AI生图生视频模型科普：从图片到视频，主流模型一次看懂

很多人在第一次接触 AI 绘画和 AI 视频时，最先被劝退的不是操作，而是一堆名字。Wan 2.1、Qwen-Image 2.1、Flux 2 Flex、MiniMax H3……听起来像不同的”版本号”，其实是完全不同的东西。

这篇文章不堆术语，只把一件事讲清楚：这些模型到底分几类、各自强在哪、弱在哪，以及如何在英伟达 12G 显卡上做出合适的选择。

先说结论：所有模型先分成两大阵营——出静态图的【图片生成模型】，和出动态短视频的【视频生成模型】。这两类天生不是一回事，下面逐个拆。

当技术变化越来越快，普通人的不安也变得更具体——而看懂模型，是选对工具的第一步。

01 图片生成主战场：六个主流模型到底差在哪

图片模型负责”出一张静态图”。主流选项有六位：老牌 SD1.5、升级版 SDXL、开源标杆 Flux、Flux 二代 Flex、独立新底座 Krea 2、以及国产轻量 Qwen-Image 2.1。下面逐个看它们的架构、长板和短板。

SD 1.5：生态无敌的老牌选手

• 架构：UNet 扩散
• 主打优势：几十万个 LoRA、ControlNet、各种微调底模，动漫、写实、同人资源多到用不完；显存极低，4G 就能跑。
• 明显短板：原生分辨率只有 512，出大图要先放大；手经常画崩；图内文字基本写不对；复杂构图容易乱。
• 英伟达 12G 卡友好度：非常友好，是主力干活首选。

SDXL：SD 的正统升级

• 架构：UNet 扩散
• 主打优势：原生 1024 分辨率，光影质感比 SD1.5 强一截；LoRA 生态同样成熟，写实、人像、插画都有大量微调。
• 明显短板：文字依旧拉胯；对简单空间关系的理解一般；比 SD1.5 更吃显存。
• 英伟达 12G 卡友好度：友好，FP8 量化能稳定跑。

Flux（Flux.1 dev / schnell）：开源文字与构图标杆

• 架构：DiT Flow Matching
• 主打优势：文字渲染强、手部解剖好、复杂构图和多物体位置理解很强，prompt 跟随度高。
• 明显短板：架构和 SD 完全不同，老 SD 的 LoRA 不能直接通用；原版 BF16 很重，必须量化到 FP8；社区生态还在积累。
• 英伟达 12G 卡友好度：需要 FP8 量化，不能开太大 batch，可用但要注意占用。

Flux 2 Flex（即 Flex 2.1）：Flux 二代

• 架构：DiT Flow（Flux 二代）
• 主打优势：专门优化精细细节、小字、多参考图，编辑能力变强，最多支持 10 张参考图。
• 明显短板：权重更大，显存压力比 Flux 1 更大，本地部署门槛更高。
• 英伟达 12G 卡友好度：原版很难跑，只能找量化版。

Krea 2：独立新底座，不是 Flux 微调

• 架构：自研 DiT
• 主打优势：美学风格极强，风格迁移是强项；人像自然，少了 Flux 那种”一眼 AI 油腻脸”；创造力参数可调，艺术向、插画、创意图很好看。
• 明显短板：结构、空间逻辑不如原版 Flux；不擅长严格的工程图纸、精确排版；CLIP/VAE 配套是千问一套，和 SD/Flux 不通用。
• 英伟达 12G 卡友好度：FP8 量化可跑，配套节点要换。

Qwen-Image 2.1（千问图像2.1）：国产轻量，图生图加图编辑一体

• 架构：千问自研轻量 7B
• 主打优势：原生支持透明 PNG、局部修图、图生图、多参考图；中英文文字渲染很强，电商、设计、抠图特别合适；提示词支持中文，更友好。
• 明显短板：极致写实质感的上限略弱于 Flux/Krea；艺术风格多样性略少。
• 英伟达 12G 卡友好度：很友好，7B 体量，适合英伟达 12G 卡。

02 视频赛道：带时间轴的模型才是真视频

视频模型天生带时间维度，学的是连续帧运动，直接输出带动作的短视频。图片模型想出动态，只能外挂插件。

图片模型停在”一张图”，视频模型走的是”一帧接一帧”的时间轴。

Wan 2.1 / Wan 2.2（万相，即 One 2.1 / 2.2）：目前最火的开源视频模型

• 架构：MoE DiT 视频扩散
• 主打优势：Wan 2.2 运动更自然，镜头运镜、电影感强；支持文生视频、图生视频；开源许可证宽松。
• 明显短板：视频非常吃显存，720P 高帧率在英伟达 12G 上很难，只能跑低分辨率加量化；视频 LoRA 很少。
• 英伟达 12G 卡友好度：勉强，大多只能跑 480P 小版本。

MiniMax H3：原生音视频一体的选手

• 架构：原生音视频一体模型
• 主打优势：出视频自带同步立体声；跨镜头叙事强。
• 明显短板：权重巨大，英伟达 12G 很吃力。
• 英伟达 12G 卡友好度：不太现实，适合云端或远程。

03 额外补课：同梯队热门模型，方便踩坑前心里有数

图片类补充：

• Kolors（快手可灵）：SDXL 改良底座，肤色、人像、色彩非常舒服，国内很多人像 LoRA，中文 prompt 友好，英伟达 12G 轻松跑。
• Z-Image Turbo（造相）：极速图生图，几步出图，中文文字强，适合快速出草图，速度优先。
• SD3.5 Large：Stability 官方新一代 SD，综合均衡，但生态不如 SDXL、SD1.5。
• Ideogram：闭源，天花板级图内文字渲染，本地跑不了，用 API。

视频类补充：

• Seedance：字节的视频模型，长视频、1080P，闭源为主。
• AnimateDiff：不是独立底模，是外挂在 SD1.5/SDXL 上的视频插件，拿现有 SD 底模做动图。这是重点：AnimateDiff ≠ 独立视频大模型。

04 关键概念澄清：这几个点最容易搞混

• SD1.5 是一个底座系列，下面有无数微调模型（Realistic Vision、Anything、MeinaMix 等），它们都基于 SD1.5 的 UNet 架构训练。
• Flux、Krea 2、Qwen-Image、SDXL 都是完全独立的底座，互相不能直接混用 LoRA、CLIP、VAE。换底座等于换一套配套。
• 图片模型不等于视频模型：SD1.5、Flux、Krea 2 天生没有时间维度，只会出单张图，想动要外挂 AnimateDiff；Wan 2.2、MiniMax H3 原生带时间轴，学的是连续帧运动，是原生视频模型。

05 选型口诀：英伟达 12G 显卡该这么挑

• 大量动漫同人、老 LoRA、ControlNet → 选 SD1.5
• 写实人像、光影大片、不想折腾新节点 → 选 SDXL
• 要写清楚文字、复杂多物体构图 → 选 Flux FP8
• 创意插画、风格化创作、讨厌油腻 AI 脸 → 选 Krea 2
• 电商、透明底 PNG、中文提示词、局部修图 → 选 Qwen-Image 2.1
• 做短视频、镜头动画 → 选 Wan 2.2（降低分辨率加量化）

一句话区分 Krea 2 和 Flux

Flux = 理性派，精准、讲逻辑、结构稳；Krea 2 = 感性派，好看、艺术感强、风格丰富，但精确构图会翻车。

选型没有万能答案，只有适合当前需求的答案。先想清楚这次是出图还是出视频、追求写实还是追求风格，再回看上面的口诀，就不会纠结了。