截至 2026 年 7 月 19 日： 图片模型名称、接口、价格、限制和许可证变化很快。本文提供的是评测方法，不是永久榜单。发布文章或做采购决策前，应核对供应商当前的模型卡、API Schema、价目表、服务条款和地区可用性。

核心要点

  • “最好的图片模型”是依赖工作负载的结论，不是稳定事实。
  • Benchmark 数字只有和完整 Harness、模型快照一起出现才有意义。
  • 文字渲染、构图、编辑、安全、许可证和成本需要分开测试。
  • 本地部署可能减少供应商传输或按量费用，但不会自动消除总运营成本和隐私义务。
  • 生产选择要同时比较质量和失败恢复；好看的图片如果无法修正、追溯或删除，也可能不适合上线。

先定义工作负载，再谈模型名称

在查看供应商对比前，先写一份工作负载契约：

维度 示例证据
输出 宽高比、分辨率、格式、透明通道、静态/动画、生成/编辑
Prompt 语言、布局约束、文字、计数对象、负向约束
参考图 数量、使用权、身份/风格保持要求
审核 人工验收标准、升级路径、禁止内容
运营 QPS、并发、超时、重试、幂等、存储和流量
治理 地域、保留期、训练使用、审计权限、许可证和署名

这样可以避免把创意预览产品、API 和自托管权重当成同一种产品比较。

建立固定版本的对比矩阵

不要从画风或延迟推断私有架构。只记录可观察行为及其证据来源：

字段 应记录
系统身份 供应商、模型 ID/权重、修订版、Endpoint 或产品套餐
能力 输入模态、图片尺寸、编辑操作、输出格式
限制 限流、并发、Prompt 长度、参考图数量、内容策略
许可证 代码、权重、输出、训练数据、托管条款、商标和再分发
数据处理 地域、保留、训练使用、删除路径、子处理者
证据 模型卡、API Schema、条款、价目表、实测 Fixture、访问日期

Midjourney、Flux、GPT Image 或 Seedream 等名称可以帮助检索，但名称本身不能确定稳定的模型版本、许可证或能力集合。

可复现的质量 Harness

使用小型、版本化的 Fixture 集，而不是一张展示图。至少覆盖：

  1. 构图：对象计数、相对位置、遮挡、景深和负向约束。
  2. 文字：多语言、标点、换行、小字号标签和旋转文字。
  3. 参考图：身份、配色、姿势、产品几何和受控风格变化。
  4. 编辑：蒙版边界、背景替换、扩图和连续编辑。
  5. 安全与拒答：良性边界、禁止请求和误拒答复核。
  6. 鲁棒性：改写 Prompt、种子变化、长 Prompt、重试和暂时性故障。

保存 Prompt、可用时的种子、输入 Hash、模型修订、参数、输出 Hash、延迟时间戳、错误类别和评测标准。原始素材应存放在经过批准的位置，并设置访问与保留控制。

为什么不能只看标题分数

FID 衡量特定设置下的分布相似性；CLIP 类分数依赖编码器和 Prompt；偏好率依赖采样、评审指令和比较集合。它们都不能直接衡量品牌一致性、法律安全、文字正确性或可编辑性。发布分数时应同时给出数据集修订、分辨率、采样器、种子策略、评测器、不确定性和日期。

把文字与布局分开评测

对带文字的图片，分别测量精确字符串匹配、字符错误率、行序、文字框重叠和目标显示尺寸下的可读性。人工“看起来正确”应与 OCR 结果分开报告。每种语言和文字方向都要有样本，不能把英文结果直接外推到中文、阿拉伯文或混合脚本。

布局可以使用结构化评分：

text 
composition_score =
  weighted(object_count, relative_position, text_legibility, edit_boundary)

权重是项目决策，不是通用 Benchmark。应使用已接受和已拒绝的样本校准权重，并报告评测者之间的分歧。

编辑、安全与来源

生产流程不只有第一次生成质量。还应测试系统是否：

  • 在编辑小区域时保持主体身份和未编辑区域；
  • 在生成和编辑路径中一致地执行审核与拒答；
  • 在下载、转换和再次上传时保留或清除元数据；
  • 支持删除、访问复核和事件调查；
  • 为参考图和输出提供清晰的来源与许可证路径。

生成图片、用户参考图、检索资产和模型元数据都应视为不可信输入。授权和内容策略必须在服务边界执行，Prompt 或界面选项不是安全控制。

成本与延迟：测量完整工作流

用带日期的成本台账替代静态“单张价格表”：

text 
total_cost =
  provider_or_compute
  + retries_and_failed_jobs
  + storage_and_egress
  + moderation_and_review
  + engineering_and_operations
  + hardware_amortization

每次运行记录首个结果时间、端到端延迟、吞吐、并发、排队时间、分辨率、质量设置、重试和失败类别。本地权重可以没有供应商单价，但在利用率低或人工复核多时总成本可能更高；订阅在一个工作流中便宜，也可能不适合自动化批处理。

本地、托管和 API 的取舍

部署方式 优势 必须核对
托管应用 快速探索，通常带编辑器 保留、训练使用、导出、席位、地域和自动化限制
托管 API 易自动化，有版本化请求和用量遥测 Schema 稳定性、价目表、重试、数据处理、审核和 SLA
本地或私有运行时 可控制网络路径和运行环境 权重许可证、显存、Kernel、更新、安全、能耗和支持

“开源”不能代替阅读确切的权重许可证。权重、代码、适配器、输出和训练数据可能分别适用不同条款。

把测量结果变成可审查的决策

决策记录至少应包含：

  1. 工作负载契约和代表性 Fixture 集。
  2. 固定的系统、日期、参数和失败样本。
  3. 质量、文字、编辑、安全、延迟、成本、隐私和许可证结果。
  4. 不确定性、评测器校准，以及 Prompt/种子变化的敏感性。
  5. 模型、价格、策略或合同变化时的回滚路径和重新评测触发条件。

使用“在这个文字切片上通过”“在这个并发下达到延迟目标”等条件化表述，不要在没有边界的情况下写“最佳”或“生产就绪”。

总结

图片模型选型最持久的能力不是记住一张榜单，而是建立一个固定版本、可重复、能暴露取舍的实验，并保护用户数据和权利。模型或合同发生变化后可以重新运行同一方法，这比未经来源支持的分数、固定价格或普适推荐更可辩护。

待读者核验的来源