主流AI绘图模型海报生成效果对比与选型分析

做海报这活儿，最容易被误解的一点是：很多人以为只要让绘图模型"画一张好看的图"就算完事，真正交付的时候才发现，客户要的是能直接上架、能印刷、能放进信息流里不被平台裁掉的那张物料。我最早接的一单活动海报，图出来确实漂亮，构图也有氛围，结果主标题是六个看不懂的字符，右下角的行动号召区被一片藤蔓挡住，竖版切横版之后主体直接跑到画外。那天我改了十一版，最后发现根子不在提示词，而在于我把"海报生成"当成了"插画生成"。这篇就围绕主流AI绘图模型在海报生成场景下的效果对比与选型分析，把我这两年踩过的坑、做过的横向测试、以及最后的选型逻辑摊开讲。适合正在用绘图模型做运营物料的设计、开发、内容团队看，也适合刚开始接触这块、还不知道该选哪条路的新手。

为了把讨论落在能力类型上而不是某个具体产品上，下文统一用代号指代四类主流路线：模型A指开源扩散架构这一类，模型B指商业闭源旗舰这一类，模型C指以自回归/Transformer 为底座的这一类，模型D指针对中文语境和本土审美做过优化的这一类。代号只是标签，你要做的是把能力特征对上自己手上的工具。

1. 海报这个场景到底在考验模型的什么能力

1.1 海报不是插画：四类硬约束必须先摆上桌

插画的验收标准相对宽松，氛围到了、风格对了、细节经得起看，基本就过了。海报不行，海报是带工程约束的交付物。我一般把它拆成四类硬约束，任何一类崩了，这张图就不可用，跟画得好不好看没关系。

第一类是版式结构约束。海报有明确的信息层级：主标题要压得住画面，副标题承接，卖点区成组排列，行动号召区要留出足够呼吸空间。这意味着画面必须存在可预期的"空区"，而这些空区的位置是被设计稿规定死的，不是模型自由发挥出来的。模型天然倾向于填满画面，这是它的训练目标决定的——它学的是"完整图像"，不是"带留白的版式"。

第二类是文字约束。这是海报和插画最大的分水岭。海报上的文字必须是可读的、字形正确的、字重层级分明的。这里有个反直觉的点：模型画出来的"文字"在视觉上越像文字，越危险，因为它会让你误以为可以凑合用，放大一看笔画是粘连的，印刷出来更糊。

第三类是比例约束。竖版信息流常用 3:4 和 9:16，电商主图是 1:1，横版 banner 是 16:9，线下易拉宝又是另一种长宽比。同一套视觉要能横竖切换，这就要求模型在更换画幅时保持主体识别度和构图逻辑，而不是把画面拉伸变形。

第四类是色彩与品牌约束。品牌色是有色值的，模型给你的是"看起来差不多的红"，印刷出来可能偏橘。暗部细节、渐变过渡、大面积纯色区的均匀度，这些在屏幕上看不出来，上了印刷机就现原形。

1.2 "画得好看"在海报场景里只占三成权重

我做过一个粗略的权重划分，用来跟团队对齐验收标准：美学表现占三成，版式可控性占三成，文字可用性占两成，尺寸与色彩适配占两成。这个划分不是学术结论，是实操中总结出来的经验值，但它能解释很多"明明图很好看为什么不能用"的争执。

按这个权重去看市面上的模型，你会发现排序会变。某些模型单张出图的美感评分很高，但在版式可控性上几乎交白卷——你让它"左上角留出四分之一空白给标题"，它给你一张构图饱满、四角全是元素的图。反过来，一些美感中规中矩的模型，因为提供了分区生成、局部重绘、参考图约束这些接口，反而在实际生产里效率更高。

这也是我后来放弃"一张图生成整张海报"这个思路的直接原因。海报生成的核心矛盾不是画面质量，是约束满足。模型擅长的是在约束不足时生成合理内容，而海报要求的恰恰是在约束极强时精确执行。

1.3 把模糊需求翻译成可测指标

选型这件事最怕拍脑袋。我现在的做法是先把需求翻译成一张可测的清单，再拿清单去套模型，这样对比才有意义。下面这张表是我常用的版本，你可以直接改成自己业务的口径。

这张表的价值在于，它把"我觉得这个模型更好"变成了"这个模型在汉字渲染上比另一个高两分，但在空间控制上低一分"。选型讨论一旦落到具体维度上，就不容易变成审美之争。

2. 四类主流模型的能力底色：架构差异如何映射到海报要素

2.1 开源扩散系（模型A）：可控性天花板，代价是自己搭台

模型A这一类最大的特点是把整条链路都摊开给你。采样器、步数、引导强度、控制网络、局部重绘、分层生成，全都是可调的。这在海报场景里是决定性的优势——因为海报本来就需要精细控制，而"精细控制"恰恰是闭源方案里被封装掉的部分。

我拿模型A做竖版促销海报的典型流程是这样的：先用较低分辨率快速出构图，挑出方向对的那张；再用控制网络锁定主体轮廓和版式分区；然后按区域分别重绘背景和主体；文字一律不进模型，最后交给排版工具。这个流程跑顺之后，一张海报从需求到初稿大概 15 分钟，而且版式是可控的、可复现的。

代价也很明显。第一是硬件门槛，高分辨率出图对显存有要求，本地跑不动就只能租算力。第二是调参成本，同一套参数换个模型权重就不适用，团队里得有一个人专门维护这套东西。第三是一致性维护，想要同系列多张图风格统一，得自己训轻量微调或者做参考图约束，这又是一摊活。

2.2 商业闭源旗舰（模型B）：语义理解强，出图稳，但手伸不进去

模型B这一类走的是另一条路：你只负责描述，它负责把描述变成一张完成度很高的图。它在语义理解上的表现通常是四类里最稳的，复杂的、带多个修饰条件的提示词也能吃得住，出图的"完成度"——光影、材质、构图平衡——普遍高于自己手调的开源方案。

在海报场景里，模型B最适合的位置是素材生成器，而不是整图生成器。也就是让它去生成背景氛围图、主体产品图、装饰元素，然后你在排版工具里组装。我试过直接让它出带文字的整张海报，结果是这样的：版式确实漂亮，文字区也有模有样，但字形是错的，而且每次出图的文字位置都不一样，没法做批量。

它的另一个问题是可控性被封装。你想精确控制某个区域、想固定某个元素的位置、想保证多张图的构图一致，能用的手段比开源方案少得多。而且这类服务通常按次计费，出图候选数量一多，成本就上来了。所以我的判断是：模型B适合"缺素材、缺灵感、要快速出方向稿"的阶段，不适合"要交付精确版式"的阶段。

2.3 自回归架构这一类（模型C）：长文本理解和排版意识是长板

模型C这一类在架构上跟扩散系不是一条路，它的优势集中在对长描述的理解和对版面关系的把握上。你给它一段结构化的版式描述——哪个区域放什么、各区域占比多少、视线动线怎么走——它执行得比扩散系更到位。这一点在处理复杂海报需求时特别明显，比如"上方三分之一是品牌区，中间是产品主体，下方是两行卖点文字区，整体左对齐"这种带空间关系描述的需求。

它在短句文字渲染上也比前两类稳一些，四个字、六个字的短标题，笔画完整度和可读性能达到"勉强可用、改改就行"的水平。但要注意，"勉强可用"不等于"可以交付"，尤其是需要印刷或者需要品牌规范的场景，我还是会把文字层剥出来单独排。

速度上，模型C通常介于两者之间，复杂提示词下会慢一些。另外它的风格覆盖面在快速扩张，但某些细分风格（比如特定年代感的印刷质感）还是扩散系的微调权重更丰富。

2.4 中文场景优化型（模型D）：汉字与本土审美的主场

模型D这一类是针对性优化的产物，核心卖点是汉字渲染和本土视觉习惯。汉字渲染这块它确实有优势，笔画粘连、结构错位的问题明显比通用模型少，四到八个字的海报标题能出到可用的程度。本土审美这块体现得更隐性——对红金配色、国潮纹样、节庆氛围这些东西的理解更贴合，不需要你在提示词里绕一大圈解释"要喜庆但不能俗"。

局限也清楚：风格广度不如通用大模型，遇到需要特定艺术风格、特定摄影质感的场景，表现会掉档。另外这类模型往往在可控接口上不如开源方案完整，做精细分区控制时会觉得手段不够。

2.5 能力差异映射到海报要素上的对照表

把上面这些揉成一张表，选型时对着看会快很多。分数是我在自己的测试环境里打的相对分，满分 5 分，仅供参照，你换硬件、换版本结果会变，务必自己复测。

看这张表你会发现一件事：没有一类模型在所有维度上都领先。这就是为什么我在第 5 节会讲混合方案——大多数团队最后都会变成"两条腿走路"，而不是押注单一模型。

3. 同一份需求喂给四类模型：实测过程与结果拆解

3.1 测试设计：控制变量怎么控制才算公平

对比测试最容易犯的错是"拿自己最熟的模型跟不熟的模型比"，结果比出来的是熟练度不是能力。我做这套测试时刻意做了几件事来压平这个偏差。

第一，提示词统一且完整。同一份中文提示词，写清楚画面内容、风格、色彩倾向、构图要求、画幅比例，不做任何针对单一模型的定制化改写。第二，候选数量统一，每组出 4 张，取主观最优的一张评分，避免某组刚好撞上一张好图。第三，分辨率统一到 1024×1536（3:4 竖版），这个分辨率是多数方案都能稳出的档位，不会因为硬件限制拉低某组表现。第四，负面提示词统一，只保留通用的低质、模糊、变形这类描述。第五，评分维度拆开打，不做一个笼统的总分，而是按第 1 节那张表的维度逐项打分。

还有个细节：固定种子不等于结果可复现。不同硬件、不同精度、不同版本之间的随机数实现有差异，同一颗种子出来的图可能不一样。所以我不追求"完全复现"，只追求"同一环境下横向可比"。

3.2 竖版促销海报：主体、留白、文字区的三线考核

这一轮的需求是一张竖版促销海报：中央偏下放置产品主体，上方三分之一留空给主标题，右下角留出行动号召区，整体暖色调，背景做轻质感，不要杂乱元素。

结果比较有代表性。模型A在前两张里主体位置是对的，但背景填得太满，上方留空区被装饰光斑侵占，需要靠局部重绘把区域清出来；调参后第三张开始稳定。模型B的美感最好，光影和材质都很干净，但四张图里有两张把产品主体放在正中，上方留空只有不到五分之一，而且行动号召区被产品阴影盖住；它的可控性限制在这里暴露得很直接——你能在提示词里说"上方留空"，但它理解的是"上方不要太花"，不是"上方必须是空白区域"。

模型C这一轮表现不错，四张里有三张的空间关系基本对得上，上方确实留出了相对干净的区块，只是留白边缘不够利落，会有一层淡淡的渐变，后期得用蒙版压掉。模型D在这一轮表现一般，主体位置偏上，配色偏传统，跟"轻质感暖调"的描述有一定距离，但它出了一版带国风纹理的背景，如果需求是节庆促销反而更合适。

3.3 汉字渲染实测：最容易被高估的硬指标

这一项我用了两组词：一组四个字的短标题，一组八个字的副标题，都是常用字，没有生僻字。

模型A基本交白卷，两组的字形都是错的，笔画粘连、结构错位，放大看完全不可用。模型B看起来像字，但仔细看是"形似字符"的东西，四个字的标题勉强能认出两个，八个字的直接是一串符号。模型C四个字的标题能认出三个，笔画偶有缺失，八个字开始崩。模型D四个字基本可用，八个字有一到两处笔画粘连，改字体能救回来。

这里必须说一句实话：到目前为止，我还没有见过任何一个模型能把海报文字生成到"可以直接交付"的程度。所谓"能写字的模型"，指的是"能出到让你少改两笔的程度"，不是"不用改"。所以我的建议很明确：文字层永远剥离出来，用排版工具处理。你可以在生成时故意留白，也可以后期用蒙版清区，但别指望模型给你排好版。

3.4 版式复现能力：能不能听懂"左上角留空"

单独把这一项拎出来测，是因为它最影响效率。测试方式是同一段空间描述换四种说法：方位式（"左上角"）、占比式（"上方三分之一"）、功能式（"留给标题的区域"）、否定式（"上方不要放主体"）。

结果挺有意思。模型A和模型C对方位式和占比式的响应最好，功能式和否定式会打折扣。模型B对功能式响应不错——它知道"标题区"该是什么样——但对精确占比几乎无感，而且经常理解反，把"不要放主体"理解成"主体要小"。模型D在中文表述上响应最自然，但空间精度一般，位置大致对，边界不精确。

这条测试给我的结论是：跟模型沟通版式，要用它听得懂的语言。具体来说，少用否定句，多用方位加占比，能配参考图就配参考图，能用局部重绘就不用提示词硬控。这些细节我放到第 6 节展开。

3.5 实测结果汇总

"达到可排版的初稿轮次"这个指标是我自己加的，它比单纯的画质评分更贴近生产。意思是：从提交需求到拿到一张能拿去排版工具组装的底图，需要几轮迭代。模型B一轮就能出好看的底图，是因为它把版式理解成"画面平衡"，而不是"精确分区"，所以它的好看是另一种好看。

4. 单靠模型出整图为什么注定翻车

4.1 分层生成法：把一张海报拆成三层来做

这一节是我整个方法论的核心。把海报拆成背景层、主体层、文字层三层，分别处理，最后合成。这个思路看上去笨，但它是唯一能把可控性拉满的做法。

背景层负责氛围和空间，不带主体、不带文字，可以放心让模型自由发挥，宽高比按最终版式定。提示词里明确写"纯背景、无主体、无文字、中部留出相对干净的区域"，出的图就算有点杂乱也不影响，因为后面会被主体和文字盖住一部分。

主体层单独生成，最好出透明底或者纯色底，方便抠图。如果模型不支持透明底，就出纯白底然后抠，抠得不干净的地方用局部重绘补。主体层单独做的另一个好处是可以复用——同一个产品主体，换不同背景就是一套系列海报，一致性天然就有了。

文字层完全交给排版工具，字体、字重、行距、字间距、描边、投影，全部精调。这一层的成本最低、可控性最高，却常常被忽略，很多人宁愿花两小时调提示词让模型写字，也不愿意花十分钟排版。

4.2 局部重绘与扩图的实战参数

分层之后还是会有需要修的地方，这时候局部重绘就是主力工具。我的经验是几个参数必须调对。

重绘幅度是关键。太低（0.2 以下）改不动，模型会保留原图结构，你想清掉一块装饰它当你没说过；太高（0.8 以上）会完全重画，周边风格接不上。清理区域、修补遮挡这类操作，我一般落在 0.45 到 0.6 之间，具体看区域大小，区域越大越往上调。

蒙版边缘要留羽化。硬边蒙版会在接缝处留下明显的色差和纹理断裂，羽化 8 到 16 像素能缓解大部分情况。

上下文提示词要写全。局部重绘不是只描述"我要什么"，还要描述"周边是什么"，否则填补的内容跟周围不搭。我通常把整体风格描述复述一遍，再加上局部内容描述。

扩图在海报场景里用得很多，尤其是同一张图要从 1:1 扩到 9:16。扩图时把原图放在中间偏上的位置，向下扩，比向上扩更安全，因为下方通常是信息区，容错高。扩完之后主体的位置会偏，得再调一次构图。

4.3 文字必须后置：这条线不能松

我知道很多人试过让模型直接出带文字的海报，也确实出过"看起来能用"的图。但只要你把这张图放大到 200%、或者打印出来看，问题就全出来了：笔画断裂、结构错位、字距不均、边角糊成一团。这些在手机小屏上不明显，一旦上印刷或者上大屏，就是事故。

更麻烦的是返工成本。文字错了不能局部重绘修，只能整张重出，而整张重出意味着构图、配色、主体全变，前面的调整全白费。相比之下，文字后置的方案里，文字错了改文字，图完全不动，五分钟解决。

我的做法是：生成阶段在提示词里明确写"不要文字、不要字母、不要字符"，负向提示词也加上文字相关的描述，让模型尽量别乱写。然后在排版工具里预留的空白区放真实文字。如果模型实在爱在画面里加东西，就用蒙版把那块清掉再填色。

4.4 一条可复用的海报生产流水线

把上面这些串起来，我现在的固定流程是这样的。

第一步，需求结构化。把客户或运营给的需求翻译成一张 brief：尺寸、比例、主标题字数、副标题字数、主体是什么、品牌色值、必须出现的元素、绝对不能出现的元素、交付格式（屏幕 / 印刷）。这一步花五分钟，能省后面半小时。

第二步，先定版式再定图。在排版工具里先把版式的骨架搭出来：分几个区、各占多少、文字放哪、主体放哪，用一个灰色方块代替图先看比例。骨架定了再去做图，避免"图做完了发现版式放不下"。

第三步，背景层生成。按骨架的宽高比出图，提示词强调"背景、无主体、无文字、指定色调"，出 4 张选 1 张。

第四步，主体层生成。单独出主体，纯色底或透明底，抠图后放进骨架。

第五步，局部修正。背景跟主体打架的地方、留白区被侵占的地方，用局部重绘修。

第六步，排版合成。文字、logo、二维码、装饰线全部在这一步加，字体和色值严格按规范。

第七步，交付检查。分辨率够不够、比例对不对、安全边距有没有留（一般留 5% 到 8%）、印刷的话出血有没有留（通常 3 毫米）、深色区在 CMYK 下会不会并色、字有没有转曲。

这条流水线跑下来，一张常规海报的纯操作时间在 20 到 30 分钟，比"提示词硬怼整图"稳定太多。刚上手可能慢一些，跑熟之后效率提升非常明显。

5. 选型决策：把预算、产能、可控性放进同一张表

5.1 四种典型团队画像对应的选型

选型没有标准答案，只有匹配。我按见过的团队类型整理成四种画像，你可以对号入座。

第一种：个人或两三人小团队，出图量不大，预算有限。这种情况我建议以模型B为主、模型D为辅。模型B负责出素材和方向稿，上手快、不用维护环境；模型D负责需要中文元素的场景，汉字渲染省事。文字排版用现成工具，不要自己搭。这条路线的总成本最低，缺点是批量做系列图时一致性差，得靠人工把关。

第二种：有设计团队，出图量大，需要系列一致性。这种情况值得投入模型A这条路。搭一套本地或租用的推理环境，把常用的版式做成模板，把产品主体训成轻量微调，后面出系列图就是换背景换文案的事。前期投入大概一两周，之后产能提升是数量级的。前提是团队里得有人愿意维护这套东西。

第三种：内容团队，需求杂，风格跨度大。建议模型B加模型C组合。模型C吃复杂描述的能力强，适合"我说不清楚但我知道我要什么"的场景；模型B兜底出完成度高的图。这类团队不太需要极致的可控性，需要的是"快速出很多方向让人挑"。

第四种：需要印刷交付、品牌规范严格。这种情况别指望单一模型。必须走分层方案，文字层和品牌元素（logo、标准色块、规范字体）全部用排版工具处理，模型只负责图像部分。色值要做 CMYK 校对，深色区和大面积纯色区必须打样。

5.2 成本核算：一张海报的真实成本在哪

很多人算成本只算"出图多少钱一张"，这个算法会误导选型。真实的成本结构大概是这样的。

直接算力成本：闭源方案按次计费，开源方案是硬件摊销加电费。这部分占比其实不高，一张图的直接成本通常在几毛到几块钱之间。

候选图成本：这个容易被低估。一张能用的图背后，平均要出 8 到 15 张候选。也就是说，你以为的一倍成本，实际是十倍的调用量。

人力成本：这是大头。写提示词、挑图、修图、排版、校对，一张常规海报的人力投入在 20 到 40 分钟。按人力成本折算，这部分通常是算力成本的几十倍。

返工成本：文字错了、比例不对、印刷偏色，这些返工的代价远高于前面所有环节。一次印刷返工可能抵得上几十张图的算力费。

按这个结构看，选型的核心不是"哪个模型单张便宜"，而是"哪个方案能压低人力和返工"。可控性强的方案单张算力贵一点，但能把候选数量和返工次数压下来，总成本反而低。这也是我倾向分层方案的根本原因。

5.3 混合方案：大多数团队最后都会走这条路

我接触过的团队里，跑一段时间之后还在用单一模型的很少，基本都是混合。常见组合是"闭源出素材 + 开源做精修 + 排版工具做合成"，或者"闭源出方向稿 + 排版工具做定稿"。

混合方案的逻辑很简单：每个环节用它最擅长的工具。闭源模型擅长在短提示词下出高完成度的图，那就让它出素材；开源方案擅长精确控制和批量一致，那就让它做精修和系列延展；排版工具擅长文字和版式精度，那就让它做最终合成。硬要一个工具干所有事，最后一定是每个环节都打折扣。

混合的代价是流程变长、工具变多，需要有人把流程串起来。我的做法是把流程写成文档，每一步的输入输出、文件命名、存放位置都定死，任何人都能接手。这套东西搭起来花两天，之后省的时间是持续的。

6. 踩坑实录：那些被误判成"模型不行"的问题

6.1 提示词里的隐性冲突

有一类问题特别容易被归咎于模型，其实是提示词自己打架。比如"极简风格"配"丰富的装饰元素"，"大面积留白"配"画面饱满有张力"，"冷色调"配"温暖亲切的氛围"。模型面对互相矛盾的指令，只能随机满足其中一部分，出图看起来就是"不听话"。

还有一种隐性冲突是描述过多。很多人习惯把所有想到的细节都塞进提示词，写了三百字，结果模型的注意力被稀释，每个描述都只实现一点点，整体反而糊。我的经验是把提示词控制在核心描述加少量修饰的规模，空间关系用短句写清楚，风格用三到五个词，剩下的交给候选图去碰。

另一个坑是否定句。模型对"不要什么"的响应普遍弱于"要什么"。写"不要有文字"，有时候反而诱发了文字出现，因为它把注意力放在了"文字"这个概念上。更稳的做法是把否定项放在负向提示词里，正向描述只写你要的东西。

6.2 分辨率与细节的错配

海报的最终尺寸往往比模型的原生输出大。竖版信息流常见的 1080×1920，模型直出这个尺寸的话，细节会明显下降，画面发灰、纹理丢失。更合理的做法是出模型原生分辨率附近的图，然后用放大工具做无损放大，再做细节增强。

但放大也有坑。放大倍数过高（超过 2 倍）会引入塑料感，边缘变得过于锐利，皮肤和布料的质感会变假。我一般控制在 1.5 到 2 倍之间，超过就分两次放，中间插一步细节重绘。

还有一个常被忽略的点：文字区的分辨率要求比图像区高。字在低分辨率下会糊，所以如果文字是后期加的，图的分辨率可以稍低；但如果文字要跟图一起输出，整张图的分辨率必须按文字的可读性来定，通常要更高一档。

6.3 参数默认值埋的雷

默认参数是为"通用好看"调的，不是为"海报可用"调的。几个参数我基本每次都会改。

引导强度过高会让画面过饱和、对比过强，屏幕上看着精神，印刷出来偏色严重。做印刷用途时我会把它往下压一档，宁可屏幕上看平淡一点。

采样步数存在明显的收益递减。从低步数往上加，前一段提升明显，过了某个点再加就是浪费算力，画质几乎没变化。具体拐点跟采样器有关，得自己测。

采样器选择影响质感。有的采样器出图锐利、细节多，适合产品图；有的出图柔和、过渡自然，适合氛围背景。这个没有统一答案，我的做法是固定两三个采样器，按场景选。

随机种子的用法也要注意。固定种子做微调对比是有效的，但指望它复现某张特定图不可靠，环境一变就失效。要做可复现，得把整个环境（模型版本、精度、依赖版本）一起固定下来。

6.4 商用前的自查清单

这一项必须单独说，因为它是唯一可能让整个项目归零的环节。我的自查清单是这样的。

模型本身的许可：用的模型权重、微调权重、配套组件，各自的授权范围是什么，能不能商用，有没有调用量或场景限制。开源不等于免费商用，这个要逐个确认。

训练数据的争议：某些模型在训练数据来源上存在争议，商用时的风险要自己评估。保守做法是避开风格明显指向特定在世创作者的作品。

字体授权：海报上的字体是最容易出事的地方。系统自带字体不等于可商用，免费字体也有使用范围限制。做商业物料时，字体授权必须单独确认，不能想当然。

素材授权：参考图、垫图、图生图用的原图，如果来自第三方，授权链条要清楚。用别人的图做参考生成的成品，法律状态是模糊的，能不用就不用。

平台规则：投放平台的素材规范（尺寸、文字占比、禁用元素）也要提前对，不然图做完了上不了架。

这份清单看起来啰嗦，但每一条我都见过出问题的案例，省不得。

最后分享一个我自己一直在用的小技巧：建一个"废图库"。所有生成出来但没用的图，不要删，按主题分类存起来。做新海报缺素材的时候，翻废图库往往比重新生成快得多——一张构图不对但光影很好的背景，改改就能用；一个位置不对但质感不错的主体，抠出来换个地方就是新素材。这个习惯让我在很多赶时间的场合省下了大量出图时间，也让模型调用的边际成本越用越低。

另外，如果你刚开始做这块，我的建议是先别急着比模型，先把第 4 节那条流水线跑通一遍。流水线跑通了，你自然就知道自己缺的是哪一环的能力，选型的方向也就清楚了。反过来，先选模型再想流程，大概率会在中途推倒重来。