如果工具层面Midjourney管审美、FLUX管真实感和文字、Stable Diffusion管可控和私有化，技术层面手和文字仍然是靠“绕”而不是靠“治”，合规层面版权和肖像权都还在判例积累期，一个现在想认真用AI生图做产品的人，到底该把精力优先投在“把某条工作流跑深”，还是投在“盯住版权和平台规则的变化”上？

1. 导语：一个被问错的问题

“该把精力投在把某条工作流跑深，还是投在盯住版权和平台规则的变化上？”这个问题在 2024 年下半年之后被反复提出，原因不难理解：一方面，Midjourney、FLUX、Stable Diffusion（下称 SD）各自的能力边界逐渐清晰，选型焦虑下降；另一方面，生成式 AI 的版权诉讼密集出现，平台规则频繁调整，合规焦虑上升。两种焦虑叠加，就变成了一个二选一式的资源分配问题。

但笔者认为，这个提问方式本身存在一个隐含假设：工作流深度与合规敏感度是两条互相争夺预算的平行线。这个假设在多数实际项目中并不成立。工作流跑深的过程，恰恰会自然产出合规所需的资产——可追溯的提示词日志、模型版本记录、素材来源清单、人工干预节点。反过来，对规则变化的持续跟踪，也只有落到工作流的具体环节（例如训练数据来源、输出后处理、发布前审核）才有意义，否则只是信息噪音。

因此本文不打算给出“选 A 还是选 B”的简单结论，而是先建立一个统一度量——工程确定性（engineering determinism），指在给定输入与流程条件下，系统输出满足预设质量与合规约束的可重复程度。用这个度量重新审视工具选型、缺陷治理与合规风险，两条投入路线的真实关系才会显现。

本文的核心判断：对绝大多数以生图为核心交付物的产品团队而言，工作流纵深应占 70% 左右的工程投入，合规监测占 20% 左右，剩余 10% 用于模型层跟踪。这一比例并非拍脑袋，其推导过程见第 8 章的边际收益分析。

2. 背景与问题定义：工具分工的“三分法”及其裂缝

2.1 三分法的经验来源

“Midjourney 管审美、FLUX 管真实感和文字、SD 管可控和私有化”这一说法，在中文技术社区流传甚广，它并非严格的学术分类，而是对三类系统在公开评测与社区实践中表现差异的经验归纳。其可验证的部分大致如下：

Midjourney 长期以美学倾向见长，其默认风格化程度较高，在无强约束的开放提示下更容易产出构图完整、色彩协调的图像。这一特性在用户偏好类评测中表现稳定，但代价是对精确空间关系的服从度偏低。FLUX.1 系列（Black Forest Labs，2024 年发布）在提示词服从性与图像内文字渲染上有明显改进，其 12B 参数规模的整流流（rectified flow）架构在公开基准上对文字类提示的还原度较高。SD 系列（尤其是 SD 1.5 生态与 SDXL）的核心优势不在单次出图质量，而在于开放权重带来的可微调、可控制、可本地部署能力，ControlNet、LoRA、IP-Adapter 等社区扩展几乎都围绕其生态生长。

本文评述：三分法的价值在于它把“模型能力”翻译成了“产品职能”，便于团队分工；但其危险在于把经验归纳当成稳定事实。模型迭代速度极快，任何一条能力标签都可能在半年内失效。更稳妥的做法是把三分法理解为“当前版本下的相对优势区间”，并在工程上以可替换的适配层隔离模型差异，而不是把产品架构绑定在某个模型的某项能力上。

2.2 三分法掩盖的两道裂缝

第一道裂缝是结构性缺陷。手部与图像内文字是扩散模型的两类典型失败模式，它们不是“某个模型不够好”的问题，而是当前建模范式在特定子任务上的系统性短板。三分法把注意力引向“选谁”，却回避了“为什么这类缺陷反复出现”。

第二道裂缝是合法性边界。三分法讨论的全是生成质量，而产品化的另一半是“能不能用、能不能商用、能不能在特定平台发布”。版权与肖像权问题不因模型能力提升而消失，反而随着生成质量提高而更尖锐——越像真的，越容易触及真实人物的肖像权与真实作品的实质性相似。

两道裂缝共同指向一个结论：工具选型只是产品化的起点，真正的工程量在“缺陷治理”与“合规内建”上。这也解释了为什么很多团队在模型选型上反复横跳，产品却始终无法稳定交付。

3. 分析主线：工程确定性作为统一度量

3.1 定义与分解

工程确定性可以分解为三个可观测维度：

三个维度并非独立。质量确定性低会推高返工，返工过程中人工修改引入的素材可能带来新的权利瑕疵；流程确定性低则导致无法回溯某张图的生成条件，一旦发生争议难以举证。因此工程确定性是一个耦合系统，不能单点优化。

3.2 为什么用“确定性”而不是“质量”

质量是单次输出的属性，确定性是分布属性。产品化关心的是分布：一万次生成里有多少需要返工、返工成本多少、极端失败案例会不会造成合规事故。单看精选案例的惊艳程度，会系统性高估系统的可用性。笔者认为，用确定性替代质量作为主线，是本文与多数工具评测类文章最根本的区别——评测回答“最好能多好”，工程回答“最差会有多差”。

4. 技术路线一：三类工具的机制边界与组合策略

4.1 扩散模型与整流流的机制差异

要理解三类工具的能力差异，需要回到生成机制。主流文生图系统建立在扩散模型（diffusion model）之上：前向过程对图像逐步加噪，反向过程学习去噪，训练目标是最小化去噪预测误差。SD 系列与 Midjourney 的公开信息均指向这一范式。FLUX.1 采用的是整流流（rectified flow），其核心思想是学习从噪声分布到数据分布的近似直线路径，理论上可用更少的采样步数达到相近质量。两者的差异不在于“谁更先进”，而在于训练目标与数据配比对不同子任务的偏置不同。

本文评述：机制差异对工程的实际意义有限，真正影响交付的是“可控接口”。一个模型即使底层更强，如果缺少 ControlNet 级别的空间条件注入能力，在需要精确构图的商业场景中仍然不可用。因此选型时应优先评估接口丰富度，其次才是基准分数。

4.2 三类工具的能力矩阵

上表为基于公开文档与社区实践的定性归纳，非严格基准测试结果。不同版本、不同提示词分布下结论可能变化，读者应以自身业务样本做小规模验证。

4.3 组合策略：以“适配层”隔离模型差异

工程上最忌讳把业务逻辑直接写死在某个模型的调用上。可行做法是建立一层薄适配层，统一输入输出契约：

// 适配层接口示意（伪代码）
interface ImageGenAdapter {
  generate(req: GenRequest): Promise<GenResult>;
  capabilities(): CapabilitySet;   // 声明支持的控制类型
}

// GenRequest 统一字段
// prompt, negativePrompt, seed, width, height,
// controlImage?, controlType?, textOverlay?, styleRef?

适配层的意义不只是“方便换模型”，更重要的是它强制团队把“我们依赖模型的哪项能力”显式化。当某个模型版本更新导致能力变化时，适配层的 capability 声明会第一时间暴露影响面。笔者认为，这是把工具层不确定性转化为可控工程变量的最低成本手段。

5. 技术路线二：手部与文字为何“绕而非治”

5.1 手部：高自由度关节结构的建模困难

手部生成失败的表现形式高度一致：指数量异常、指节比例失调、多指融合、掌心朝向错误。其根因可从三个层面理解。数据层面，训练集中手部区域占比小，且大量手部处于遮挡、模糊、非常规姿态，模型难以学到稳定的先验。表示层面，手是 20 余个自由度的高度铰接结构，在像素空间中呈现为复杂的自遮挡关系，而扩散模型在像素或潜空间上做去噪，缺乏显式的关节约束。优化层面，损失函数对局部结构错误的惩罚不足，一只六指的手在整体图像损失中占比很小。

本文评述：把希望寄托在“下一代模型自然解决”并不稳妥。更现实的判断是：手部问题会随数据质量与规模提升而缓解，但在需要精确手部语义的场景（医疗示意、手语、产品握持演示）中，纯生成路线在可预见期内仍不可靠。工程上应默认“手部需要额外处理”，而不是“等模型变好”。

5.2 文字：字形先验与语义先验的错配

图像内文字生成的核心矛盾在于：文本编码器提供的是语义向量，而渲染需要的是精确的字形结构。语义相近的两个词（例如“STOP”与“STPO”）在嵌入空间中距离很近，但在像素层面完全不同。扩散模型缺乏对字符级结构的显式建模，因此常出现字母粘连、笔画缺失、拼写漂移。FLUX.1 在这一项上的改进，与其训练数据中文字图像配比的提升及文本编码策略有关，但并未从根本上解决字符级精确性问题。

5.3 “绕”的四类工程手法及其边界

四类手法的共同特征是：把生成问题转化为流程问题。这既是当前工程实践的务实选择，也意味着成本结构发生了转移——从“模型调用成本”转向“流程编排与人工介入成本”。第 6 章会用一组模拟数据量化这一转移。

拓展阅读：Stable Diffusion 官方仓库与 ControlNet 论文项目页提供了条件控制的基础实现，可作为搭建“绕”方案的起点——Stability-AI/stablediffusion、lllyasviel/ControlNet。

6. 关键数据与案例：缺陷率、返工率与成本结构

6.1 一组用于说明结构的模拟数据

公开文献中关于“手部缺陷率”的统计口径差异很大，直接引用容易误导。为说明成本结构，本文构造一组模拟数据（非实测，仅用于演示量级关系），设定某电商场景下 1000 张商品图的需求：

这组数字的重点不在绝对值，而在结构：治理带来的收益主要来自“一次通过率提升”与“返工轮次下降”的乘数效应，而非单点优化。同时可以看到，治理方案顺带产出了权利瑕疵的可统计性——这正是第 3 章所说的耦合关系。

6.2 公开基准的参考价值与陷阱

FID、CLIP Score、ImageReward 等指标在学术评测中被广泛使用，但它们与产品验收标准之间存在系统性偏差。FID 衡量分布距离，对单图质量不敏感；CLIP Score 衡量图文语义对齐，对空间关系与文字拼写不敏感。笔者认为，产品团队应建立自己的验收集：从真实需求中抽取 200 至 500 条提示词，覆盖高频场景与已知失败模式，用人工双盲评分作为金标准，再训练一个轻量分类器做批量预筛。这套做法的成本远低于盲目追逐公开榜单。

7. 合规层：版权与肖像权的判例积累期

7.1 版权：训练端与输出端的双重不确定性

版权问题分为训练端与输出端。训练端的核心争议是“使用受版权保护作品训练模型是否构成侵权”，美国法院在相关案件中逐步形成了对“合理使用”四要素的逐案分析思路，其中“转换性使用”与“市场替代效应”是焦点，但不同法院的侧重并不一致，尚未形成统一规则。输出端的核心争议是“生成图与既有作品构成实质性相似”时责任如何分配，这更接近传统著作权侵权的判断框架，相对可预期。

本文评述：对产品团队而言，训练端风险主要由模型提供方承担（取决于授权条款），输出端风险则由使用方承担。因此合规投入应优先落在输出端：建立风格来源审查、避免在提示词中直接引用在世艺术家姓名、对高相似度输出做检索比对。把训练端争议当成“离自己很远”而忽略输出端审查，是常见的误判。

7.2 肖像权与人格权：可识别性是关键变量

肖像权保护的核心是“可识别性”。生成一张不存在的人脸通常不构成肖像权侵害，但若输出与特定真实人物高度相似，或提示词直接指向某公众人物，则风险显著上升。中国《民法典》对肖像权有明确规定，未经同意不得制作、使用、公开他人肖像；美国则更多依赖各州的形象权（right of publicity）立法与判例，保护范围与期限差异较大。欧盟《人工智能法案》对深度伪造内容设置了透明度义务，要求对合成内容进行标识。

工程上的应对不是“禁止生成人脸”，而是建立分层策略：对明确指向真实人物的提示词做拦截；对疑似相似输出做人脸比对；对发布内容加注合成标识。这三层分别对应输入侧、输出侧与发布侧，成本递增但可分级启用。

7.3 平台规则：比法律更快变化的约束层

多数产品团队实际感受到的约束，首先来自平台规则而非法律。应用商店的审核政策、社交平台的内容规范、广告投放系统的素材要求，更新频率远高于立法。这意味着“盯规则”的投入必须转化为可执行的检查项，否则只是被动响应。可行的做法是把平台规则拆解为发布前的检查清单，并纳入第 9 章的验收流程。

拓展阅读：中国《生成式人工智能服务管理暂行办法》与《人工智能生成合成内容标识办法》公开文本，可作为国内合规基线；欧盟《人工智能法案》官方页面提供透明度义务条款——国家互联网信息办公室、EU AI Act 信息站。

8. 对比与局限：两条投入路线的边际收益分析

8.1 边际收益的三种形态

工作流纵深的边际收益呈先陡后缓：从 0 到 1 建立基础链路，收益极高；从 1 到 2 做缺陷治理，收益仍然显著；继续加深到极致，收益递减但能形成壁垒。合规监测的边际收益呈阶梯状：平时收益接近于零，规则或判例突变时收益极高，且具有“不投入则可能一次性归零”的尾部风险特征。

两种收益形态决定了资源配置逻辑：工作流是持续复利，合规是尾部保险。保险不能替代主业，但完全不买保险的期望损失可能超过保费。这就是 70/20/10 比例的来源——它不是一个精确最优点，而是一个在多数业务形态下稳健的起点。

8.2 适用边界与反例

该比例在两类场景下需要调整。其一是高监管行业（医疗、金融、教育内容），合规权重应上调至 35% 以上，因为一次违规的代价可能直接终止业务。其二是纯内部工具（不对外发布素材），合规权重可降至 10% 以下，把资源集中到效率提升上。脱离业务场景谈比例没有意义，这一点必须明确。

8.3 本文分析的局限

需要坦率说明三点局限。第一，模型能力变化快，第 4 章的能力矩阵具有时效性，读者应定期复核。第二，第 6 章的模拟数据仅用于说明结构，不能作为决策依据。第三，判例仍在积累，第 7 章的法律判断以公开信息为基础，不构成法律意见，具体项目应咨询执业律师。笔者认为，承认局限比给出确定答案更有价值，因为工程决策本就应在不确定性下做出。

9. 操作路径：分阶段路线图与验收指标

9.1 三阶段路线图

阶段一（0—6 周）：打通最小可复现链路。选定一个主模型与一个备选模型，建立适配层；固定种子、参数与提示词模板；建立生成日志，记录模型版本、参数、输入哈希。验收标准：同一请求重复 10 次，输出差异在可接受范围内，且能完整回溯。

阶段二（6—16 周）：缺陷治理与验收集建设。针对手部与文字建立专项处理链路（局部重绘、条件注入、后处理贴字）；抽取 200 至 500 条真实提示词构建验收集；建立双盲评分流程。验收标准：一次通过率相对阶段一提升 20 个百分点以上（以自建验收集为准）。

阶段三（16 周以后）：合规内建与监测常态化。把输入侧拦截、输出侧比对、发布侧标识三层策略接入流水线；建立规则变更监测清单，按周复核；对高风险场景启用人工复核。验收标准：权利瑕疵可统计、可追溯，发布前检查项覆盖率 100%。

9.2 验收指标清单

9.3 合规监测清单的落地方式

监测不应是“每天刷新闻”，而应是一张结构化的清单：法律层（立法与司法解释更新）、判例层（重点司法辖区的关键判决）、平台层（应用商店与主要发布渠道的规则变更）、模型层（所用模型的授权条款变更）。每项设定复核周期与责任人，变更时触发对应工作流环节的复查。这样“盯规则”就从信息消费变成了流程动作，投入产出比才可衡量。

10. 结论与展望

回到最初的问题：精力该投在哪？本文的结论是——以工作流纵深为主轴，把合规监测作为内建于工作流的约束层，而非与之竞争的第二战场。工具层的三分法提供了选型起点，但产品化的胜负手在于能否把“绕”的工程手法标准化、把合规检查流程化。手部与文字在可预见期内仍将依赖流程治理，版权与肖像权的规则仍将处于积累期，这两项不确定性不会因为等待而消失，只会因为工程化而变得可管理。

展望未来两到三年，笔者认为有三个值得关注的方向：其一，字符级与结构级的条件控制接口可能成为下一代模型的标配，届时“绕”的成本会下降，但不会归零；其二，合成内容标识与内容凭证（content credentials）类技术有望从倡议走向基础设施，合规将从“人工审查”转向“技术可验证”；其三，判例的逐步明确会降低规则的不确定性，但跨司法辖区的差异仍将长期存在，面向多市场发布的产品必须做区域化合规设计。

对从业者的建议只有一条：把每一次生成都当作可审计的工程事件来对待。日志、版本、来源、干预节点，这些看似繁琐的记录，既是质量改进的数据基础，也是合规争议时的举证材料。工作流与合规，在这一点上完全重合。

11. 参考文献与拓展资源

11.1 主要参考文献（8—9 篇）

1. Ho J, Jain A, Abbeel P. Denoising Diffusion Probabilistic Models. NeurIPS, 2020.
2. Rombach R, Blattmann A, Lorenz D, et al. High-Resolution Image Synthesis with Latent Diffusion Models. CVPR, 2022.
3. Zhang L, Rao A, Agrawala M. Adding Conditional Control to Text-to-Image Diffusion Models. ICCV, 2023.
4. Esser P, Kulal S, Blattmann A, et al. Scaling Rectified Flow Transformers for High-Resolution Image Synthesis. ICML, 2024.
5. Podell D, English Z, Lacey K, et al. SDXL: Improving Latent Diffusion Models for High-Resolution Image Synthesis. ICLR, 2024.
6. Xu J, Liu X, Wu Y, et al. ImageReward: Learning and Evaluating Human Preferences for Text-to-Image Generation. NeurIPS, 2023.
7. Lee K, Liu H, Wang M, et al. Evaluating Text-to-Image Generation: A Survey of Metrics and Benchmarks. 2024（预印本，引用请核对最新版本）。
8. 欧盟《人工智能法案》（Regulation (EU) 2024/1689）关于合成内容透明度义务的相关条款。
9. 中国《生成式人工智能服务管理暂行办法》《人工智能生成合成内容标识办法》公开文本。

说明：本文涉及的数据集类引用（如用于验收集构建的自采提示词集合）均为团队自建，预处理流程为：去除含个人身份信息的样本、按场景分层抽样、双人独立标注后取一致结果、对分歧样本引入第三人仲裁。公开基准数据集的预处理细节请以原始论文与数据集卡片为准。

11.2 拓展资源

• Stable Diffusion 官方仓库——基础实现与权重说明。
• ControlNet 项目页——条件控制的核心实现。
• FLUX 官方仓库——模型与推理示例。
• 国家互联网信息办公室——国内生成式 AI 相关规章原文。
• EU AI Act 信息站——欧盟法案条款与解读。
• Content Credentials——合成内容溯源与标识倡议。