来自 6 家厂商的 14 个模型。选一个，看看它的优秀案例、支持的模式和大家的写法。
OpenAI 的第一代图像模型。指令跟得紧，画面里的文字和版式复杂的图也能画准。
谷歌 Gemini 2.5 Flash 那一代的图像模型。出图快，改图和把人物保持一致特别好用，普通人也能玩起来。
快手可灵（Kling）。图片侧擅长人像、国风和商品图，光影与材质表现细腻；提示词中文写就好，给参考图能锁住人物和构图，同一家的视频模型见可灵视频。
2026 年 4 月发布。比上一代生成更快、改图更准，尺寸灵活、能直接拿一张图当输入，画面里的文字和版式明显更好。
字节跳动的 Seedream 系列图像模型。中文语义理解好，人像、商品图和海报都稳，光影和材质细腻；提示词用中文写就行，比例和分辨率在界面上选或写在提示词里。
画味最足的一家，光影、质感和构图是强项。用风格参考（--sref）和 Omni Reference（--oref）能把风格和角色固定住，参数写在提示词末尾。
xAI 的图像生成（Grok Imagine）。在 X 里用一句话就能出图，改图（换背景、改风格、扩图）也直接说；风格偏写实、网感强，适合快速试想法。
2026 年 9 月发布，编辑精度最高的一代，分 Flare（偏快）和 Sunburst（偏精）两个版本，文字和指令遵循都更稳。
基于 Gemini 3 Pro，会先推理再出图，还懂世界知识和实时信息。做海报、信息图和可视化很稳，画面里的文字基本不出错。
Gemini 3.1 Flash 那一代，速度快的下一代。会上网查资料、做信息图，支持 1K / 2K 和自定义画面比例。
字节的 Seedream 5.0 系列。会先推理再出图，还能联网查资料，商品图和海报尤其出色。
快手可灵（Kling）的视频模型。文生视频和图生视频都行，人物动作和镜头运动比较自然，国风、写实和广告质感都拿手；提示词中文写就好，给首帧图能锁住构图和人物。
字节新一代的音视频联合生成模型，一次最长 30 秒、还能续接两次；能读懂参考视频的构图和镜头语言，支持绿幕、白模等专业编辑。
统一的音视频联合生成架构，可以同时拿文字、图片、音频、视频当参考；运动稳定、音画同步，用参考素材控制表演、光影和运镜。