同一个提示词,交给8个AI图像模型,画同一个场景:一位二十五岁上下的日本女性,深夜从24小时便利店走出来。把8张图并排放在一起,差距比预想的大得多。

打开网易新闻 查看精彩图片

先看设定。提示词描述的是:日本女性,约25岁,深夜离开便利店,一只手拎塑料袋,另一只手把零钱塞进钱包,目光瞟向小巷。从窄街对面用200mm长焦拍摄,3:4竖幅,带胶片颗粒。不是摆拍,而是一张看起来像被偶然抓到的照片。

参与测试的8个模型是:GPT-Image、Grok、Nano-Banana 2.1、Nano-Banana Pro、Qwen-Image、Seedream、Hunyuan、Wan。同一句话,8张图。

GPT-Image排在最前。它把整个全家便利店(FamilyMart)的场景搭了出来,人物、光线、氛围全部到位,提示词里要求的东西确实都在画面里。

Nano-Banana Pro低一档,但很接近。滤镜感比2.1更重,肢体语言更自然,虚化和光线都不错,看起来像加了滤镜的手机快照。

Seedream风格鲜明,像一部情绪阴郁的文艺片剧照。人物本身没问题,只是太冷,人物边缘的模糊像是贴上去的,仿佛她处在另一个图层。不细看,会觉得是从电影里截的一帧。

Nano-Banana 2.1风格强烈而独特,几乎像真实相机拍出来的。但右侧构图散了,光线不符合物理规律,姿势僵硬,是定住的而不是在动作中。

Qwen-Image整体尚可。它选了罗森(LAWSON)门店,虚化漂亮,侧脸干净。但她离镜头太近,姿势和脚部都很别扭。提示词要求的是更丰满的体型,画出来的女孩明显偏瘦——一旦注意到这一点,整张图的真实感就打折扣了。

Grok感觉很美式,像电视剧剧照。它对镜头语言的理解偏弱,光线也差得远。

Hunyuan和Wan是偏差最明显的两个。两张都像美剧里的日本上班族,刚加完夜班,疲惫、面无表情。Wan的光线勉强过关,但品味平庸。

结论只有一句:差距不在画质——现在各家的画质都过得去。差距在于模型对提示词的理解程度。

它知道“长焦压缩”是什么意思吗?它知道“刚推开门”是一个动作而不是一个姿势吗?它知道“日本的深夜”该是什么样子吗?提示词里的每个词,都得在动笔之前被理解。理解差一点,画出来就是另一张图。Hunyuan和Wan的疲惫上班族、Qwen偏瘦的女孩、Grok的电视剧布景,每一个都是一次小小的误解,叠加起来。

这也回答了怎么选模型:想让它替你做审美判断,就选懂镜头语言的那个;想让它堆细节,就选渲染最干净的那个。油亮、写实还是电影感,取决于模型读提示词的品味。

测试还跑了第二组——酒店大堂里穿红裙的赛博风coser,用135mm拍摄。同样的模型,同样的结果。

一句话总结:图像生成已经过了比谁渲染更锐利的阶段,现在比的是谁真正听懂了你说的那句话。