2025年下半年，开源图像生成模型一下子热闹成了菜市场。FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image这几个名字放在一起，很多人打开ComfyUI或者本地推理脚本时，第一反应都是懵的：这些模型什么关系？谁替代谁？我该用哪个？今天这篇就把这个问题讲透，不堆术语，用大白话把每个人的架构、定位、部署方式和常见坑说清楚。无论你是刚接触本地生成的纯小白，还是已经跑过SDXL、FLUX.1的老手，这文章都能帮你省下一整晚的试错时间。

1. 看懂这批模型，先抓住三条主线

1.1 架构主线：从U-Net到DiT再到MMDiT

要理解这几个模型为什么长这样，得先搞明白图像生成模型的架构演变。早期的Stable Diffusion用的是U-Net，你可以把它想象成一个小作坊：去噪是一步一步来的，每一轮都要走一遍完整的编解码流程，处理能力有限，文本对画面的控制也比较粗糙。后来FLUX.1把DiT大规模引进开源社区，DiT的全称是Diffusion Transformer，本质上是把图像切成一个个token，让Transformer来做去噪，效果一下子提升了一个档次。

再往后就是MMDiT，全称是Multimodal Diffusion Transformer。这个词在Qwen-Image、Z-image的介绍里经常出现，它和DiT的区别在于：DiT是在同一个Transformer里交替处理文本和图像，而MMDiT把文本token和图像token拼在一起，让它们在每一层注意力里真正互相“看得到”。一句话概括，文本和图像被放到了同一个工作台面上共同演化，所以MMDiT模型写中文、渲染英文标题的能力普遍更强。

1.2 训练主线：Flow Matching与蒸馏加速

传统的扩散模型学的是一个随机的噪声到图像的路径，过程长且不稳定。Flow Matching是另一种训练方式，它强行让模型学一条从纯噪声到真实数据的“直线”路径。好处是训练稳定、采样步数可以更少，推理时的数学过程也更干净。FLUX系列、Z-image、Qwen-Image都不同程度用到了这类思路。

蒸馏则是把大模型的能力压缩到更小的推理步数里。正常一个模型需要20到50步采样才能出图，蒸馏后的Turbo版本可能4到8步就出图了，代价是极少数细节会损失。Z-image Turbo就是典型的蒸馏产物，几十秒出一张图的体验靠的就是它。

1.3 生态主线：ComfyUI和SD兼容性

ComfyUI已经是本地图像生成事实上的标准工作台。它把图像生成拆成一个个节点，连接起来就是一张工作流图，这也是“qwen-image流程图comfyui”这个搜索词出现的原因。生态还有一个隐含指标：模型能不能兼容SD家族的工具链，比如LoRA、ControlNet、Textual Inversion。兼容度高，意味着你能直接复用社区里海量的辅助插件和工作流模板，上手成本成倍降低。

2. 五个模型逐个拆解

2.1 FLUX.2：社区里的通用底座

FLUX.2是Black Forest Labs在FLUX.1基础上迭代的产物。FLUX.1当时之所以火，是因为它在写实、构图、文字渲染上全面压倒了SDXL。FLUX.2延续了这种“通用底座”的定位，你可以在它的基础上做写实摄影、概念设计、电商海报、甚至视频帧生成。

从公开信息推测，FLUX.2延续了12B量级的大规模DiT路线，模型体重不小，完整精度版本需要显存至少20GB以上才能跑得舒服。ComfyUI官方对FLUX生态的支持很到位，你插上对应节点就能跑。实际使用中，FLUX.2最大的优势是“下限高”：哪怕你提示词写得水，它也不会给出结构性崩坏的图。缺点是生成速度慢，如果没有Turbo或者蒸馏LoRA，单张图要等不少时间。

社区里有一种说法：FLUX.2更像是“开源的Midjourney增强版”，因为它在审美上已经接近商用模型，同时保留了本地部署的灵活性。如果你追求一张图就能放作品集、不用反复抽卡，FLUX.2是首选。

2.2 Seedream（即梦）：中文长文本渲染的第一梯队

Seedream是字节跳动旗下的图像生成模型，产品名就是“即梦”。Seedream让我最深刻的点是它对中文长文本的渲染能力。很多模型写一行中文勉强能看，写两行以上就开始出现乱码和鬼画符，但Seedream在这块明显是专门调优过的。做电商海报、公众号头图、菜单设计的人，用Seedream写带中文文案的图，效果通常比FLUX更省心。

Seedream的技术细节官方公布得不算特别多，但从效果反推，它用了非常强的文本编码器和卷积混合架构。它原生支持可变分辨率，意味着可以生成不是固定比例的图，比如2:3、3:4这种竖构图都非常稳。而且它对中文语义的理解更贴合中文用户的习惯，写了“窗边的猫，午后阳光”这种提示词，它不会像一些老模型那样把“窗边”理解为“窗户外面”。

使用上要注意，Seedream官方主要在即梦App和网页端提供，本地部署的社区版本并不多，生态成熟度没有FLUX和Qwen-Image高。如果你需要批量生成、自动化流水线，走官方API反而比折腾本地更划算。

2.3 Z-image：字节开源的“能写中文的轻骑兵”

Z-image是字节跳动开源的一套图像模型，包含z-image base和z-image turbo两个版本。它走的路线比Seedream更加社区化，模型可以直接下载到本地，也能接入ComfyUI。Z-image的一大卖点就是中文渲染能力，标题海报、店铺招牌、菜单上的菜名，基本都能准确写出来，这个能力在开源模型里非常能打。

架构上，Z-image也是MMDiT路线。它把图像和文本在统一空间里做注意力交互，所以对写字、排版、复杂构图的控制力比老一代SD模型强很多。Z-image base适合追求画质和细节完整度的场景，z-image turbo则更适合快速迭代创意、做素材采集、批量出图。

我实测下来，z-image turbo在ComfyUI里跑到4步采样，出图速度明显快于FLUX.2，而且画面干净，几乎不会有那种脏兮兮的噪声残留。不过它也不是没有代价，复杂光影、手指等细节在高压缩率的turbo版本里偶尔会翻车，所以专业商单我还是偏向用base版本慢慢跑。

2.4 Qwen-Image：阿里系多模态的扩展

Qwen-Image是阿里巴巴开源的通义图像生成模型，最大的特点是它和Qwen多模态大模型共享了语言理解能力。你看它的架构会发现有一个独立的Flow Encoder，专门负责把文本转换成图像生成所需的条件向量。因为文本理解这块做得深，它写中文提示词时几乎不需要套“咒语”，你用大白话描述画面，它也能理解个八九不离十。

Qwen-Image的模型体量在7B左右，比FLUX要轻，但它支持720P到1440P的高分辨率输出。ComfyUI官方已经支持Qwen-Image，工作流结构比SDXL稍复杂，核心环节是把文本输入同时送到Flow Encoder和文本编码器，再一起导向MMDiT采样。社区里还有Qwen-Image 2.1分支，修复了一些老版本在长提示词下的表现，我建议直接上新版。

动手能力强的人可以把Qwen-Image和自家Agent服务接起来。比如先用Qwen-VL识别图片内容，再让Qwen-Image根据描述生成新图，这一套链路放在本地也能跑。OpenVINO社区也在跟进适配，用Intel显卡或者CPU做推理已经可行，虽然速度不如N卡，但至少把门槛拉下来了。

2.5 GLM-Image：智谱系的中文语义模型

GLM-Image在开源社区里的热度相对新，公开信息不多，我把它理解为智谱AI在图像生成方向上的产物。它最大的逻辑是借助GLM大语言模型对中文语义的深刻理解，来驱动图像生成。这也意味着它在中文提示词理解、中国文化元素表达上可能更有优势，比如“水墨风格”“工笔画”“梅花”“山水意境”这类词汇，不太需要你再做英文翻译的折返跑。

技术路线上，GLM-Image估计还是会走DiT或者MMDiT的方向，毕竟这是当前的主流选择。部署方面，社区已经陆续出现ComfyUI节点和diffusers集成，但成熟度比Z-image和Qwen-Image要低一些。如果你主要用中文创作，完全可以留意它的动态，等生态补全后这会是一个很有潜力的选择。

3. 本地部署与ComfyUI接入实操

3.1 ComfyUI环境前置准备

不管跑哪个模型，先把ComfyUI跑起来。官方源码对Windows、Linux都支持，我用的是Ubuntu20.04服务器，配NVIDIA显卡。前置准备包括Python3.10及以上版本、PyTorch2.1以上、CUDA环境，以及足够的显存。

显存这块我整理一个参考表：

显存不够也不用硬扛，ComfyUI支持模型权重加载后自动卸载，只要你显存大于6GB，配合低量化版本也能出图，只是速度会慢。跑较大模型时记得关闭其他占显存程序，浏览器里别开几十个标签页，浏览器本身也会吃掉不少显存。

3.2 各模型接入ComfyUI的方式

FLUX.2直接沿用ComfyUI官方的FLUX工作流模板即可。搜索模板时认准“FLUX”关键词，载入后替换模型路径，基本不用改结构。

Z-image接入相对简单，社区已经有封装好的节点。你只需要把z-image的权重文件丢到ComfyUI的models/unet目录，再配合一个标准文本编码器，就能搭起来。我用过几版社区节点，整体流程都是：加载base或turbo模型，输入提示词，设置采样步数（turbo设4步，base设20步），然后编码、采样、解码输出。

Qwen-Image接入时多了一个环节：Flow Encoder。这个编码器需要单独加载一个0.5B的模型文件，在ComfyUI里单独拉一个节点，把提示词同时送入Flow Encoder和通用文本编码器，最后再把两个条件拼进采样节点。如果截图来看，它的工作流比SDXL多了两条分支汇合的线，本质就是一张更复杂的流程图。

3.3 显存优化与量化部署

大模型本地化最大的拦路虎是显存。我的做法是优先用FP8版本，视觉质量和全精度几乎看不出差别，显存需求直接砍半。GGUF量化则更适合16GB以下显存的机器。

社区里有一种说法叫“z-image turbo下载蓝奏云”，我不建议你从第三方网盘随机拿权重，尤其是不知名博主分享的压缩包。权重的校验非常重要，一个被破坏或者被篡改的模型文件会让你排查半天，甚至生成一堆黑图。优先从魔搭社区、Hugging Face官方仓库或者项目主页的发布链接获取。

4. 常见问题与排查技巧实录

4.1 z-image base 生成黑图的根因与解决

“z-image base生成的图是黑的”这个问题，我见到的频率非常高。我自己也踩过，排查下来大部分原因是base模型和turbo模型的文本编码器不通用。很多人下载了turbo配套的tokenizer或者文本编码器，却加载了base的unet权重，导致条件信息对不上，采样结果直接塌成黑图或者低对比度灰图。

另外，负向提示词也是一个坑。部分Z-image派生版本在训练时根本没有使用负向提示词，你强行填一堆negative prompt进去，反而会干扰采样，画面容易变成黑乎乎一片。解决方法是把负向提示词清空，或者只在正向里写“干净、明亮”这类简单描述。

4.2 OpenVINO跑Qwen-Image的注意点

OpenVINO做模型转换和推理，优势在于不用NVIDIA显卡也能跑，Intel独立显卡、核显甚至CPU都能凑合。社区里“openvino qwen-image”的搜索热度一直不低，说明想跑这条路径的人很多。

关键注意点有三个。第一，OpenVINO模型需要先把PyTorch权重导出为IR格式，导出时要对齐模型的输入输出名称，否则推理时容易报tensor不对应的错误。第二，FP16转IR之后，如果直接用CPU推理，速度并不理想，最好配合OpenVINO的推理优化插件。第三，Qwen-Image的Flow Encoder和主模型在IR导出时是分开的，不要合并导出，运行时分别加载。

4.3 Ubuntu20.04下ComfyUI加Qwen-Image 2.1的环境坑

在Ubuntu20.04上跑Qwen-Image 2.1，很多人会卡在Python环境编译这一步。新版的PyTorch对GCC版本有要求，系统默认的GCC9编译某些扩展会报错。建议直接用Miniconda建独立环境，指定Python3.11，再装对应版本的PyTorch，避免动系统级Python。

另一个常见报错是CUDA版本不匹配。Ubuntu20.04上如果你直接装最新的NVIDIA驱动，系统自带CUDA未必够用，最好通过pip安装带cu121或cu124后缀的PyTorch，同时保证驱动版本能支撑对应的CUDA运行时。这一块没有捷径，老老实实对着日志排查最稳妥。

5. 选型建议与个人心得

5.1 按场景选模型

把这些模型都上手跑一遍之后，我的建议是不要只锁定一个，根据不同任务选工具：

如果你是做自媒体封面、电商头图这类需要大量出图的场景，z-image turbo基本可以满足80%的需求，根本不需要每次都跑FLUX那么重的模型。反过来，如果是甲方指定的高质量项目，FLUX.2和Seedream的细节完整度会让你更省心。

5.2 我实测下来的几点感受

最后分享一些小体会。第一，不管是哪个模型，提示词里的标点和空格会影响结果，尤其用中文写提示词时，逗号分隔比长句子更有效。第二，采样器不要乱换，很多模型在训练时固定了采样策略，乱换容易让画面出现色偏。第三，同一模型的base和turbo建议分开目录存放，避免权重串文件。

如果你刚开始接触这一堆新模型，不需要全部精通。先选一个最匹配你需求的模型跑100张图，摸透它的脾气，再横向对比其他模型。模型的“基础知识”其实没有想象中多，更多是在一次次出图和修图的过程中形成的直觉。真正上手之后你会发现，这些模型的边界和可能性，远比你标题里看到的那几个名词要丰富得多。