作者 | 傅宇琪

轻轻敲下几行简单的文字，就能立刻拥有一幅与之相呼应的画作。随着 AI 大模型的崛起，“文字瞬间转化为图像”这一梦想已然成真。

今年，各大玩家纷纷入局大模型，在文生图领域掀起“血雨腥风”。在这篇文章里，我选择了互联网大厂的文心一格、360 智绘、垂直图片领域的美图 MiracleVision 4.0 和知名的 GPT-4 四个模型，通过同题多解的方式，对他们的文生图能力逐一进行了测评，让我们看看，到底是“神仙打架”还是“菜鸡互啄”？

没看测评结果之前，读者朋友们不妨先选一选，你认为会表现得最好的大模型吧：

作为考验的第一关，我们需要观察大模型们的产出结果在数量、动作状态、颜色识别、位置关系等细节方面的呈现。同时，多实体识别对大模型来说也是一个相对复杂的挑战。初级关卡，四位“选手”的表现如何？

先来点简单的 prompt 热身：一只黑色的小猫正趴在一本打开的书上。

生成的结果如下：

除了文心一格生成的小猫脑袋有点大，大模型们表现得都算是不错，GPT-4 生成的小猫不仅趴下了，还舒服地打起了盹。不过，小猫们的画风都比较漫画感，而书却非常写实，这让人觉得稍微有些割裂。

接着，我稍微加大难度，大模型们一下就被搞懵了。

我使用了这个描述：沙漠中，10 头骆驼正在穿越沙漠，远处有一座金字塔。

生成的结果如下：

首先是文心一格的生成结果，可以看到虽然画面中有密密麻麻很多条骆驼腿，但绝对没有 10 只骆驼。而且骆驼们都长得奇形怪状，画面最右边甚至还出现了 1 只“两头连体”骆驼。

360 智绘有些“小气”，只生成了 5 只骆驼，不过补偿了我 3 座金字塔。MiracleVision 4.0 生成了 4 只正常骆驼、1 只 6 腿骆驼、4 座金字塔和 2 个图层。我不禁感慨，算数真是为难它了。相比之下，GPT-4 则大手一挥，“买一送一”地豪掷了十余只骆驼。

我提一个，要不考虑考虑先把大模型们送回幼儿园重修数学吧？

接下来是第一关最难的一题：一只麻雀正在向一只狮子唱歌，远处一只孔雀正展开华丽的羽毛，童话色彩。

生成结果如下：

足足有 3 个实体的 prompt 属实让大模型们犯难了，于是大家生成的结果十分有趣。文心一格只生成了两只孔雀，360 智绘生成了两只长得又像孔雀又像鸡的“麻雀”，MiracleVision 4.0 生成了跟狮子一样大的“穿孔雀衣服”的鸡……只有 GPT-4 完成了任务，整体也赋予了“童话色彩”。

综上，对于大模型们产出能力的实体对象方面，我给出以下打分：

现在，假设大模型们已经能够理解简单直球的 prompt 描述，那中国文化里的深层含义或者说言外之意，他们能 get 到吗？

为了考验大模型们的诗词鉴赏能力，我给出了这个要求：满园花菊郁金黄，中有孤丛色似霜。工笔画风格。

生成结果如下：

这句诗来自唐代诗人白居易的《赋得古原草送别》，它的意思是：在古老的原野上，金黄色的菊花郁郁葱葱，其中有一丛花朵颜色如同霜一般苍白。言外之意，画面应该要展现秋天孤寂的氛围，同时暗示生命的脆弱和短暂。

没想到，对于这道题的作答，居然是“国际友人” GPT-4 更胜一筹，它精确地绘制出满地金黄的菊花中，盛开着一朵白色菊花，同时，画面的色彩浓郁、明度低，符合“秋天孤寂的氛围”。其他三个模型的表现则不太理想：MiracleVision 4.0 生成了好几朵白菊花，文心一格和 360 智绘的产出中则根本没有白菊花。

诗词生成表现一般，那国内的大模型应该得在传统节日上扳回一城吧？事实证明，没有。

我给出的要求是：孩子手中的红包。

生成结果如下：

文心一格、360 智绘审题有些偏差，给出了“拿着红包的小孩”，值得一提的是，在文心一格的生成结果中，小孩哥拿着的红包上赫然有另一个小孩哥的人头！有点惊悚了。再仔细一看，小孩哥捧着的确定是红包吗？

MiracleVision 4.0 生成了很多个红包和 5 只肉乎乎的手，不过大人就不能有胖手吗？这很难评。而 GPT-4 不仅成功审题，生成了一看就知道是小孩的手，图片质感也吊打前面三位。我只能鸡蛋里挑骨头地评价说，空着的袖口有点奇怪，以及红包中间的“福”字没有写对。

不过，国际友人能把带有中国节日元素的 prompt 生成得这么好，也恰恰说明了春节的国际影响力，咱们文化自信的这个小感觉“噌”得一下就上来了。

最后我很好奇，如果 prompt 中出现成语，大模型们会怎么处理。于是，我让四位选手生成：螳螂捕蝉黄雀在后，摄影照片。

生成结果如下：

说实话，对于一个害怕昆虫的人来说，这些生成的图片我都不敢放大仔细看，实在是瘆得慌。这道题其实也涉及到“多实体”识别，所以大模型们的表现都不太好。可以看到，GPT-4 虽然有些理解偏差，但算是意思最贴近的一位选手，它生成了 5 只生物厮杀的画面，而且也只有 GPT-4 生成了“黄雀”，虽然这只黄雀长着蝴蝶翅膀般的尾巴。

其他三个大模型的表现就“令人无语”了：文心一格的作品是一只在和不明生物打架的“螳螂”；360 智绘生成了正在采花粉的“蜻蜓”版螳螂，实在是太离谱了；MiracleVision 4.0 则摆烂般产出了一只螳螂和一只关在容器里的蝉。

好吧我承认，这道题对于大模型们来说确实是太难了。

基于这三个例子，我给大模型们产出能力的中文特色方面打分如下：

大模型在训练过程中，被投喂了国内外名家的各类画作、种类繁多的商业海报……那么，目前的大模型是否有能力去代替“画家”和“设计师”这两种职业呢？

考察选手们的作画能力，我用了这个 prompt ：一只手托着一朵百合，油画风格，朴素，淡雅，莫奈风格。

生成结果如下：

这一轮，文心一格、MiracleVision 4.0 和 GPT-4 的作品不相上下，都准确生成了“手”和“百合”，画面的笔触也能看出“油画”的影子。最让人大跌眼镜的是 360 智绘，它居然我“ AI 扩图”我自己，生成了以荷塘为背景、身上“长出”百合的女生形象。

那么大模型们知道什么是莫奈风格吗？为了方便读者朋友们对比，我们先来看看标准的莫奈风格是什么样的：

作为印象派代表人物，莫奈擅长捕捉光线和色彩的微妙变化，运用自由快速的笔触展现生动画面。这么看来，对于莫奈风格，前三位选手好像理解了一点，但又好像不太沾边，而 360 智绘的产出则是完全看不见莫奈的影子。

接下来，再看看海报生成效果如何。我给出的描述是：为公园汽车电影院设计具有视觉冲击力的活动海报，标题为“公园汽车电影院，欢迎您的加入”，突出公园、夜晚、宁静。

生成结果如下：

众所周知，如果要在大模型产出的图片上加上文字说明，其实是一件比较困难的事。但在这轮测试中，我惊喜地发现 MiracleVision 4.0 做到了！标题在画面中准确地断行、居中对齐，还采用了很有视觉冲击力的红色，真是不错，我就勉为其难地原谅它并没有体现“电影院”这一元素和画面底部生成的三行乱码吧。

下一位值得注意的选手是 GPT-4 。虽然没有体现标题，但是它很有想象力地描绘出“公园汽车电影院”应有的样子：一个巨大的屏幕、整齐排列的汽车，画面的大面积的蓝色和绿色彰显了“宁静”。或许汽车们打开的车灯是为了突出“夜晚”？温馨提示：看电影的时候还是不要开灯为好噢。

其他两个作品就没什么可说的了：文心一格在公园中间直接安上了座椅，再摆上一辆轿车，远处的屏幕上一列无意义的字母，插一句，这么宽的屏幕看的是啥比例的电影？360 智绘生成的则是黄昏时分的电影院门口，门牌同样不可读。

说这么多有点渴了，那出道饮料考题吧！为一款龙井茉莉奶茶，设计一张新品上新海报，突出茶叶和牛奶的高品质。

生成结果如下：

毫无疑问的，我要把这轮的冠军颁给 GPT-4 ，不仅画面美观、细节丰富，分别展示了茶叶和牛奶，还加上了“龙井”的拼音和“JASMINE Milk Tea”。虽然有一些小的文字生成瑕疵，但无伤大雅，让我心痒痒的好想马上点一杯霸 xxx 解解馋。

文心一格和 MiracleVision 4.0 似乎把 prompt 理解成了“奶盖 / 雪顶抹茶”，估计是为了体现“茶叶的高品质”，文心一格直接往杯子里扔了一棵草，MiracleVision 4.0 也“擅作主张”地加上了黑糖珍珠，还有，谁告诉你俩要在奶茶里加青桔和柠檬的？！最后，360 智绘，请问我的奶茶呢？

从这三个例子可以看出，大模型们的设计能力还是比较弱的。所以看到这里的设计师朋友们，大可不必担心，你们厉害着呢，大模型们目前完全抢不走你们的饭碗。

我也对大模型们产出能力的风格设计方面给出了以下打分：

今天的测评中，四位选手的表现参差不齐，有惊喜也有惊悚。读者朋友们猜对表现最好的大模型了吗？欢迎跟我们留言分享。

我也着实被这些“魔法师”们的强大能力所震撼，它们不仅能够捕捉文字中的精髓，还能通过创意的转化，将文字描述变为生动形象的图片，（虽然有的时候结果不尽人意）。相信在不久的未来，我们会看到更多大模型的亮眼表现。

大模型日新月异，夸得天花乱坠，不如实际用用！AI 前线特别栏目《AI 测评室》营业啦！

后续 AI 前线将会定期选择模型产品进行测评，效果直观可见，为大家选择模型做参考。

你希望我测试哪个模型效果？可以评论区或私信告诉我。如果想让大家看到你的产品，也欢迎来撩，微信：T_demo（请注明来意）