10个Case，带你看看AIGC的开源模型能做到什么地步
10个Case，带你看看AIGC的开源模型能做到什么地步
现在最强的生图、生视频模型应该是GPT Images 2.5 和 Seedance 2.5了，生图、生视频的上限又被往前推了一截。
那如果把它们当成闭源模型的第一梯队，那开源模型现在到底是什么水平？是玩具吗？是否能真正带来生产力？
这篇直接看看大佬们，能把开源模型玩到什么地步，其中生图选择阿里的Z-Image，生视频选择MiniMax H3。
先介绍一下这两个模型
Z-Image 是做的 6B 生图模型，采用 Apache 2.0 许可证。完整的 Z-Image 是非蒸馏底模，支持 CFG、负面提示词和微调；社区里更常见的是 Z-Image-Turbo，只用 8 步，追求的就是一个快。
MiniMax H3 则是 33B 的音视频生成模型，可以输出 4 到 15 秒、24fps、带立体声音频的视频。严格来说，它属于开放权重模型，使用的是 MiniMax H3 Community License。开源出来的 H3-Base 可以在本地生成 768p 音视频，但官方那套负责理解复杂输入的 Context-IR，以及 2K 再生成流程，没有完整开源。
Z-Image，已经不只是把脸画得好看
现在很多生图模型都能生成美女，单看一张精修脸其实没啥意思。真正难的是：文字写对没有？数量数对没有？同一件商品能不能在不同视图里保持一致？复杂的空间关系有没有理解正确？
先看 @witcheer 做的一组本地测试。
他在 RTX 5090 上跑 Z-Image-Turbo，1024px 图片大约只要3.2 秒一张。提示词里要求商店招牌写出指定单词，再画出“正好三只鸭子”，结果文字和数量都对了。
这两个任务看着幼稚，其实一直是扩散模型的老大难。字母容易糊，三只鸭子经常咔咔咔变成四五只。
原帖：https://x.com/witcheer/status/2074020722972758139
接着是一个更接近电商交付的 case。
@rizavelioglu 让模型生成一张左右分栏图：左边只放一件白色花纹 T 恤，右边让真人模特穿上同一件衣服。提示词还要求保留印花、文字、面料、缝线和版型。
最后出来的图里，两边的衣服没有各画各的，花纹和款式基本能对上。对于电商团队来说，这比单纯生成一张“漂亮模特图”值钱多了。商品图、上身图、营销图可以从同一个设计继续往下做。
当然，这只是一张成功样本，离稳定批量出图还有距离。但它至少把方向跑通了。
原帖：https://x.com/rizavelioglu/status/2000012841525649621
写实人像这块，@dreamydigiarts 做了一组同提示词对比。
他让 Z-Image-Turbo 和 Nano Banana 2 同时生成一张手机仰拍：蓝天、逆光、人物后仰、手里抱着一大束野花，头发被风吹起来，还要求保留手机照片那种轻微颗粒感。
Z-Image 给出的画面已经有很强的随手拍味道。牛仔裤、皮肤和逆光没有糊成一层塑料，仰拍构图也没问题。拿来做人物氛围图、社媒配图，已经完全不是玩具级别。
原帖：https://x.com/dreamydigiarts/status/2084233075245171142
Z-Image 也不只会写实，@tisch_eins 用同一条提示词测试了 Boogu、Flux 2 Klein 和 Z-Image-Turbo。画面要求一个黑发女术士站在暴风雨山顶，手里的金色法杖必须从手到顶端完整出现，一道闪电从杖尖直冲云层，同时还要有低机位、全身构图、披风、符文、电弧和强烈的金色轮廓光。
这种 prompt 很容易顾此失彼：法杖被裁掉，闪电接错位置，人物也可能只剩一个大头。Z-Image 的结果把主要关系都保持住了，说明它对复杂插画构图也较强的控制力。
原帖：https://x.com/tisch_eins/status/2081490372405174375
最后一个是极端微距，@aisthetiic 的提示词很短：让某种动物的瞳孔占据画面主体，用左上方的戏剧光线照出虹膜纹理，背景做成由暗到亮的虚化渐变。
更有意思的是，画面没有散。视线被牢牢锁定在瞳孔上，光线、阴影和背景都在给同一个主体服务。做海报主视觉或者情绪化封面时，这种构图服从度比堆一万句“8K、杰作、超细节”都有用。
讨论
登录 参与讨论
