文本生成图像工具：它们能做什么，又看不见什么？

“最好的图像生成工具”很容易列出来，却很难长期保持准确。模型、价格和界面都在快速变化。真正持久的问题其实更简单：怎样选择工具，才不会把第一张很惊艳的图误认为自己已经掌握了图像、来源和后果？

什么是文本生成图像工具？

你用文字描述一个场景、一种想法，或者一个视觉方向。模型根据从视觉和文字材料中学到的模式来理解这段话，再生成一张符合它判断的图像。结果可能有用，也可能让人惊喜；但它始终是系统提出的一个构想，训练材料、模型、界面和默认设置都会影响它。

生成图可以是讨论用的草图、情绪板或插图，却不能凭自己证明某个人、某个地点或某件事曾经以图中那种方式存在。

四个熟悉的名字，四种取舍

Midjourney、DALL·E、Stable Diffusion 和 Leonardo AI 可以作为比较的例子，因为它们代表了不同的产品和工作方式。它们不是一张永远有效的排名表。版本、使用规则、价格和控制能力都会变，选择时应从你要完成的工作出发，而不是相信一份过时的榜单。

Midjourney

Midjourney 常被用来快速探索视觉方向和不同变化。不要只看第一张漂亮的结果：你能不能保留构图、精确修改某个区域、让主体保持一致，并说明每一次变化是怎样发生的？

DALL·E

DALL·E 展示了语言界面如何自然地进入图像创作。流畅的指令和精致的结果很容易让人产生“它理解了”的感觉，但两者不是一回事。你需要检查图像从哪里来、自己用了哪些控制，以及希望它支撑什么主张。

Stable Diffusion

Stable Diffusion 更像是一组模型和工作流，而不只是一个固定的体验。托管服务和本地工作流可能使用不同的模型、设置、扩展和依赖。如果别人需要复现或检查结果，就把这些细节记录下来。

Leonardo AI

Leonardo AI 把生成过程包装成方便使用的创作流程。图像要进入产品、宣传活动或正式出版物之前，先确认保存方式、导出能力、来源记录，以及将来由谁来修改它。

比较工具时，先问五个问题

一、你还保有多少控制力？

你能不能只修改一个区域，而不用把整张图推倒重来？能不能保留构图、主体或已经做出的视觉决定？第一张图再漂亮，如果每次重要修改都必须从头开始，价值也会打折。

二、你能查到什么来源信息？

看看服务是否提供模型、来源背景、提示词、设置和后续处理等信息。一个标签不能解决所有授权问题，但完全没有记录，下一位观看者就没有合理判断的依据。

三、你看得见并能挑战默认设置吗？

每个系统都有默认值：哪些人和地点更容易被它画出来，哪些风格被当作正常，什么会被拒绝，什么会被省略。真正有用的工具，应当让你看见这些边界，而不是把它们藏在顺滑的界面后面。

四、成果能带走吗？

确认你能否下载所需分辨率的文件，保留提示词和设置，并把成果带到另一个工具。可迁移性保护你投入的时间，也避免创作过程悄悄变成订阅锁定。

五、真正的成本是多少？

价格只是成本的一部分。还要算上处理时间、后期制作、隐私、存储、授权的不确定性，以及检查结果所需要的注意力。生成本身很便宜，但如果发布之后才发现图像误导了人，修复的代价可能很高。

什么时候不该使用生成图？

如果这张图要记录真实的人、地点、事件或物理状况，就应当先找照片或其他可核验的来源。生成图可以模仿记录的视觉语言，却不一定保留背后的事件。不要让一个用于发明的工具承担它无法完成的证据责任。

这不是反对想象。插画、概念图和视觉实验都很有价值。需要守住的是：对于将来要依赖这张图的人，创作与记录之间的区别必须清楚。

一套由人负责的实际流程

先写清楚任务，再选择品牌。明确这张图要传达什么、哪些内容必须真实、哪些内容可以虚构。把提示词、模型或服务、设置、输出和重要修改放在一起保存。最后由人检查：图像是否让读者相信了证据并没有支持的更强主张。

当图像类型会影响理解时，就说明它是合成内容；保留回到来源材料的路径，也保留纠正公开记录的方法。系统可以扩大人的选择范围，但最终附着在图像上的主张，仍然必须由人负责。

为什么现在必须理解这件事？

图像进入搜索、新闻、课堂、工作场所和私人对话的速度，已经超过大多数人的核查速度。现在紧迫的问题不在于哪个产品赢得功能竞赛，而在于图像生成周围的系统，能否帮助人看懂自己正在看什么，知道它的边界，并在它造成误导时纠正记录。

从这里继续

如果你想理解生成式系统究竟能理解什么、不能理解什么，可以阅读这篇生成式 AI 入门。如果你想进一步追问为什么提示词只是指令而不是理解，可以阅读卢恒的札记《现实层、象征权力，以及清晰为何令人不适》。较新的文本生成图像 AI 读者指南把同一套方法推进到实际比较：从任务出发，保留记录，选择让你保有更多主动权的工具。