qwen image 本機產圖實測：提示詞、繁體字與修圖
重點摘要
qwen image（Qwen-Image-2.1）是 2026 年 9 月 20 日開源的產圖與修圖模型，32GB 顯卡開 CPU 卸載就跑得動。我們在 RTX 5090 上實測，熱機一張 1024×1328 約 23 秒，但「娛」「灣」等繁體字固定寫壞，比喻和否定句也會被直接畫出來。
qwen image 是 Qwen 團隊的開源產圖模型系列，2026 年 9 月 20 日推出的 Qwen-Image-2.1 把文字生圖和修圖做在同一個模型裡，ComfyUI 和 Diffusers 開源當天就能用，一張 32GB 的 RTX 5090 開 CPU 卸載就跑得動。在自己的電腦上跑，最要先摸清的是它的脾氣：寫進提示詞的東西幾乎都會被畫出來，比喻和「不要」也一樣，而幾個常用繁體字不管重抽幾次都會寫錯。
這些規律來自 2026 年 9～10 月、本團隊在一台 RTX 5090 32GB 主機上的自有測試與研究，測的是分鏡、角色參考圖、帶中文字的圖這類一次要產一大批、每張都要對的圖。
qwen image 是什麼？Qwen-Image-2.1 的官方規格
Qwen-Image-2.1 是 Qwen 團隊 2026 年 9 月 20 日開源的產圖模型，官方說明它把文字生圖和圖片編輯合成一個模型：負責畫圖的部分只有 7B 參數、32 層單一串流 DiT（擴散 Transformer），文字指令和參考圖交給 Qwen3-VL 8B 去讀，還能直接畫出透明背景的圖。2026 年 10 月 9 日官方再推出只要 8 步的 Turbo 版。
依 GitHub 官方 README 和 Hugging Face 模型頁，基本規格是：
| 項目 | 官方說明 |
|---|---|
| 開源日期 | 2026 年 9 月 20 日，Hugging Face 與 ModelScope 同步釋出權重 |
| 畫圖主體 | 7B 參數，32 層單一串流 DiT |
| 文字編碼器 | Qwen3-VL 8B，同時讀文字指令和參考圖 |
| VAE（壓縮與還原圖片的模組） | 64 通道 RGBA，原生支援透明背景 |
| 預設設定 | 40 步，不開 cfg（提示詞引導強度） |
| 原生解析度 | 2K：1:1 是 2048×2048，16:9 是 2752×1536，9:16 是 1536×2752 |
| 參考圖 | 最多 10 張 |
| 局部編輯 | 用圈選、塗畫標註或另附遮罩指定要改的位置 |
| 加速版 | Qwen-Image-2.1-Turbo，8 步（2026 年 10 月 9 日） |
| 開源當天支援的工具 | Diffusers、ComfyUI、vLLM-Omni、SGLang、LightX2V |
| 提示詞改寫 | 官方另外提供兩個 9B 改寫模型，一個給文字生圖、一個給修圖 |
我們開源當天就把它裝上本地主機。實際讀權重檔，畫圖主體是 7.12B，前一代是 20.43B，縮成約三分之一；文字編碼器 Qwen3-VL 的 bf16 版就有 16.33GB，整包下載 30.86GB。畫圖的部分變小了，負責讀文字的部分反而比它還大，這也是 32GB 顯卡還得開 CPU 卸載的原因。
本機跑 Qwen-Image-2.1 要什麼顯卡？速度實測
Qwen-Image-2.1 的 bf16 權重合計 30.84GB，整包放進 32GB 的 RTX 5090 只剩 303 MiB，10 分鐘產不出第一張。照官方說明開 CPU 卸載（用到哪一段才搬上顯卡）後，VRAM（顯卡記憶體）峰值約 17.6GB，熱機後 1024×1328、30 步每張 23～27 秒。32GB 卡跑得動，前提是開卸載、卡上沒有別的大模型。
官方 README 對記憶體不夠的顯卡，給的也是同一招：載入時呼叫 enable_model_cpu_offload。同一張卡要不要再掛文字模型、VRAM 怎麼分配，整理在 地端 AI 主機怎麼配。
速度的部分，2026 年 9 月我們在同一台 RTX 5090 32GB 上量到：
| 項目 | 設定 | 結果 | 條件 |
|---|---|---|---|
| 第一次載入模型 | 服務剛啟動 | 10～14 秒 | 之後常駐，不再重載 |
| 小圖 | 512×512、15 步 | 17 秒 | 常駐服務熱機後 |
| 直式圖 | 1024×1328、30 步 | 約 23 秒 | 常駐服務熱機後 |
| 方圖 | 1328×1328、30 步 | 55 秒 | 單次執行，未常駐 |
| 方圖多跑步數 | 1328×1328、50 步 | 85 秒 | 單次執行，未常駐 |
| 大方圖 | 1536×1536、40 步 | 約 60 秒 | 單張 |
| 改用官方取樣 | 40 步、不開 cfg | 每張 28 秒，比原本 30 步加 cfg 4 的 40 秒快約 30% | 同提示詞對照，畫面沒有變差 |
| 開 cfg 加反向提示詞 | cfg 4 | 每張從 35～58 秒變 63～67 秒 | 約 1.5～2 倍時間 |
| 修圖只換配色 | 原圖當參考圖、40 步、cfg 1 | 一張約 41 秒 | 5 張 |
| 轉成正側面 | cfg 4 加反向詞 | 一張約 75 秒 | 9 張 |
40 步比 30 步多跑 10 步卻比較快，原因在 cfg。Diffusers 官方文件 寫明，開了 cfg 每一步的運算量會加倍，所以 30 步加 cfg 實際上比 40 步不開 cfg 還重。
提示詞怎麼寫？官方寫法與實測差別
Qwen 官方的提示詞改寫規則，要求用英文、以旁觀者的口吻描述「這張圖裡有什麼」，要畫出來的字放在直雙引號裡並保留原本的文字，不加 masterpiece、8K 這類畫質咒語，一段約 400～500 個英文字。我們拿同一個種子（固定亂數，畫面起點相同）拆解寫實照片的提示詞，結果跟官方一致：畫質咒語和鏡頭參數拿掉都沒變差，讓畫面變真的是光線和瑕疵。
官方的完整規則在 提示詞改寫的系統提示，裡面還要求光線要單獨寫一句、東西要一樣一樣列出來不要概括。跟我們的實測對照：
| 項目 | 官方建議 | 我們實測 |
|---|---|---|
| 步數與 cfg | 40 步、不開 cfg | 每張 28 秒，比原本 30 步加 cfg 4 快約 30%，畫面沒有變差 |
| 語言 | 英文描述，只有圖上的字保留原文 | 遠景很多小人時，中文長清單會排錯位置；改成英文、像轉播一樣自然描述，最重要的條件放第一句最準 |
| 要畫的字 | 放直雙引號，一字不改 | 第一輪 4 張像素風廣告樣式的測試圖共 107 個中文字零錯字，但有幾個繁體字固定寫壞 |
| 畫質咒語 | 不要加 | 同種子拿掉 photorealistic、pores、RAW，細節量測值 405 變 403，幾乎沒差；拿掉 16mm、f/2.8、ISO 這類鏡頭參數也沒變差 |
| 反向提示詞 | 預設沒有，要搭配 cfg 大於 1 | cfg 4 加反向詞後，腿不再被廣角拉長、對比變強，代價是約 1.5～2 倍時間 |
寫實照片真正有用的是三件事，同種子對照下局部細節量測值從 380 拉到 428：具體的物理光線（光從哪個方向來、背後有沒有逆光勾出輪廓、牆面反射回來的補光）、場景和主體的真實瑕疵（牆角磨損、木紋、動物的毛有點亂），以及反向提示詞加 cfg 4。前兩件都是在描述畫面裡實際看得到的東西，跟官方「以旁觀者描述」的要求是同一個方向。
寫進提示詞就會被畫出來：比喻、否定句與概念詞
產圖模型不會分辨哪句是比喻、哪句是叮嚀，寫進提示詞的名詞幾乎都會變成畫面裡的東西。我們實測過，兵器寫成「像一條蛇一樣的尖刃」，畫面真的多了一條有鱗片的蛇浮在半空；寫「不是在她腿上」，東西就畫在腿上。修法都一樣：比喻和否定句改寫成實際長相、實際位置，不要的東西放進反向提示詞。
| 提示詞寫法 | 模型畫出來的 | 改成這樣 | 樣本 |
|---|---|---|---|
| 比喻：「像一條蛇一樣的尖刃」 | 一條有鱗片的蛇浮在半空 | 直接寫刀刃的形狀、長度、材質 | 遇過 |
| 字形提示：「某字＝上面 X、下面 Y」 | 把前一個字畫成超大的那個部件 | 不拆部件，直接寫要的字 | 遇過 |
| 否定字：「不是國」 | 反而更常寫錯 | 只寫正確的字，不提錯的 | 3 張全錯 |
| 否定位置：「不是在她腿上」 | 畫在腿上 | 寫正面位置，例如「放在她身旁的桌上」 | 遇過 |
| 概念詞：「埃及符號」 | 原作沒有的法老面具 | 先看真實照片，逐項寫顏色、形狀、材質、邊框 | 19 張裡 3 張圖文不符 |
| 概念詞：「五色寶石符號」 | 發光球體 | 同上 | 同上 |
| 「除了這些字不要其他文字」 | 背景照樣長出亂碼招牌 | 構圖上不留招牌空間，或寫 blank glowing marquees with no letters | 改寫法有效的只試過 1 張 |
| 一群人「長相都不一樣」 | 畫成同一張臉 | 每人分開寫年紀、胖瘦、臉型、髮型、鬍子；第 4 個人以後推到遠處；反向詞加「同一張臉、雙胞胎」 | 第三版才成功 |
| 「只看得到一隻眼睛」（cfg 1） | 8 張全部不是正側面 | cfg 4，反向詞寫 three-quarter view, both eyes visible，側臉寫成「額頭、鼻梁、鼻尖、嘴唇、下巴連成一條輪廓線」 | 改後 9/9 |
「只看得到一隻眼睛」和「連成一條輪廓線」的差別在於：前者講的是結果，模型不知道怎麼畫出這個結果；後者講的是畫面上看得到的線條，模型就畫得出來。官方提示詞規則要求「以旁觀者描述」，用意也在這裡。
繁體中文準不準？固定寫壞的字
Qwen-Image-2.1 寫中文比前一代進步很多：我們第一輪 4 張像素風廣告樣式的測試圖共 107 個中文字零錯字，前一代 Qwen-Image-Edit-2509 寫「透」這個字 62 次，沒有一次寫對。但有幾個常用繁體字怎麼重抽都寫錯，「娛」25 張全畫成簡體「娱」，「灣」7 張全部上下比例走樣。官方說明只寫文字排版有改進，沒有提到繁體中文。
2026 年 9～10 月我們記到的固定錯字：
| 字 | 模型寫成 | 實測 | 處理方式 |
|---|---|---|---|
| 娛 | 簡體「娱」 | 25/25 寫錯；換 4 種畫風、40 步再試 10 張，0 張能用 | 換字 |
| 贏 | 部件寫錯 | 17 張只有 1 張全對 | 換字，或逐字放大審 |
| 灣 | 上下比例走樣（不是簡體） | 7/7 寫壞 | 換字 |
| 數 | 簡體「数」 | 固定寫錯 | 換字 |
| 階 | 簡體「阶」 | 固定寫錯 | 換字 |
| 鎚 | 「錘」 | 固定寫錯 | 換字 |
| 冊 | 大陸寫法「册」 | 預設 3/3 寫錯；加一句字形說明並改像素風後 3/3 正確（兩項同時改，分不出哪一項有效） | 加字形說明並改像素風 |
做法是產圖前先檢查標題有沒有這些字，有就換字，不賭重抽。 拉高解析度也救不了：我們拿 FLUX 3 Image Klein 從 1152×1536（21 秒）一路拉到 2304×3072（87 秒）、3072×4096（214 秒），構圖質感變好了，錯字一樣在，還多出新的錯字。FLUX 3 Image Klein 官方模型頁 的限制段也寫明，模型產出的文字可能不準或變形。
驗字不能交給 OCR（文字辨識）。OCR 會把字猜成最像的那個，我們的圖上有一個字的「寸」少了一點、另一個字的「大」變形，OCR 照樣把兩個字讀對；easyocr 另外把「一」讀成「-」、「翻」讀成「翮」。所以 OCR 只拿來抓「多出來的字」，筆畫對不對要靠人放大比對：
產圖前後的繁體字檢查
- 掃標題產圖前比對固定寫壞的字，娛、贏、灣、數、階、鎚、冊有就換字
- 字放雙引號要畫的字放直雙引號，一字不改照抄
- 裁字並排把每個字裁下來，旁邊用字型印出正確繁體和常見簡體錯字
- 放大比部件20 劃以上的字放到一樣大，比各部件的比例
- 綁檔案指紋核准清單記圖片的 SHA-256，不是記檔名
這套比對量得出毛病在哪。164 張封面樣式的圖裡有 52 個帶「貝」部件的字，逐字比對 52/52 正確，毛病只出在「贏」。
圖上要放別人的 logo 時，不要讓模型畫：我們試 3 張全部漏字或錯字。logo 用透明背景的原檔放上去，旁邊的宣傳字才交給模型畫。
參考圖比文字有力：多張參考圖怎麼給
給了參考圖，模型就照參考圖畫，提示詞壓不過它。我們實測，文字寫小貓、參考照是大貓，9 格分鏡有 4 格畫成大貓；文字寫「只剩斷繩」、參考照上掛著玉珮，5 格有 4 格照樣畫出玉珮。參考照裡的頭部方向、視線、背景和表情也會一起被搬進新圖，所以挑參考照比改提示詞更要緊，背景和表情最好都是中性的。
| 參考照帶進來的東西 | 實測 | 做法 |
|---|---|---|
| 頭部方向與視線 | 正臉參考照產 35 張，約 30 張看鏡頭；同種子只換成側臉參考照，4/4 看對方向 | 要什麼方向，就給什麼方向的參考照 |
| 背景 | 在街邊台階拍的貓參考照，讓室內戲、雨夜戲好幾格變成白天街景 | 用中性背景的參考照 |
| 表情 | 微笑的小女孩參考照，讓哭戲的 3 格全在笑 | 用中性表情的參考照 |
| 誰是主角 | 多張參考圖時，第一張的角色拿到主要動作；寫「誰是主角站前景」沒用，換參考圖順序後 2/2 對 | 主角的參考圖放第一張 |
| 角色身分 | 從原圖裁下、塗掉旁邊字母的單張參考圖（參考解析度 512），20/20 認得出是同一個吉祥物 | 皇冠這類配件要寫進提示詞，不寫會漏 |
參考圖順序這件事，官方文件也講得很清楚。Diffusers 的 Qwen-Image 2.1 說明 寫明，多張參考圖傳進去的順序，就是模型讀的順序，後面的圖會參考前面的圖。
要做角色多角度的參考圖時，我們用的是前一代 Qwen-Image-Edit-2509 加多視角 LoRA（外掛的微調模型）和 4 步加速，一張 6 秒。觸發詞用中文比英文穩，輸出的長寬比會跟著輸入圖走。這些參考圖接著要交給影片模型去動，參考照怎麼影響影片，寫在 海螺 AI 影片模型的本機實測。
Qwen-Image-2.1 修圖怎麼下指令？
Qwen-Image-2.1 修圖和產圖用同一個模型：把原圖當參考圖丟進去，再用文字說要改哪裡，官方說可以用圈選、塗畫標註或另附遮罩指定局部。我們實測，「只換配色、字不動」和「改位數、刪小東西」做得到；「框住錯字叫它只重寫那個字」4 次沒有一次成功。可靠的局部修，是整張送編輯，再用羽化遮罩只把改的那一塊貼回原圖。
| 修圖指令 | 設定 | 結果 | 樣本／備註 |
|---|---|---|---|
| 只換配色、字不動 | 原圖當唯一參考圖、參考解析度 1024、40 步、cfg 1 | 字逐字放大全對，一張約 41 秒 | 5 張、每張 11 段字 |
| 改位數、刪小東西 | 整張送編輯，再用羽化遮罩只貼回那一塊 | 字和位置都對，遮罩外 0 像素改變 | 3 個種子有 1 個成功 |
| 框住錯字，只重寫那個字 | 編輯模式 | 2 次沒改、1 次改成別的字、1 次沒動 | 4 次全部無效 |
| 九宮格分鏡修一格 | 單格裁下放大修，對照整張送修 | 單格 4/4 成功；整張送修 0/3、1/3、0/3 | 單格 4 次，整張 3 輪各 3 次 |
| 數得出來的小道具（骰子顆數、點數） | 先裁成特寫放大，單獨修道具，寫明顆數和點數排法，加反向詞 | 4/4 張對 | 4 張 |
| 以圖生圖調 denoise（重畫幅度） | 0.35～0.65，對照 0.75 以上 | 前者幾乎是原圖複製，連原圖文字都留著；後者像原創但不像原作 | 中間沒有可用區間 |
| 「移除文字」 | 任何 denoise | 沒有被執行 | 試過的每個 denoise 值 |
整張改配色時要寫明「保持」什麼：改成白底，小字會變淡；改成霓虹風，白色的產品會被染成紫色。半身景裡的骰子只剩約 40 像素，模型根本數不清顆數，先裁成特寫才修得好，九宮格也是同一個道理。
局部修圖的四個步驟
- 先裁再修九宮格的一格、半身景裡的小道具，先裁下來放大
- 整張送編輯原圖當參考圖，指令只寫要改的那一處，其他寫明保持
- 遮罩貼回用羽化遮罩，只把改好的那一塊貼回原圖
- 程式驗收遮罩外像素差要是 0，細節量比值超過 1.8 就換種子重修
本地產圖還是雲端？各模型實測對照
本地跑 qwen image 的好處是不按張付費、提示詞和參考圖不會送出去，速度也不輸雲端：同一時期我們本地每張 31～33 秒，OpenAI 圖片 API 每張 75～95 秒，多出來的是網路往返的時間。雲端贏在字：一張要畫精細徽章和一整行繁體字的圖，本地 Qwen 試了 5 個種子都糊掉，雲端的 gpt-image-2.5 畫對了。
| 模型 | 跑在哪 | 我們量到的 | 要注意的地方 |
|---|---|---|---|
| Qwen-Image-2.1 | 本機 | 1024×1328、30 步熱機約 23 秒；107 個中文字零錯字，但「娛」「灣」等固定寫壞 | 32GB 卡要開 CPU 卸載 |
| Qwen-Image-Edit-2509（前一代） | 本機 | 加多視角 LoRA 與 4 步加速，一張 6 秒；「透」寫 62 次全錯 | 適合轉角色角度，不適合寫字 |
| FLUX 3 Image Klein（5.6B） | 本機 | 1152×1536 約 21 秒；拉到 3072×4096 要 214 秒，錯字照樣在 | 官方寫明文字可能不準或變形 |
| Krea-2（舊模型） | 本機 | 每批約四分之一要重產；包裝和碗上會長出亂碼中文 | 「no hands」常失效，空白處要寫 completely blank, no print |
| OpenAI 圖片 API | 雲端 | 2026 年 9 月量的每張 75～95 秒，時間花在網路往返 | 提示詞和參考圖要送出去 |
| gpt-image-2.5 | 雲端（OpenAI） | 精細徽章和繁體字畫得對；把靜圖交給影片模型去動，字從頭到尾讀得出，只稍微變軟 | API 實際名稱要先查模型清單，只填純名會回 400 |
FLUX 3 系列裡，影片和完整版產圖模型只開放付費 API，能裝在自己電腦上的只有 Image Klein。產完的圖怎麼接成影片，流程寫在 AI 生成影片的製作流程。
本地產圖踩過的坑
本地產圖最麻煩的失誤都不會報錯：反向提示詞寫了沒作用、OCR 說字對了其實筆畫錯、核准過的圖被換掉照樣放行、修完一塊整張變顆粒、提示詞被偷偷擴寫第二次。程式不會停下來提醒，只能靠設定和檢查流程擋掉。我們的做法是每個檢查都直接看圖本身，不信檔名，也不只信辨識程式回報的結果。
反向提示詞寫了沒差。 現象：反向提示詞加了一長串，畫面完全沒變。原因：Qwen-Image-2.1 官方預設不開 cfg，cfg 等於 1 時反向詞不會被用到。修法：要用反向詞就把 cfg 開到大於 1；我們用 cfg 4，每張從 35～58 秒變 63～67 秒，換來腿不再被廣角拉長、對比變強。
圖文不符卻通過檢查。 現象：19 張圖裡有 3 張畫的不是要的東西，全部通過文字和手指檢查。原因：檢查只看字對不對、手指幾根，不看「畫的是不是那個東西」。修法：審圖清單每張都要看手指、四肢、耳朵、文字幻覺、物件邏輯與尺寸比例，提示詞改成照真實照片逐項描述。
OCR 說字對，筆畫其實錯。 現象：OCR 讀出正確的字，放大才看到筆畫少一點、部件變形。原因：OCR 會自動猜成最像的字。修法：OCR 只用來抓多出來的字，筆畫靠裁字、和正確字形並排比對。
核准過的圖被換掉，照樣放行。 現象：一張圖審過之後被換了內容，驗收時直接被放行。原因：核准清單只記檔名。修法：核准清單改成記圖片的 SHA-256（檔案指紋），內容一變就對不上。
修完一塊，整張變顆粒感。 現象：精準局部修之後，5 張裡有 4 張整張變成過度銳化的顆粒感。原因：修圖過程把細節推過頭，而且同一個種子會產出一模一樣的壞圖。修法：量「修後÷修前的細節量」，乾淨的落在 0.56～1.72、壞掉的落在 2.28～4.82，門檻定 1.8，超過就換種子重修，換種子後 4/4 通過。
提示詞被擴寫兩次，硬碟多出 19.2GB。 現象：我們用 Diffusers 裝 FLUX 3 Image Klein 時，模型快取莫名多了 19.2GB。原因：Diffusers 的 ModularPipeline 預設會自己再擴寫一次提示詞，自己先寫好的提示詞等於被擴寫兩次，還從 Hugging Face 下載第二份擴寫模型。修法：拿掉 prompt_upsampler 並設成離線模式。同一次下載還踩到另一個坑：hf download 的 --include 一次只吃一個樣式，多寫的被忽略，主體少下了 11GB。
ComfyUI 裡爆 VRAM、服務卡住這類環境問題，整理在 ComfyUI 教學。
我們的 AI 影片製作方案
我們提供 AI 影片製作服務，做的是 IG Reels、Facebook 動態與限動、Meta 廣告投放用的影片：從需求對焦、腳本、分鏡、AI 生成畫面到剪輯字幕，交付前對照 Meta 廣告政策做合規審查，再依指定版位輸出。單支依長度計價，要固定換素材的可以買月包，每支都含 2 輪修改。
| 方案 | 長度 | 費用 | 內容 |
|---|---|---|---|
| 單支 | 15 秒以內 | $100 USDT | 1 個主版位，含 2 輪修改與 Meta 廣告合規審查 |
| 單支 | 30 秒 | $180 USDT | 1 個主版位，含 2 輪修改與 Meta 廣告合規審查 |
| 單支 | 60 秒 | $300 USDT | 1 個主版位，含 2 輪修改與 Meta 廣告合規審查 |
| 月包 Starter | 每月 4 支 15 秒額度 | $350 USDT | 要長片就併額度，30 秒算 2 支、60 秒算 4 支 |
完整產線和交付規格在 AI 影片製作服務，實際做過的案子看 廣告影片製作流程與費用。需要客製工具或自動化流程的，看 自動化程式開發，依功能報價，評估不收費。
常見問題
qwen image 要多少 VRAM 才跑得動？ 32GB 的卡開 CPU 卸載就跑得動。Qwen-Image-2.1 的 bf16 權重合計 30.84GB，在 RTX 5090 32GB 上整包放進顯卡只剩 303 MiB、10 分鐘產不出第一張；開卸載後峰值約 17.6GB，熱機每張 23～27 秒。官方也建議記憶體不夠的顯卡開 model offload。
qwen image 能寫繁體中文嗎？ 大部分可以，但有幾個字固定寫錯。我們實測「娛」25 張全寫成簡體、「灣」7 張全部比例走樣，「數」「階」會寫成簡體。標題有這些字就先換字，產完再把每個字裁下來，跟正確字形並排比對。
Qwen-Image-2.1 和 Turbo 版差在哪？ 差在步數。官方說 Turbo 用一樣的 7B 畫圖架構，產圖和修圖都只要 8 步，預設 CFG 1；原版預設 40 步。Turbo 的步數排程存在模型檔裡，只改步數參數不會蓋掉它。
ComfyUI 可以跑 Qwen-Image-2.1 嗎？ 可以。官方 README 寫明 ComfyUI 開源當天就原生支援，相容權重放在 Hugging Face 的 Comfy-Org/Qwen-Image-2.1，也附了文字生圖和修圖的範例工作流程。ComfyUI 的安裝與常見卡關，整理在 ComfyUI 教學。
本地產圖會比雲端 API 快嗎？ 我們量到的是本地比較快。同一時期本地每張 31～33 秒，OpenAI 圖片 API 每張 75～95 秒，多出來的時間是網路往返，不是顯卡算得慢。本地另外兩個好處是不按張計費、提示詞和參考圖不會送出去。