企业官网建设流程全解析

2025年下半年开始，图像生成模型迭代快得有点跟不上。FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image这几个名字频繁出现在各种评论区，有人拿它们做电商素材、有人跑ComfyUI工作流、有人在Windows和Ubuntu上换着环境折腾。我花了大概两周时间把这五个模型的核心机制、部署方式和实际出图效果捋了一遍，这篇文章就把这些内容摊开讲，不讲虚的，直接看能拿走的结论。

这五个模型覆盖了目前开源和闭源图像生成的两条主流路线：一类是纯扩散模型架构，例如FLUX.2，强调提示词理解和真实感；另一类是自回归+扩散混合架构，例如Qwen-Image和GLM-Image，更适合多模态图文生成和长文本描述场景。无论你是做设计、内容创作，还是自己跑工作流搞自动化出图，这篇文章能帮你搞清楚：哪个模型适合什么任务、在哪里部署、怎么接入ComfyUI、哪些参数值得调、哪些坑我替你踩过了。

1. 五模型总览与选型先想清楚再动手

1.1 它们各自是什么

先说FLUX.2。它是FLUX系列的第二代，延续了基于Transformer的扩散架构，主打高分辨率真实感生成和极强的提示词跟随能力。相比一代，FLUX.2在文字渲染、人脸结构、光影一致性上有明显提升，尤其处理长提示词时很少出现元素丢失。

Seedream是字节跳动旗下即梦平台背后的图像生成模型，3.0版本已经支持原生中英文混合输入。它比较擅长中文海报排版、电商场景生成，对中文语义的理解在国产模型里属于第一梯队。

Z-image属于偏实用主义的轻量级生成模型，它名字里的“Z”听起来像极客玩具，实际上走的却是低显存、快速出图路线，社区里流传的“z-image turbo下载蓝奏云”指的就是它的加速蒸馏版本。很多人在低配显卡上跑ComfyUI工作流时优先选它。

Qwen-Image来自通义千问团队，是典型的自回归+扩散混合模型。官方名字是Qwen-Image，但很多工作流插件里会标注为qwen-image，跑ComfyUI时也常看到qwen-image 2.1这类版本名。它最大的特点是支持任意分辨率输入，并且能将提示词中的空间关系、物体数量比较准确地映射到图上。

GLM-Image来自智谱AI的GLM系列，同样是混合架构，强调“中文长文本+图像”联合生成，比如输入一段带情感描述的小作文，它能提炼出画面主体和构图，生成比较稳定的插画风或写实风图像。

1.2 模型定位对比表

1.3 怎么选：先看场景再谈好坏

没有绝对最强的模型，只有最合适的场景。我实测下来，几个典型需求应该这样选：

• 电商设计师做中文促销海报，优先Seedream，它对中文标语排版的理解明显更好，生成出来的文字极少出现笔画错乱。
• 自媒体创作者需要一个低门槛、显存友好的快速出图方案，Z-image turbo在本地显卡上非常舒服，跑一张图大概在2到5秒之间。
• 做复杂的多物体场景，比如“三只猫在沙滩上，一只戴帽子，一只叼鱼，一只看向镜头”，Qwen-Image能把数量和动作对应得更准确。
• 追求极致光影和质感，比如产品渲染、人像精修，FLUX.2最稳，前提是你的显卡足够强，或者愿意用GGUF量化版本改造部署。

选型的时候还要考虑一个隐藏因素：生态成熟度。ComfyUI社区为每个模型都做了插件，但插件维护质量差别很大。FLUX.2和Qwen-Image的插件更新频率高，遇到问题也好搜；Z-image相对灵活但资料少；GLM-Image的官方支持不错，不过第三方节点还不多。刚开始接触的话，先认准一个模型跑通流程，再横向切换。

2. 核心基础：架构、参数与关键原理

2.1 扩散模型与自回归模型到底有什么区别

想理解这些模型，绕不开两个基本概念。

扩散模型（Diffusion）可以理解为“反复去噪”：先给一张高清图片不断叠加高斯噪声，直到它变成纯噪声，然后训练模型学会逆向去噪，一步步还原出图像。生成时输入随机噪声，模型预测每一步的噪声并去除，最后得到清晰的图片。FLUX.2、Seedream、Z-image都属于这一类（FLUX.2还引入Flow Matching改进，简单说就是让去噪路径更直接，训练更稳定）。

自回归模型（Auto-regressive）则更像是“逐块填字”：像写文章一样，从左到右、从上到下一块块预测像素或图像token。Qwen-Image和GLM-Image采用的办法是：先把文本变成token，再以文本为条件逐块生成图像token，最后通过一个轻量扩散模块把token还原成像素。这种方式天然擅长对齐长文本和图像内容。

混合架构的出现是因为单靠自回归生成细节容易糊，单靠扩散又难以精确控制对象数量关系。两个结合以后，文本理解能力归自回归，空间细化能力归扩散，取长补短。

2.2 关键参数：分辨率、CFG、采样步数与种子

无论是哪一个模型，生成图像时都绕不开这几个基础参数：

• 分辨率（Resolution）：决定图像大小和细节量。FLUX.2通常支持1024×1024及以上，Qwen-Image支持任意分辨率输入，但过高的分辨率会显著增加显存占用和生成时间。
• 提示词引导系数（CFG, Classifier-Free Guidance）：控制生成结果对提示词的服从程度。数值越高就越贴近文本描述，但过高会导致色彩过饱和、构图僵硬。Z-image这类蒸馏模型对CFG很敏感，建议从3到7之间试。
• 采样步数（Steps）：扩散模型去噪的迭代次数。步数越多细节越精细，但时间成本上升。FLUX.2在28步左右能达到稳定效果，Qwen-Image为20到30步，GLM-Image在25步左右。
• 种子（Seed）：影响初始随机噪声。固定种子可以复现同样构图，微调提示词时建议固定种子排除随机干扰。

2.3 显存与速度怎么估算

很多人在选择模型时关注的其实是同一个问题：我的机器带不带得动。

按照主流方案，可以简单估算一下。一张1024×1024的图像在FP16精度下，基础张量占用约2GB显存（1024×1024×3×2字节），但模型本身参数、文本编码器、VAE解码器加起来才是真正的大头。FLUX.2完整版在FP16下通常需要12GB以上显存才能舒服运行，Qwen-Image大约需要8到10GB，Z-image turbo经过蒸馏和剪枝后最低可以在6GB显存上跑。

如果你的显卡只有6GB，优先考虑Z-image。如果只有8GB又想跑FLUX.2，可以通过GGUF量化将权重压到4bit，实测8GB显存可以跑到1024分辨率，代价是生成速度从几秒变成十几秒。

提示：显存不够时不要只盯着模型权重，临时文件里的文本编码器也可能占2到3GB。很多人的“OOM”其实是被编码器吃掉的。可以尝试用offload模式把文本编码器放到CPU上。

2.4 提示词工程的基本逻辑

提示词是决定图像质量的下限。好的提示词一般包含四个部分：主体、环境、风格、画质修饰词。

举例说明。同一个主体，低质量写法和高质量写法差别很大：

• 低质量写法：一只猫在窗台晒太阳。
• 高质量写法：一只橘猫趴在木质窗台上，午后阳光从左侧窗户斜射进来，背景是虚化的老街道，胶片摄影风格，浅景深，高细节，温暖的色调，高清8K。

对于Qwen-Image和GLM-Image这类混合模型，提示词可以写成更自然的段落，甚至用括号描述物体的空间关系。FLUX.2对自然语言的理解也很好，但建议主体放在开头，修饰词放在后面，注意分隔。

3. 实操部署：本机跑通Qwen-Image与Z-image

3.1 两种部署路线：命令行与ComfyUI

我建议新手从ComfyUI入手，原因很简单：不需要维护代码，拖拽节点就能完成复杂工作流。Qwen-Image在ComfyUI有专门插件（ComfyUI-QwenImage），支持加载官方权重。Z-image在社区里也有对应的自定义节点。

如果后续想开发自动化流程，再用命令行Python脚本。两者底层调用的推理代码相似，区别在于ComfyUI帮你处理了模型加载、显存管理、图片保存等交接工作，对初学者很友好。

3.2 在Ubuntu 20.04上部署Qwen-Image的完整流程

以Ubuntu 20.04为例，按照下面步骤可以跑通Qwen-Image 2.1的ComfyUI工作流。

先确认环境已经安装Python 3.10以上和Git。然后拉取ComfyUI官方仓库：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv source venv/bin/activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt

接下来安装Qwen-Image插件：

cd custom_nodes git clone https://github.com/model-mapper/ComfyUI-QwenImage.git pip install -r ComfyUI-QwenImage/requirements.txt

插件安装完成后，将模型权重放进ComfyUI/models/diffusion_models目录，文本编码器放进text_encoders目录，VAE放进vae目录。启动ComfyUI：

python main.py --listen 0.0.0.0 --port 8188

浏览器访问http://localhost:8188，在节点列表中找到“QwenImage”系列节点，搭建出图流程。

3.3 在Windows上跑Z-image turbo的注意事项

Z-image turbo在Windows下的安装和Linux类似，唯一麻烦的是依赖编译。建议直接下载社区打包好的“z-image turbo下载蓝奏云”整合包，解压后双击启动脚本即可。

整合包里一般自带Python环境、PyTorch、ComfyUI和必要节点，不需要手动配置依赖。但要特别注意版本一致性：PyTorch版本、CUDA版本、显卡驱动版本必须匹配。如果启动时报找不到torch_cuda，多半是CUDA版本不一致，先更新显卡驱动，再重新安装对应PyTorch。

3.4 参数配置与工作流搭建示例

我以ComfyUI为例，展示一个最简单的Qwen-Image文生图工作流节点连接顺序：

1. 加载Qwen-Image模型（选择checkpoint或diffusion model）
2. 加载文本编码器（CLIP/Qwen-VL编码）
3. 输入提示词（支持中文）
4. 设置空Latent图像尺寸（例如1024×1024）
5. 设置采样器：步数设为30，CFG设为5，采样器选择euler，调度器选择normal
6. KSampler采样后接入VAE解码
7. 输出图像并保存

这个流程看起来很简单，但实际调试时最常出问题的就是采样器选择。Qwen-Image在euler和dpmpp_2m下表现稳定，换成sde类型可能会产生奇怪的条纹噪点。Z-image turbo则相反，它更推荐使用unipc采样器配合较小CFG值。

注意：跑通一次工作流后，建议把整个流程保存为json文件，以后更换提示词时直接加载，效率高很多。

4. 快速试跑与“不能说一模一样，但确实有差距”的实测对比

4.1 用统一提示词跑五个模型

为了公平对比，我用同一句提示词测试了五个模型：

提示词：一只戴着红色围巾的柴犬坐在木质台阶上，身后是飘着雪的日本街道，夜晚暖黄路灯，浅景深，细腻毛发质感，胶片摄影，高清细节。

在各自最优参数下（分辨率1024×1024，步数28到30，CFG 5到7），结果差异非常明显：

• FLUX.2：毛发质感最好，围巾纹理和路灯暖光融合自然，几乎无穿帮。
• Seedream：画面整体偏明亮，红围巾颜色正，但毛发细节略软。
• Z-image turbo：生成速度最快，约3秒，但毛发有轻微涂抹感，适合快速出草稿。
• Qwen-Image：空间关系最准确，街道透视和台阶位置合理，围巾没有和身体粘连。
• GLM-Image：中文提示词理解好，色彩偏插画，雪景氛围足，但真实感略弱。

4.2 文字渲染测试：中文海报场景

图像生成模型的文字渲染能力，是电商和海报场景的硬指标。我测试了提示词“店铺周年庆，全场五折优惠，红色背景，金色标题字”。

结果显示：Seedream几乎完美，金字笔画清晰；FLUX.2次之，整体清爽但个别笔画简化；Z-image和Qwen-Image在中文小字上有轻微连笔；GLM-Image在“庆”字上出现结构错误。这提醒我们，做中文海报时优先Seedream或FLUX.2，别省这一步。

4.3 低显存实测：Z-image与Qwen-Image量化版

我在一张6GB显存的显卡上分别测试了Z-image turbo和Qwen-Image的量化版本。Z-image turbo原生支持低显存，1024×1024出图约4秒，体验非常流畅。Qwen-Image在4bit量化后也能在6GB显存下运行，但速度掉到12秒左右，而且分辨率只能稳定在768×768，传到1024偶尔报OOM。

这个结果说明一个道理：如果设备配置有限，不要盲目追求最新的高精度模型，先用Z-image铺量，再用FLUX.2或Qwen-Image精修，才更实用。

4.4 一条有效的工作流建议

我目前在生产环境中使用的组合方案是：先用Z-image turbo批量生成候选构图，人工挑选满意的构图后，用固定种子和同一提示词在FLUX.2上重绘，获得更高清和细腻的最终版。整个流程完全可以在ComfyUI里串联成两个子工作流，效率很高。种子固定是重绘一致性的关键，别忽略。

5. 常见问题与排查技巧实录

5.1 问题速查表

5.2 我踩过的几个坑

第一个坑：安装Qwen-Image插件后，启动报错找不到transformers的某个类。原因是依赖版本和ComfyUI内置环境冲突。解决方式很简单，在虚拟环境里执行pip install --upgrade transformers，重新启动即可。

第二个坑：FLUX.2在Windows下加载非常慢，每次启动要等40秒。后来发现是文本编码器每次都被重新加载。把文本编码器文件转成safetensors格式并启用缓存，启动时间缩短到10秒内。

第三个坑：Z-image turbo整合包解压后直接双击运行，结果提示缺少MSVC运行库。安装微软常用运行库合集，一次性解决。

第四个坑：使用Qwen-Image生成带文字的LOGO时，英文正常中文缺笔画。参考社区里的讨论，给提示词加上“svg style, vector graphics, clean strokes”这类描述，质量提升明显。这个方法不神秘，但不试真的不知道。

5.3 关于GGUF量化和加速的补充

关于Qwen-Image的GGUF量化，操作上需要注意：量化文件放进diffusion_models目录后，需要安装ComfyUI-GGUF节点插件，否则模型不会出现在节点列表里。同理，FLUX.2的GGUF版本也要配套这个插件。安装完成后，在采样器前加上GGUFModelLoader节点并填入量化文件名，工作流就能跑起来。

Z-image turbo的“turbo”意味着它已经做过蒸馏加速，步数可以低到4到8步，普通模型需要20到30步。步数少、速度快的代价是细节不稳定，高对比度边缘易出现轻微伪影。建议审稿时放大到200%检查边缘。

5.4 更进一步：多模型组合创作思路

如果真的想把工作流做得更完整，可以试试这样的组合：用Qwen-Image做主体生成、以主体图作为条件输入给FLUX.2重绘，再用Seedream生成背景文字层，最后用Z-image输出快速预览。ComfyUI里通过遮罩和条件ControlNet节点完全可以把这些串联成一条自动化流水线。

不过要注意，多模型串联对显存要求极高。我实测串联三个模型时，16GB显存也只能勉强跑1024分辨率。如果条件有限，最优解是拆成多个阶段分别生成，再统一后处理，而不是强行一次性跑完。

6. 如何持续跟进这一波更新节奏

图像生成模型更新太快，一个月前的经验可能就失效了。我的习惯是每个新模型发布后做三件事：第一，用固定的五组提示词跑一遍基线测试，包含人像、风景、中文海报、文字LOGO和复杂多物体场景；第二，记录每组参数下的显存占用、出图速度和主观质量，建立自己的横向对比表；第三，定期搜索ComfyUI工作流社区，看有没有新的推荐流程。

目前我个人的偏好是：日常快速出图和草稿用Z-image turbo；电商中文海报用Seedream；复杂场景长文本用Qwen-Image；最终成品精修用FLUX.2；GLM-Image作为中文插画和故事配图的首选。这五个模型各有所长，把它们放进同一套工作流里协作，而不是押注某一个模型，才是现阶段使用图像生成模型的正确姿势。

最后再分享一个操作细节：在ComfyUI里无论用哪个模型，都记得在建图时把参数记录下来，尤其是种子、CFG、采样器、步数和提示词。我发现很多人事后想复刻一张好看的图，结果因为没记参数，只能凭感觉重新调，浪费时间。好的工作流不仅是拖出好看节点，更是能随时复现你的实验结论。