Claude Code 教學/第 13 篇・共 17 篇

AI 生圖入門（一）打字就能變圖：文生圖與主模型演變

AI 生圖系列第一篇。從最基本的「打字變圖」開始，帶你認識主模型的演變（SD1.5 → SDXL → Flux → Qwen-Image）、GGUF 為什麼能讓大模型在小機器上跑，並在 ComfyUI 裡一步步接出你的第一條文生圖流程。

這是「AI 生圖入門」系列的第一篇。整個系列會由淺入深：這篇先打好地基——文生圖，也就是「打一段字、生一張圖」。你會認識這幾年主模型怎麼演變、GGUF 是什麼，最後在 ComfyUI 裡親手接出第一條生圖流程。

補充：這系列以 ComfyUI 為操作環境。它把每個步驟做成一個「節點」，你用線把節點串起來，像組電路。所以下面很多名詞其實是「節點」——一個負責一件事的小積木。

一、文生圖是什麼

文生圖（text-to-image） 就是字面意思：你打一段文字（叫 prompt，提示詞），AI 生出一張對應的圖。提示詞通常分兩種：

  • 正向提示詞（positive）：你想要畫面裡有的東西，例如 a cat sitting on a wooden table, soft light。
  • 負向提示詞（negative）：你不想要出現的東西，例如 blurry, extra fingers, low quality。

AI 生圖的原理是「去噪（denoise）」：一開始是一整片電視雪花般的雜訊，模型看著你的提示詞，一步一步把雜訊擦掉、擦成一張符合描述的圖。理解這個「從雜訊擦成圖」的過程，後面很多參數就好懂了。

二、主模型：一切的畫師本體

要生圖，先得有一個主模型（也叫 checkpoint，大模型本體）。這幾年主模型一路演化，你會聽到的名字大致是這個順序：

  • Stable Diffusion 1.5（SD1.5）：2022 年的經典款。小、快、外掛最多，老機器也跑得動，但畫質和對提示詞的理解力較弱。
  • SDXL：SD 的加大版，畫質明顯提升，相容的外掛也多，是很長一段時間的主力，現在仍是穩定首選。
  • Flux：2024 年由 Black Forest Labs 推出，對文字理解、手指、細節都上一個檔次，目前的高品質首選。常見 dev（畫質好）和 schnell（速度快）兩個版本。
  • Qwen-Image：阿里推出的生圖模型，中文提示詞、以及「把文字寫進畫面裡」（招牌、海報字）特別強。

選哪個？一句話原則：機器普通、想要外掛多 → SDXL；追求最好畫質、機器夠力 → Flux；中文或畫面要有文字 → Qwen-Image。

三、GGUF：讓大模型在小機器上跑得動

Flux 這種新模型動輒十幾 GB，一般顯卡或 Mac 塞不下。GGUF 是一種「壓縮打包格式」，術語叫量化（quantization）——把模型精度稍微降一點，換取檔案變小、記憶體省一半以上，畫質只掉一點點。

比喻：原模型是一張超高解析度地圖，GGUF 版是印成「夠用就好」的解析度，看路綽綽有餘，檔案卻小到能塞進背包。

你會看到 GGUF 檔名帶 Q8、Q6、Q4 這種標記，數字越大＝壓越少＝畫質越好但越吃記憶體。挑選原則：記憶體夠就選 Q8，不夠往 Q6、Q4 降。Mac 或顯示卡記憶體不大的人，通常就從模型的 GGUF 版下手。

四、動手：在 ComfyUI 接出第一條文生圖流程

ComfyUI 一打開，預設就有一條文生圖流程。我們把它從左到右拆開，你會看到六個關鍵節點，資料像水一樣由左往右流：

Load Checkpoint ──┬─(MODEL)──────────────┐
                  ├─(CLIP)─→ CLIP Text Encode（正向）─┐
                  ├─(CLIP)─→ CLIP Text Encode（負向）─┤
                  │                                    ▼
Empty Latent Image ─(LATENT)──────────→  KSampler ──(LATENT)─→ VAE Decode ─→ Save Image
                  └─(VAE)──────────────────────────────────────────↑

一步步操作：

  1. Load Checkpoint：載入你的主模型。這個節點會吐出三條線——MODEL（模型本體）、CLIP（負責讀懂文字）、VAE（負責把內部資料轉成人眼看得到的圖）。
  2. CLIP Text Encode（正向）：把你的正向提示詞打進去，它的 CLIP 輸入接上 Checkpoint 的 CLIP。這一步是把文字翻譯成模型看得懂的訊號（叫 conditioning）。
  3. CLIP Text Encode（負向）：同上，打負向提示詞。
  4. Empty Latent Image：設定畫布的寬、高和一次要生幾張（batch size）。SD1.5 建議 512×512 起跳，SDXL／Flux 用 1024×1024。尺寸不是越大越好，超出模型訓練的解析度反而會畫崩。
  5. KSampler：整條流程的心臟，把雜訊擦成圖。幾個必調參數：
    • seed（種子）：隨機碼。固定它＝每次生出同一張；換數字＝換一張。
    • steps（步數）：擦幾次雜訊。20～30 常見，太低會糊、太高只是浪費時間。
    • cfg：提示詞的「服從度」。太低會亂跑、太高會僵硬失真，SDXL 常用 6～8。
    • sampler_name／scheduler：去噪的演算法，新手用預設（如 euler）即可。
    • denoise：文生圖固定填 1.0（整張從零畫起）。這個值在下一篇圖生圖會派上大用場。
  6. VAE Decode：吃 KSampler 產出的結果 ＋ Checkpoint 的 VAE，把內部資料轉成真正的圖。
  7. Save Image：把圖存到硬碟。

接好後按下生成（Queue Prompt），第一張圖就出來了。想換一張：改 KSampler 的 seed。想換風格：換 Load Checkpoint 的模型。想微調畫面：改提示詞。

Mac 提醒：Apple Silicon 跑得動，但比同級 N 卡慢不少，且部分節點對 CoreML／MPS 相容性有限，遇到某些自訂節點報錯是正常的。先用 SDXL 或 Flux 的 GGUF 版，體感會順很多。

小結與下一篇

你現在手上有一條能動的文生圖流程了。這篇的重點：主模型是畫師本體（挑 SD1.5／SDXL／Flux／Qwen），GGUF 是它的省記憶體版，KSampler 是把雜訊擦成圖的心臟。

但現在風格和構圖都還是 AI 隨機決定。下一篇〈幫 AI 加料：LoRA 與 ControlNet〉，我們就來學怎麼「指定畫風」和「指定構圖」，還會教你自己訓練一個 LoRA。

本文為入門導覽，模型與工具更新很快，實際操作以你安裝的版本為準。

回教學列表