如何公平比较 AI 生图模型：一套可复用的测试方法

精选样图库只能证明模型偶尔能生成什么，无法告诉你它有多大概率完成真实需求。有效评估应公开任务、输入和验收条件，并保留失败尝试。

准备一组小而真实的任务

从实际工作中整理五条原创需求：商品场景、插画、文字较多的海报、参考图编辑和一组关联图片。每条需求都要包含可观察条件。除非能说明评审应检查什么，否则不要只写“专业品质”。

对每个模型记录服务商、准确标识、测试日期、输出尺寸、质量设置和输入图片。尽可能使用等价参数，对有意义的差异单独说明。纯文生图接口不支持编辑，应标为不适用，而不是当作编辑失败计分。

生成前确定规则

每个任务允许相同次数，例如四次。保存全部输出，而不只保存最好的一张。首轮使用相同需求；如果之后为某个模型优化提示词，应单独作为第二轮，并记录额外投入。

可以给每个适用指标设零到二分：零分表示失败，一分表示需要修复，二分表示可接受。检查指令完成度、文字准确性、视觉合理性、参考保留程度以及裁切可用性。不适用项目应单列，不能直接当成满分。

尽可能盲评

隐藏模型名称、打乱顺序，再让同事检查。把审美喜好与硬性条件分开。商品标签错误的漂亮图片，不应通过标签保真测试。

保留评审之间的分歧，它们可能说明需求不够清晰，或存在需要讨论的取舍。样本只有几张时，应把结论称为小规模试评，而不是通用排行榜。

计算每张合格素材的成本

将生成支出与人工修图成本相加，再除以最终合格图片数量。如果没有一张通过，应记录任务失败，不进行除零计算，也不要用乐观估算替代事实。排队和重试影响交付时，还应单独记录总耗时。

按具体任务选择工作流。有的方案适合文字较多的作品，有的更适合参考图修改。模型版本变化后，重新测试相关部分。透明、范围有限的评估，比设置不明的华丽排行榜更有决策价值。

需要具体任务时，可以参考本站的 Qwen Image 与 FLUX 对比及 Qwen Image 与 GPT Image 对比。从提示词库整理适合自己的简报，再到在线生图工具开始尝试。

封面为 Codex 生成的编辑插图，并非文中对比模型的输出或实测样张。