选型对比 vs Midjourney / Flux / Nano Banana / DALL-E 3

做小红书封面用谁？做活动 KV 海报用谁？做艺术插画又用谁？真实做内容的人都明白一件事——没有"最强模型"，只有"最适合任务"。

gpt-image-2 在 Image Arena 发布 12 小时拿了 #1，领先第二名 242 分（史上最大领先优势）。但这不代表它每个场景都是首选。Midjourney v7 在艺术氛围依然小有优势，Flux 1.1 Pro 写实人像更稳，Nano Banana 免费额度对个人用户够用。

这章把五个主流模型摊在桌上，给你一张能直接拿来用的对照表 + 一棵决策树。

---

1. 核心对比矩阵

数据按 2026-04 当下情况写。Image Arena 排名半年一变，但"文字 / Reasoning / 多轮编辑"这三栏的代差，短期内不会反转。

---

2. 决策树（任务驱动选模型）

任务里有大量文字（标题/中文/Logo）吗?
├─ 是 → gpt-image-2
└─ 否 → 要极致艺术氛围 / 电影感吗?
        ├─ 是 → Midjourney v7
        └─ 否 → 要极致写实人像（产品 / 真人摄影）?
                ├─ 是 → Flux 1.1 Pro
                └─ 否 → 预算敏感 / 个人玩 → Nano Banana

注：DALL-E 3 已停用，老项目还在调用的，迁到 gpt-image-2。

记不住矩阵？记一句话就够：

• gpt-image-2 = 听话的多面手（reasoning + 文字 + 多轮）
• Midjourney v7 = 气氛大师（电影感拉满，但中文字写不对）
• Flux 1.1 Pro = 技术派写实（人像皮肤毛发是它的舒适区）
• Nano Banana = 免费够用（个人玩 / 概念验证）
• DALL-E 3 = 历史（已被 gpt-image-2 取代）

打个比方：Midjourney 像气氛 DJ，氛围拉满但你点歌它不一定听；gpt-image-2 像听话的同事，你说什么它做什么，包括把"30 天学会 ChatGPT"这九个汉字一笔不错地写在图上。

---

3. 真实场景对照

场景 1：小红书封面（中文标题 + 真人感）

我会选 gpt-image-2。原因不是它"质量最高"，是它把"中文标题字直接渲染"这一步干掉了。MJ 时代博主每张封面都要导进 PS 加字，3 张图 30 分钟没了。gpt-image-2 一次出 8 张候选，标题就在图上、就是对的。

场景 2：活动 KV 海报（中文 Slogan + 留白放 Logo）

依然 gpt-image-2。可以显式让它"top-left 留 200×100 干净区给 Logo"——其他模型给这种指令大概率忽略。

场景 3：艺术插画 / 概念图 / 杂志大片

Midjourney v7。这是 MJ 真正没被替代的护城河。同一个 prompt，gpt-image-2 出来调性偏"商业"，MJ 出来有种说不清的"灵气"——光线层次和构图直觉更接近顶级摄影师。

场景 4：真人写实摄影（电商人像 / 产品摄影 / 模特）

Flux 1.1 Pro。皮肤纹理、头发毛发、手部细节这些"恐怖谷"重灾区，Flux 处理得最干净。gpt-image-2 仍偶发"6 根手指"的老毛病。

---

4. 组合工作流（这才是高阶玩法）

实战中我们几乎不"二选一"，是三者搭配。

举个真实例子。上个月做一张"AI 训练营"活动主视觉：

1. gpt-image-2 出底图 —— 中文标题"AI 训练营"和副标题"30 天从 0 到部署"一次到位，文字精准、Logo 留白干净
2. Midjourney 出艺术变体 —— 同一个 brief 让 MJ 跑一版氛围更浓的备选，挑了一张作为投流封面 B 测
3. Flux 补人像细节 —— 主视觉里有个"开发者敲键盘"的特写镜头，用 Flux 单独生成后合成进去

三个模型不是替代关系，是"工具箱里的三把不同的刀"。学完不同的刀法，做内容的效率才能拉开差距。

---

5. 翻车实录

翻车 1：用 Midjourney 做中文海报

设计师朋友坚持 MJ "氛围最好"，活动 KV 上的"AI 工程师训练营"九个字全错——"训"少笔画、"师"成日文片假名混排。最后只能 PS 抹掉重打，单张多花 15 分钟。结论：MJ 出底图但禁止它写中文，文字层在 PS / Photopea / gpt-image-2 里另做。

翻车 2：用 gpt-image-2 做艺术插画

让 gpt-image-2 画一张"赛博朋克东京街头夜景"，构图很对——但调性偏"广告片商业感"，不像 MJ 那种带点电影颗粒感的氛围。结论：纯氛围 / 艺术 / 概念图回到 MJ，gpt-image-2 不强求。

翻车 3：用 Nano Banana 做商用素材

团队同事图免费用 Nano Banana 给客户做了一套电商主图，客户法务一查商用许可——卡了。结论：Nano Banana 适合个人玩 / 内部 demo / 概念验证，商用前务必读一遍当时的 license 条款，别想当然。

翻车 4：DALL-E 3 还在调

某个老项目里还有 model: "dall-e-3" 的 API 调用没改。2026 年 5 月之后这个 endpoint 会陆续下线。结论：今天就把代码里的 dall-e-3 全替换成 gpt-image-2，参数兼容（size / quality 都能映射），别等线上 500 才改。

---

6. 我们的实战数据

JR Academy 4 周内测了 200 张图做产能基准（封面 / 海报 / 课程 banner / 朋友圈图），三个模型分配比例：

不是说 gpt-image-2 比 MJ "强 3 倍"——是我们的内容里中文 + 文字密集场景占了 7 成。如果你做的是壁纸号 / 艺术博主 / 摄影社，比例会反过来：MJ 占 70% 都正常。

选模型不是看排行榜，是看你自己的内容到底是什么形态。

---

7. 下一步

下一章 quickstart 讲怎么开始用 gpt-image-2——5 分钟从开通账号到出第一张可用图。包括 ChatGPT Plus / Codex / API 三个入口的差别、第一张图建议怎么写 prompt、以及国内访问的几条合规路径。

如果你已经有账号想直接跳：

1. 拿本章 §3 的"真实场景对照"找你最像的场景
2. 选定主用模型（大概率是 gpt-image-2）
3. 翻 Ch 03 quickstart 看 5 分钟出第一张图
4. 之后再回来用 §2 决策树判断什么时候该切到 MJ / Flux

模型不是越多越好。先把一把刀用熟，再开始组合。

---

📷 选型对比实测案例

下面真实出图对比来自 awesome-gpt-image（CC BY 4.0）社区收录。直观感受不同模型 / 不同代际的真实落差。

案例 1: GTA San Andreas 截图 — GPT Image 1.5 vs gpt-image-2

Prompt：

gameplay screenshot of a lion fighting against an npc in gta san andreas

社区原作者评价：1.5 版"画风全错、UI 是假的、像低质 GTA mod"，gpt-image-2 则"看起来就是它该看起来的样子"。这是同一个 prompt 在前代和当代的真实落差，直观说明为什么"DALL-E 3 老调用要赶紧迁移"。

📷 创作者：@flowersslop · 收录：awesome-gpt-image

案例 2: 90 年代点拍质感

Prompt：

90s + point-and-shoot camera quality

7 个词的极简 prompt，一次出 4 张高度统一调性的"90 年代傻瓜机"质感。这种"短 prompt + 强风格词锚"能力是 Midjourney 之外的模型很难稳定复刻的——风格词权重 + reasoning 缺一不可。

📷 创作者：@sunyunran · 收录：awesome-gpt-image