本帖最后由 wwr 于 2025-1-17 10:06 编辑
本期测评从三个方面来进行出图，首先是内容、然后是生产以及规格。因为Flux是一个自然语言的模型，从整体不同的质感和风格上面，选择用目前市面上主流的几个自然语言模型——Midjourney、豆包和可图来进行对比。我们进行了同样的关键词输入并获得输出图片。
人像写真 Test-1
可以看出Flux的写真更接近于相机拍摄出来的写真风格，豆包会更加符合中国人审美自带小红书网感，可图的稳定性较弱在人像美的呈现上也并不突出，Midjourney有自成一派的特殊滤镜和艺术风格。
手部生成
Test-2
第二组测试进行了肢体和手部动作的关键词输出，在简单的“手比耶”的输出中，除了Flux可以保持正常的手指结构之外，其他模型在手部生成上都会有多多少少的问题。而在对“千手观音”进行输出的时候，Flux在肢体完整度和比例上大体是OK的，其他模型均有不同程度的问题。通过对敦煌壁画的还原，可以看出豆包对于中国文化的理解能力是非常好的，Flux对敦煌的理解更加偏向于西方，但是人物手和脚的生成都没有太大问题。
背景生成
Test-3
第三组是根据背景物品，按照背景的逻辑性写了两组关键词，一组是比较日常的室内带有一些角度的屋内场景，另外一组是透视比较大的室外场景。通过对比可以看出来，Flux对于室内物体的理解是非常好的，它能够理解物理世界中的各个角度，包括墙体、折角以及透视关系，这些物品的摆放位置都是非常准确的。 Midjourney、豆包和可图在背景结构的精细度上略显不足，比如墙体的折角、桌角的透视都有问题。对于大构图，Fulx整体出图类似杂志写真对称感极强，背景中建筑有细节问题但画面冲击感和人物质感都表现得很好。Midjourney的图片有自带的艺术感和梦幻感，豆包和可图在真实感和艺术性上都较弱。
文字输出
Test-4
第一部分是生日写真可以看出Flux对于生日“happy birthday”这个组词理解的非常好，呈现出了完全正确的拼写，而且画面符合生日氛围。然后其他三个模型在各个地方都会有对文字理解不到位的情况，手的问题也会再次出现。第二部分选择了带有“优酷”图样的PPT演讲场景，PPT背后是SD3的内容，可以看出来Flux生成的图片衣服上“优酷”字样呈现非常完美，而且能识别出衣服上的文字根据身体的变形，符合物理学。包括背后的PPT，虽然看不清内容但是排版非常规整，可以以假乱真。Midjourney对于文字的理解能力也是比较强的，但手部生成完成较弱。就形式上来说豆包和可图文字理解能力会弱很多，基本识别不出文字，后面SD3的文字也无法呈现，整体都会非常凌乱。
生产方向测试
Test-5
在对长文本的理解能力上，可以看出Flux不会有特别离谱的出错，能够达到你这个语义70%。Midjourney、豆包只能达到40%、50%这个样子，各方面都会有折损。
规格方向测试 Test-6
对于同一组关键词进行了分辨率500*1000以及1500*3000的输出。出图可以看出来，不管是小图片还是大图片，都能把人物整体结构很好地完成，手和肢体也不会有太大的错误，但是放到3000特别大的时候，整个画面会和理想画面有一些出入，整体来看Flux支持小图片也支持大图片的输出。
Test-7
继续拿关键词进行比例方面的测试，把比例调成非常极端的长构图。可以看出把它压到200*2200这样的极端长构图，Flux也能较好的完成出图，并且还能保持故事感。它会根据构图来调整画面内容。甚至可以帮你裁切图片，达到你想要的规格画面。人物的肢体也比较正常。
总结
Flux-Dev特点：
内容：1. 效果客观不美化，接近相机直出的真实感，作为基底微调非常合适。--test -12. 手部正确率高，身材比例基本正确不扭曲。--test -23. 背景物品更遵循现实规律，不乱出。--test -34. 英文文字正确率高。--test -4
生产：1. 对长文本的理解力很强，效果对齐精准。--test -5
规格：1. 分辨率可控程度高。 --test - 62. 图片比例支持程度高，特殊比例不畸变。--test -7
Flux-Dev缺点：
内容：1. 亚洲面孔支持度较弱。
生产：1. T5所需文本过长，需要借助AI扩写。
原文链接：https://mp.weixin.qq.com/s/Ka3bTSW7xl2Hg4VUCpMgQg
| 
登录
立即注册
