强大、灵活易用，是深度学习任务和应用场景的理想选择。

pyTorch 链接

遇到源链接相关问题，直接切换清华源，类似下面写法：

1

pip3 install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

启动器下载

Comflowyspace 是一款创新的开源 AI 图像和视频生成工具，它基于 ComfyUI 开发且遵循其协议进行代码开源。在功能方面，它具有便捷的一键安装功能，简化了传统复杂的安装过程；具备工作流管理功能，可自动保存操作改变并支持多标签同时运行多个工作流；提供丰富的工作流模板以降低搭建难度，对用户体验进行了诸多优化且与教程系统集成以降低学习门槛，支持 macOS 和 Windows 系统，其云版本预装多种常用扩展并整合 Civitai 模型，无需本地下载即可高效利用云端 GPU 资源。

Comflowyspace -github链接

尝试生成一只猫