數位天堂

前言

RTX 2080 Ti 22GB 魔改卡到手後，除了跑顯存驗證與運算正確性測試之外，另一個重要的應用場景就是文生圖（Text-to-Image）。這張卡 22GB 的顯存讓它足以承載多種主流生圖模型，包括 FLUX 系列、Z-Image Turbo 6B 以及 Qwen-Image-2.1。

本文整理了八組測試場景，每組使用同一組提示詞（prompt），分別以 Z-Image Turbo 6B（以下簡稱 Z-Image）與 Qwen-Image-2.1 各跑一次，目的是直觀比較兩者在以下面向的表現：

中文文字正確性與可讀性

人物面部、手部等生物細節

物理反射與光影一致性

複雜場景中多物件的位置與透視關係

整體寫實度與構圖品質

每組測試均附上兩張輸出圖片，第一張為 Z-Image、第二張為 Qwen-Image。所有圖片均以 1024×1024 解析度輸出，未經後製修圖。

1. 中文文字＋產品攝影＋複雜材質

一張高端消費電子產品廣告攝影，一台未來感的白色桌上型 AI 助理裝置放在深色胡桃木桌面中央，裝置正面有一塊小型螢幕，螢幕上清楚顯示繁體中文「居家守護助理」，下方顯示「讓家人安心，讓長輩有伴」，所有中文字必須正確、清晰、沒有錯字或亂碼。 背景是一間溫暖現代化的台灣住宅客廳，夕陽從右側落地窗照入，形成柔和金色光影。桌面上有一杯透明玻璃水杯、一本翻開的書、一副眼鏡、一支黑色鋼筆。玻璃杯產生真實折射與桌面陰影，金屬零件具有細膩反射，白色塑膠外殼具有微妙的霧面質感。 攝影棚級產品攝影，85mm lens，shallow depth of field，realistic global illumination，physically accurate reflections，high dynamic range，extremely detailed，photorealistic，4K commercial advertising photography。

測試重點：中文文字、多材質、反射、景深、物件位置關係、中英文混合 prompt

▎Z-Image Turbo 6B 輸出

▎Qwen-Image-2.1 輸出


2. 👴 老人＋手部＋人物互動

一位約75歲的台灣男性長者坐在客廳沙發上，穿著淺藍色襯衫和深灰色長褲，正在用右手操作桌上的智慧型手機，左手自然放在膝蓋上。他的女兒約40歲，坐在旁邊微笑看著父親，兩人正在自然交談。 要求人物具有真實亞洲人的臉部特徵、自然皮膚紋理、細微皺紋、真實頭髮與眼神。雙手必須具有正確的人體解剖結構，每隻手五根手指，手指自然彎曲，手機與手掌的接觸關係正確。 客廳有一盞落地燈、一張木質茶几、兩個陶瓷茶杯、一盆室內植物。午後自然光從窗戶進入，人物臉部受到柔和側光照射，背景具有自然景深。 documentary photography，natural candid moment，85mm portrait lens，realistic skin texture，subtle wrinkles，physically accurate hands，natural pose，cinematic but realistic lighting，photorealistic，high detail。

這張很適合抓 AI 的破綻，尤其放大看：手指、手機、眼睛、嘴巴、人物彼此的肢體關係。

▎Z-Image Turbo 6B 輸出

▎Qwen-Image-2.1 輸出


3. 🪞 鏡子＋反射＋文字

一間極度寫實的現代台灣住宅玄關，一名穿著深藍色外套的中年男子站在大型落地鏡前整理衣領。 畫面必須同時呈現男子本人與鏡中的完整反射，而且鏡中人物的姿勢、衣服、手的位置、臉部方向必須與真實人物完全一致。鏡面反射必須符合物理光學，不能出現第二個不同的人。 鏡子旁牆面掛著一個小型金屬門牌，門牌上清楚寫著繁體中文「幸福之家」，中文字必須完全正確。 玄關地面為灰色拋光石材，可以看到人物和家具的微弱反射。右側有一盞暖黃色壁燈，產生自然的光暈與牆面陰影。 architectural photography，physically accurate mirror reflection，accurate perspective，global illumination，ray-traced appearance，realistic materials，photorealistic，high dynamic range，extremely detailed。

這個是很好的物理一致性測試。

▎Z-Image Turbo 6B 輸出

▎Qwen-Image-2.1 輸出


4. 🚗 複雜街景＋大量中文招牌

一張極度寫實的台灣城市街景照片，傍晚六點左右，台北一條繁忙但真實的商業街。 街道兩側有便利商店、咖啡店、機車行、傳統麵店和水果店，招牌使用繁體中文。畫面中至少有十個不同大小的中文招牌，每個招牌的文字都應該具有清晰、可讀、合理的繁體中文字，不要使用簡體字、亂碼或虛構文字。 街道上有行人、汽車與大量機車，部分機車停在路旁。紅綠燈亮著紅燈，一位行人正在斑馬線等待。濕潤的柏油路面反射街燈與招牌霓虹燈。 要求所有車輛具有合理的四輪結構，機車具有正確的兩輪結構，人物具有自然比例，遠近透視正確。 realistic Taiwanese urban street photography，wet asphalt，neon reflections，accurate perspective，natural crowd，cinematic evening light，35mm lens，documentary photography，photorealistic，extremely detailed。

這個非常狠 😂 因為同時測：文字＋多人＋車輛＋機車＋透視＋反射。

▎Z-Image Turbo 6B 輸出

▎Qwen-Image-2.1 輸出


5. 🌊 台灣風景＋小物件細節

從台灣東部海岸公路高處向下拍攝，一座蜿蜒的山海公路沿著陡峭山壁延伸，左側是深藍色太平洋，遠方可以看到一座孤立的小島。 前景是一台停在路旁的銀色小型 SUV，車頂安裝一台小型消費級空拍機，車旁放著一個黑色攝影背包、一瓶透明礦泉水和一頂棒球帽。 遠處有一艘白色大型郵輪正在海面航行，海面反射午後陽光。山壁上有茂密的台灣原生植物，公路護欄、路面標線、車輛比例與遠近透視必須正確。 晴朗午後，天空有少量積雲，遠山帶有自然的大氣透視。 professional landscape photography，Taiwan east coast，realistic atmospheric perspective，accurate scale，natural sunlight，physically accurate shadows，24mm wide-angle lens，HDR，photorealistic，ultra detailed。

▎Z-Image Turbo 6B 輸出

▎Qwen-Image-2.1 輸出


6. 🧠 Boss Level：工程師實驗室焊接

這個我最推薦拿來測 Qwen-Image-2.1。

一張電影級、極度寫實的單張攝影畫面：凌晨四點，一名台灣男性工程師獨自在電子研發實驗室工作。 他坐在工作桌前，右手拿著精密鑷子，正在替一塊 ESP32-S3 開發板焊接一顆非常小的電子元件，左手扶著 PCB。桌面上有示波器、數位萬用電表、邏輯分析儀、烙鐵台、焊錫、電子零件盒、杜邦線、USB 線與幾塊不同版本的 PCB。 示波器螢幕上顯示清晰且合理的電子波形；旁邊的電腦螢幕顯示一段正在編譯的 C++ / Arduino 程式碼，程式碼必須具有合理的語法結構；PCB 上可以看到細小但合理的電子元件、IC、電阻電容、銅箔走線與絲印。 工程師戴著透明防護眼鏡，臉部受到桌燈照明，眼神專注。右手五根手指必須解剖結構正確，鑷子、焊接工具與手指的接觸關係必須完全合理。 桌面旁放著一杯已經喝了一半的咖啡，杯子表面有水氣；窗外是凌晨的城市夜景，可以看到遠方建築物的燈光。 整個場景必須遵守真實物理光學：金屬反射、玻璃反射、PCB 表面反光、螢幕發光、桌面陰影、人物投影與環境光必須互相一致。 cinematic documentary photography，professional electronics laboratory，physically accurate hands，accurate electronics，accurate perspective，realistic reflections，global illumination，ray-traced lighting，natural skin texture，35mm lens，shallow depth of field，photorealistic，extremely detailed，8K photographic realism。

這張要檢查 10 個地方：
手指是不是 5 根、鑷子有沒有穿過手、ESP32-S3 PCB 是否像真的 PCB、IC/電阻/電容是否合理、示波器波形是否像正常電子訊號、程式碼文字是否接近可讀、電腦螢幕上的字是否亂碼、咖啡杯/玻璃反射是否合理、光源方向是否一致、人/桌子/PCB/儀器的透視是否一致。

▎Z-Image Turbo 6B 輸出

▎Qwen-Image-2.1 輸出


7. 街頭人物隨拍

專業相機抓拍的超高清寫實街拍照片，以「上傳圖片」中的女性臉部特徵、髮型與整體外觀作為人物參考，保持與參考圖片高度一致的臉型、五官比例、髮型與髮色。一位 22 歲、具有自然東亞女性外貌的年輕女子，身材比例勻稱、曲線自然，穿著時尚而得體的日常休閒服裝。 她正自然地邁步走在天氣晴朗的城市街道上，一手拎著簡約時尚的購物袋，另一手拿著智慧型手機。她微微低著頭，視線自然地集中在手機螢幕上，呈現出專注查看手機訊息的自然瞬間。走路姿態自然流暢，雙腿與手臂的動作符合真實人體行走時的姿勢與重心變化，避免僵硬的擺拍感。 街道環境明亮乾淨，兩旁有現代商店、咖啡廳、街道樹木與行人，背景呈現真實城市生活氛圍。陽光從側前方照射，人物臉部與頭髮具有自然柔和的陽光與陰影，衣服的布料、頭髮絲、皮膚紋理與購物袋材質都清晰可見。 使用全片幅專業相機拍攝，50mm 鏡頭，淺景深，人物主體清晰銳利，背景具有自然柔和的散景。真實攝影光學、自然膚色、細膩皮膚紋理、真實頭髮細節、準確人體比例、自然手部與手指結構、正確的手機與手掌接觸關係、自然透視、真實陰影與反射。 high-end professional street photography, full-frame camera, 50mm lens, shallow depth of field, natural bokeh, realistic skin texture, detailed hair strands, accurate anatomy, natural walking motion, realistic hands and fingers, physically accurate lighting, realistic fabric texture, cinematic natural sunlight, HDR, photorealistic, ultra detailed, 8K photographic quality。

如果你是要專門測試「參考臉＋動態姿勢＋手部＋手機」能力，這版其實比單純強調「美女」更有效，因為一次會測到好幾個容易出錯的地方。

▎Z-Image Turbo 6B 輸出

▎Qwen-Image-2.1 輸出


8. 車內視角自拍

一張自然寫實、帶有溫暖黃昏氛圍的年輕成年東亞女子車內近距離人像攝影，4:5 直式構圖，呈現自然手機隨拍與高質感 Lifestyle Photography 風格。 一位年輕成年東亞女子坐在現代轎車的前排座位上，身體自然朝向鏡頭，安全帶從肩膀斜跨身前。她擁有精緻自然的東亞五官、柔和小巧的臉型、明亮深色眼睛、自然眉形與淡雅乾淨的妝容。肌膚細膩通透，同時保留真實皮膚紋理，不過度磨皮；雙頰帶有夕陽映照形成的自然暖色紅潤，嘴唇呈柔和自然的淡粉色。 她留著深棕色長直髮，中間自然分線，長髮蓬鬆柔順地披落在雙肩與身前，細緻髮絲被夕陽勾勒出暖金色光澤。 女子安靜地直視攝影機，神情平靜、自然、略帶柔和自信感，不刻意微笑。一隻手自然抬起靠近肩膀與長髮位置，手掌微微收起，像是準備整理頭髮；手指姿態自然、五指結構正確。手上佩戴簡約細戒指與金屬手環，頸部佩戴纖細金色項鍊與小巧黑色星形造型吊墜，搭配簡約黑色細肩帶上衣。 畫面最重要的光線來自車窗外的低角度黃昏夕陽，溫暖金色陽光從側前方斜射進車內，直接照亮女子半邊臉部、眼睛、鼻樑、嘴唇、頭髮與手臂，形成漂亮而自然的 Golden Hour 光影；另一側保持柔和陰影，使臉部具有自然立體感。陽光明亮但不過曝，皮膚色調自然，不產生塑膠感。 背景保留真實的深色汽車內裝、皮革座椅、頭枕、後排座位與車窗結構，車窗外可以看見清澈明亮的藍色天空。背景稍微柔化，但仍能辨識是真實汽車內部，避免棚拍感與合成感。 相機採用近距離半身構圖，約從腰部/上半身至頭頂完整入鏡，50–70mm 自然人像透視，視角接近人物眼睛高度。焦點精準落在雙眼與臉部，眼睛清晰銳利，細緻髮絲與真實肌膚紋理清楚可見；自然 HDR、真實動態範圍、電影級暖色調、高清細節。 photorealistic、natural skin texture、golden hour sunlight、realistic car interior、sharp focus、high detail、8K。

避免：臉部過度磨皮、AI 塑膠肌、五官變形、手部畸形、多手指或少手指、安全帶位置錯誤、頭髮黏成一片、過曝夕陽、過強濾鏡、假 HDR、背景合成感、模糊臉部。

▎Z-Image Turbo 6B 輸出

▎Qwen-Image-2.1 輸出


總結 Benchmark 建議

如果你的目的是比較 Qwen-Image-2.1、Z-Image、FLUX.1/FLUX.2 的能力，我最推薦直接用第 1、2、3、6 四組做固定 benchmark：同解析度、同 seed（如果模型允許）、同採樣設定，各跑一次，再比較文字、手、反射、複雜場景和物件一致性。

初步心得與觀察

以下為本次測試的幾點主觀心得，供有興趣的網友參考：

關於中文字

目前這兩套工具在繁體中文字的正確性上，表現都不及格。Z-Image 在測試 1 中「居家守護助理」的「護」字出現明顯筆畫錯誤，而街景招牌的中文字更是完全錯亂——這在需要產出含文字圖片的應用場景中，是很大的硬傷。

Z-Image Turbo 6B

優點：生成速度非常快，每張約 12 秒即可完成，適合需要快速迭代或大量試錯的場景。

缺點：圖片的合理性有待加強。例如台灣東海岸風景測試中，空拍機的外型與比例不太自然，郵輪船頭的方向也與 prompt 描述的透視不一致。整體而言，畫面細節的邏輯連貫性還有進步空間。

Qwen-Image-2.1

優點：生圖品質相較之下略勝一籌，構圖邏輯與物件相對位置的合理性較好，場景的整體感也更接近 prompt 的描述。

缺點：生成速度明顯偏慢，每張約需 90 秒。若需要大量產圖，時間成本會是主要的考量因素。

討論

以上為個人的初步測試心得，兩套工具各有擅場與短板。不知道大家比較喜歡哪一張圖片、或是偏好哪一套生圖工具呢？歡迎在底下留言一起討論！