最近,AI 画图模型又热闹起来了。
11 月 9 日,字节发布 Seedream 5.5;11 月 10 日,MiniMax 发布 H3-Image,还同步开源了模型权重。再加上阿里此前推出的 Qwen-Image-3.0-Pro,几家热门模型刚好凑到了一起。
AI 画图有个比较现实的问题:图生成得好不好,指定的文字有没有错误、风格对不对;为了局部修改和抽卡,结果模型却把整张图重画了,那其实也挺让人头疼的。
所以这次的测试,我们把三家放在一起,分别测试五种绘画风格,然后再拿生成的图片做三轮连续修改,重点观察几家的局部调整能力。
五轮生图,三家各有风格参与测试的三家分别是:MiniMax 的 H3-Image,使用 MiniMax Code 客户端;字节的 Seedream 5.5,使用豆包的 AI 创作入口;阿里的 Qwen-Image-3.0-Pro,使用千问 AI 平台。
三家都使用同一套基础场景要求:一个穿红色雨衣的女孩站在雨夜便利店门口,手里拎着一袋牛奶。之后分别要求它们生成写实摄影、儿童插画、盲盒手办、赛博朋克和扁平插画五种风格。每轮都新开对话,提示词发出后不再额外纠正或补充,平台设置则按默认及实际使用情况进行。
另外,在盲盒手办和赛博朋克两轮的提示词里,我还额外要求画面出现“便利店 Convenience Store”的指定文字。
第一轮:写实摄影

这一轮我比较喜欢 H3 的结果。女孩和便利店都交代得比较自然,整体看起来像一张雨夜街头随手拍下来的照片,而且这张是 4K 输出。
豆包的画面更集中在人物身上,背景虚化比较明显;千问则是竖版构图,人物和店招都有,但和另外两家的画面比例不太一样。
第二轮:儿童插画

这一轮豆包画得很有绘本的感觉,雨水、灯光和便利店的环境都比较丰富,是我个人比较喜欢的一张。
H3 的画面相对简单,更像手绘插画,不过便利店被裁掉了一部分,场景交代得有些糊弄了。千问这张则带着比较明显的国风味道,细节画得很细,但和我原本想要的普通儿童绘本感觉有些距离。
第三轮:盲盒手办

盲盒这一轮,三家都完成了人物手办的效果。
豆包的画面最丰富,底座、店铺背景和周围的展示元素都比较完整;H3 整体比较简洁;千问则更突出人物本身,大眼睛和红色雨衣比较醒目,还在牛奶袋上加了草莓图案。
这一轮要求出现的“便利店 Convenience Store”招牌文字,三家也都完整呈现。没有特别明显的输赢,主要还是看个人喜欢哪种呈现方式。
第四轮:赛博朋克

这一轮我觉得最有意思。
H3 的画面比较像雨夜街头的霓虹场景,人物和便利店之间的关系比较自然。豆包把店铺内部和周围环境画得很丰富,也是一张很完整的雨夜街景。
千问这张的未来城市氛围最强,粉蓝色霓虹、湿漉漉的街道和密集的招牌都很有感觉,招牌上的中英文文字都写对了。如果单看视觉效果,这张确实挺抓眼球,就个人而言这是我最喜欢的一张。
第五轮:扁平插画
最后一轮,H3 的画面最简单,色块和线条都比较干净,和我想要的扁平插画更接近。
豆包和千问则都加入了更多光影和细节,画面更丰富,但看起来也更像带有立体感的商业插画。豆包这张还把便利店直接画成了现实中的全家,招牌上带着品牌名和广告语,多少有点画蛇添足了。
五轮下来,我没有觉得哪一家每次都明显领先。H3 相对规矩,豆包喜欢把画面做得更丰富,千问则有时会给出一些意料之外的效果。
不过,生图只是第一步。真正让我想继续比较的,是接下来的改图。
连续改图,差距就出来了这次改图测试,我直接拿第四轮的赛博朋克图片继续操作,没有重新上传图片。接下来连续提出三个要求:
1. 把女孩手里的牛奶袋换成雨伞。
2. 把红色雨衣改成黄色。
3. 在便利店招牌上增加发光的“24 小时”字样。
我没有在每一步之后补充其他说明,也没有重新生成整张图的提示词,就是看它们能不能按照要求,在原图基础上继续修改。
先看豆包。

三个要求都完成了。
第一步换雨伞:牛奶袋变成了雨伞,女孩的站位、便利店、雨夜和地面积水反光都保留了下来。
第二步改雨衣:红色变成黄色,画面其他地方没有明显变化。
第三步加字:招牌上多了“24 小时”发光字,位置稍微有点挤,压在原有招牌上方,但原来的招牌内容没有被破坏。
就编辑本身来说,豆包这三轮确实做到了改哪里、动哪里。
这也和 Seedream 5.5 发布时强调的多轮编辑能力对应上了。官方曾展示连续编辑 100 轮、尽量保持非编辑区域不变的效果。我们没有跑到 100 轮,但至少在这三轮测试里,它的表现是过关的。
再看 H3。

H3 同样完成了三次修改。
第一步,牛奶袋换成了一把收拢的雨伞,女孩、店面和红色雨衣都保留。第二步,雨衣改成黄色,雨伞也没有消失。第三步,招牌上多了“24 小时”霓虹字,位置在原有招牌下方,没有盖住原来的字。
关键在于这三步是连续的:第三步是在黄色雨衣那张的基础上接着改,不是每次都从头重画。从构图、人物站位到雨夜氛围,三轮下来都没有明显漂移。
最后我把原始 4K 图片的招牌区域放大检查,原来的文字依然清楚完整。这次 H3 输出的就是 4K,连续修改之后,画面细节也保持得不错。
最后看千问。

千问直接让我绷不住了。
第一次要求把牛奶袋换成雨伞,它给出的结果直接变成了雨伞的近景,原来的女孩和便利店场景没有保留下来。
第二次我要求把红色雨衣改成黄色,结果画面又变成了一个走廊和衣帽架,和原来的雨夜便利店已经没什么关系了。
到这我直接放弃了第三轮。
同一个对话中连续改图,在本次测试中它没能完成原图修改。和另外两家相比,差距很明显。
其他几个小发现除了画面和改图,这次测试还有几个细节值得一提。
首先是提示词处理。H3 和千问都会在生成前自动扩展提示词,千问界面有这个开关,默认开启。这不算作弊,平台能力本来就是测试的一部分。
比例方面,豆包两种方式我都试了:生成前在配置里选 4:3,五轮出图都稳稳的;把比例写进提示词里再跑一次,出的图也一样正常。配置、提示词两条路它都接得住。
千问和 H3 则是真的会按提示词里的比例去改。千问把画幅改了回来,H3 连参数调整都会主动说明理由。

出图规格上也有差别。H3 全程是 4K 输出,另外两家出图的尺寸小不少,放大看细节都没有问题。

千问的平台还支持一次出多张图,尺寸和张数都能在输入框里设置,一次最多可以直接出 6 张。这次测试每家每轮只跑一张,没用到这个功能,但对想一次多挑几张的人来说,这个功能非常实用。
其次是生成速度。豆包这次大多十几秒就能出图,千问大约一分钟,H3 在部分测试中接近一分半。不过这只是我这次测试时的体验,实际速度还会受到任务和平台状态影响。
最后是水印。豆包和千问生成的图片带有平台水印,H3 这次没有。
说下感受这次测试下来,三家的生图效果都不差,区别更多在于画面风格和细节处理。
但如果生成之后还要反复修改,H3 和豆包这次明显更让我放心,千问的生图效果有亮点,只是连续改图这部分没能达到预期。
如果让我给三家各找一个适合的场景:经常需要连续修改图片的,豆包和 H3 这次都比较可靠;对画面比例、清晰度和提示词执行有明确要求的,H3 更有优势;主要用来生成单张图、基本不需要后续修改的,千问也有不错的表现。
当然,这只是我用同一套提示词做的一次小测试。不过对我来说,AI 画图不只是第一张图能不能画得漂亮,能不能按照我的想法继续改下去,同样重要。







