文生图 vs 图生图：AI 绘画两种模式怎么选

AI 绘画的两种起手式，一句话就能分开：文生图是「无中生有」，图生图是「改头换面」。前者只吃文字，后者要一张底图。听上去只是输入不同，实际决定了后面所有的操作方式——提示词怎么写、失败怎么排查、要出几张才够。选错起手式，问题通常不在画技，而在起点。

分界不在工具，在约束从哪来

文生图是「描述到像素」，模型从一团噪声开始逐步还原，唯一的输入是你的文字。图生图是「描述加底图到像素」，模型在底图的潜空间上重新加噪再还原，底图决定了构图、色调、主体位置这些骨架。

这个差别决定了两件事。第一，可控性：有底图时你改的是「已有画面的某一部分」，范围可预期；没有底图时每个像素都是新的，任何一处都可能和你想的不一样。第二，成本结构：文生图的成本是试错次数，图生图的成本是底图质量——底图不行，后面全白搭。

四类任务，适合谁、付什么代价、何时失效

把常见需求并排放，选择就变成了一道算术题：

第三列最容易被低估：文生图的代价是时间，图生图的代价是底图。选之前先看手上有什么——没有可用底图，硬上图生图只会把一张烂图改得更烂。

文生图的随机性，来自采样这一步

同一个提示词跑两次结果不同，这不是工具不稳定，是生成过程本身带随机性：模型从噪声起步，每一步都在若干可能方向里选一个，起点不同，路径就不同。多数工具提供随机种子和采样步数这类参数，固定种子能复现同一张，但复现的是「那张」，未必是「你想要的那张」。

随机性带来的实际后果是提示词的作用被稀释。写得再细，也只能把结果往某个区域推，不能钉死在某个点。所以文生图的正确用法是用数量换命中率——一次出四到八张，挑构图对的，再进下一步，而不是对着一张不对的图反复加词。加词到最后，提示词会变成一锅粥，连自己都说不清哪句起了作用。

图生图只有一个关键旋钮：改动幅度

图生图的效果几乎全由改动幅度决定，不同工具叫法不一样，有的叫重绘强度，有的叫相似度。数值低，结果贴近原图，改不动；数值高，模型自由度变大，原图的构图和色调会散掉。多数情况下，零点四到零点六是能兼顾「有变化」和「还认得出」的区间，具体要按题材试。

经验是分两轮：第一轮用偏低幅度，确认主体没变形；第二轮再往上加，让风格真正落地。一次拉到高位，经常出现主体还在、脸和手已经不对的情况。这类失败和计算机视觉模型的特点有关——它对整体布局敏感，对细部结构的约束弱。

更省时的路径是先定调再修细节

成熟的做法是两步：先用文生图把构图、氛围、光影定下来，出一张方向对的底图；再用图生图在这张底图上换风格、改背景、补细节。这样每一步只解决一个问题，失败时也知道是哪一步出的问题。

反过来做——在文生图阶段反复抽卡，想把细节也一次抽对——效率通常更低，因为细节的可控性本来就低，你是在跟随机性较劲。这套先粗后细的顺序，和多模态模型的分层处理方式一致：先确定整体语义，再逐级细化局部，相关原理在多模态 AI里有更完整的解释。

提示词的写法也要跟着换。文生图阶段写「主体、风格、构图、光影」，信息越全越好；图生图阶段只写「要改什么、改成什么样」，把原图里已经对的部分略过，否则模型会连对的部分一起重画。这套差异化写法，本质还是提示词里任务与约束分离的老规矩。

它改得动像素，改不动你的判断标准

边界在这儿：两种模式都能产出「看起来专业」的图，但它们不知道这张图要用在哪、要传达什么。一张光影漂亮、构图讲究的图，放在需要留白放标题的落地页首屏，就是废的。判断标准在人这边，工具只负责执行。

三件事它做不到。其一，维持系列一致性——同一套视觉要做二十张，靠提示词锁不住，得靠参考图、角色锁定这类功能，且仍需人工筛。其二，处理精确的文字与版式——画面里的字几乎必错，排版留白要后期做。其三，承担使用权——训练数据来源的争议、在世画师的风格模仿、他人肖像与商标，这些风险由使用者承担，商用前要看平台条款。

速查：选模式的四个判断

• 没有可用底图、要原创方向，走文生图
• 有底图、只改局部或风格，走图生图
• 文生图靠出图数量换命中率，别对着一张图死磕
• 图生图先低幅度保结构，再提高幅度落风格
• 画面里的字和精确版式，留给后期