我们选取了国内市面上主流的6款免费AI模型，从以下9个方面对它们进行评测：图像质量、文本与图像的语义一致性、多样性、鲁棒性、生成速度、模型可控性、主观用户体验、软件易用性以及第一次生成准确率。这些模型的免费版本目前均可随时使用，没有明显的使用限制。

作为对比，我们还另外找了两位特殊选手进行对比评测

• 百度 文心一言4.0 Turbo（每3小时免费提供100次问答）
• OpenAI ChatGTP GTP-4o（每天提供2次免费图像生成）

参评选手

• 字节 豆包
• 阿里 通义千问
• 腾讯 元宝
• 百度 文心一言3.5
• 智谱 清言
• 讯飞 星火
• 百度 文心一言4.0
• OpenAI ChatGTP GTP-4o

评分标准：满分100分

一次生成完全符合描述的图片：5分

多次生成后完全符合描述：4

多次生成后仅部分符合：2分

1.图像质量评测（总分值：15分）

我们首先测试了各模型生成图像的基本质量，包括图片的清晰度、细节丰富性以及是否接近真实场景。设定了以下三个场景：

简单场景：

• 输入文本：“一片晴朗的蓝天，中央有一朵白云。”（分值：5分）

在这一场景下，豆包、通义和元宝表现最佳，生成的图像符合描述。而文心3.5、清言和星火生成的图片更像多云的晴天，没有突出中央的那朵白云。多次生成后，星火虽然有所改善，但云的形状显得不自然，与周围的云层不协调。

复杂场景：

• 输入文本：“夜晚繁忙的城市街道，路灯和霓虹灯照亮着街道，车流和人群川流不息。”（分值：5分）

这里，除文心3.5外，其他模型都成功生成了符合描述的场景。文心3.5生成的图片表现较差，未能展现出繁忙的街道场景。

细节要求高的场景：

• 输入文本：“一只红色苹果的特写，上面有一片绿叶，表面有水滴。”（分值：5分）

在这个场景中，文心3.5没有生成带有水珠的苹果，而清言只生成了苹果局部，无法体现完整特写。

第一轮分数统计

2. 文本与图像的语义一致性评测（总分值：15分）

此轮测试中，我们输入了一些从简单到复杂的描述，查看各模型生成的图像是否符合文本的语义。

简单描述：

• 输入文本：“一只在绿地上奔跑的棕色狗。”（分值：5分）

所有选手在这一场景下都生成了符合要求的图片。

包含具体细节的描述：

• 输入文本：“一只蓝眼睛的白猫坐在红色靠垫上，靠垫旁边的窗外正下着雨。”（分值：5分）

在这一场景中，通义、文心3.5和星火的表现不佳，生成的图像未能完全符合描述，要么眼睛颜色不正确，要么没有下雨的场景

复杂描述：

• 输入文本：“一座未来城市的景象，有飞行的汽车，高耸的玻璃建筑反射着夕阳的光辉，透明的人行道上有人行走。”（分值：5分）

这一场景的第一次生成中，只有豆包的结果完全符合描述。通义和元宝经过第二次生成勉强符合，其他模型多次尝试后仍未生成符合的图片。

第二轮分数统计

3. 多样性评测（总分值：15分）

测试模型对同一输入文本的多次生成是否存在多样性，避免每次生成的图像过于相似。

同一输入多次生成：

• 输入文本：“秋天的森林中一间小木屋，周围是五彩缤纷的树叶。”（分值：5）

豆包、通义、元宝、文心3.5、清言、星火：5分

相似输入的对比：

• 输入文本1：“一处山间风景，河流穿过山谷。”（分值：5分）
• 输入文本2：“一处山间风景，山谷中有一个小湖，湖面反射出周围的山峰。”（分值：5分）

在这三个场景的测试中，大部分模型都展示出了较好的多样性表现。文心3.5在生成错误时需要重新开始对话，导致体验有所下降。

第三轮分数统计

4.鲁棒性评测输入事例（总分值：15分）

在这一轮中，我们输入带有拼写错误、不完整句子以及复杂描述，查看模型是否能够应对出错的情况，生成合理的图像。

• 拼写错误或不完整输入：
• 输入文本：“一只蓝色的蝴d飞翔在一片花海上。”（包含拼写错误：蝴d）（分值：5分）

各模型对拼写错误的处理都较好，能够自动纠正并生成合理图像。

• 不完整句子：
• 输入文本：“一个人站在大树下，穿着...”（不完整描述）（分值：5分）

各模型对不完整句子的处理也都较好，能够自动生成默认的合理图像。

• 复杂文本：
• 输入文本：“一个穿着闪亮盔甲的中世纪骑士站在战场上，手持大剑，背景中有一座城堡，头顶上是乌云密布的天空。”（分值：5分）

对于复杂场景，只有豆包生成的结果完全符合描述，其余模型生成的图像偏离了战场场景。

第四轮分数统计

5.生成速度评测（总分值：5分）

• 短文本：
• 输入文本：“一朵红玫瑰。”

• 长文本：
• 输入文本：“一群人在大公园里享受野餐，有孩子在玩游戏，大人们在交谈，食物铺在大树下的一张大毯子上。”

评分标准

分数统计

6.模型可控性评测（总分值：15分）

我们测试了颜色、场景布局和风格控制，观察模型是否能够根据描述准确生成不同的风格和布局。

• 颜色控制：（分值：5分）
• 输入文本1：“日落时分，海面上方的天空被染成橙色和粉色。”
• 输入文本2：“日落时分，海面上方的天空被染成紫色和红色。”

在颜色控制方面，各位选手的表现都非常出色，能够精准地生成符合颜色描述的图像。

• 场景布局控制：（分值：5分）
• 输入文本1：“一个摆放了两人餐具的餐桌，桌子中央有一瓶花。”
• 输入文本2：“一个摆放了两人餐具的餐桌，桌子中央有一根蜡烛。”

场景布局方面，大多数模型能够较好地把控布局的细节，不过豆包在生成时，默认一次生成四张图，结果导致部分图片包含了三到四套餐具，不完全符合要求。文心3.5、清言和星火则出现了无法准确生成符合描述的布局。

• 风格控制：（分值：5分）
• 输入文本1：“一个现实主义风格的女人肖像。”
• 输入文本2：“一个抽象的、立体主义风格的女人肖像。”

风格控制方面，虽然有一些用户提出通义和文心3.5的输出在抽象立体主义上可能稍有偏离，但在评测过程中，大家对这两位模型的表现给予了认可，因此在风格评测上，所有模型均记满分。

• 第六轮分数统计

7.主观用户体验评测（总分值：10分）

• 用户感兴趣的场景：
• 输入文本：“一个温馨的客厅，有壁炉，书架上摆满了书，大窗户外能看到雪景。”（分值：5分）

在这一场景中，大部分模型都成功生成了包含壁炉、书架和雪景的温馨客厅，但文心3.5始终未能生成出带有壁炉的画面。

• 个人风格化的输入：
• 输入文本：“一个平静海滩的画作，有棕榈树在风中摇曳，用水彩风格描绘。”（分值：5分）

在这个场景下，各大模型的表现都很优秀，所有生成的图像都符合水彩风格的描述。

第七轮分数统计

8.软件易用性（总分值：5分）

在软件易用性方面，豆包和星火在对话框内提供了操作提示和模板，方便用户了解模型的功能，使用体验友好。不过，星火在查看历史对话记录时不够便利。清言将功能分成多个部分，但对话框中缺少明确的操作提示。而通义、元宝和文心3.5相比之下，操作体验稍显不便，没有提供明确的提示。

分数统计

9. 第一次生成准确率（总分值：5分）

第一次生成准确率反映的是模型在首次生成时，完全符合用户描述的概率。这个部分直接体现了模型的生成质量和语义理解能力。

评分标准

分数统计

最终评测分值详细统计

参照选手

我们接下来看看参照选手的表现。

文心4.0：

在所有测试场景中，文心4.0仅在一个场景中表现欠佳，即“一个摆放了两人餐具的餐桌，桌子中央有一瓶花”的场景，经过3次生成才得到了符合描述的图像。除了这一点，其它场景都在第一次生成时符合了要求，准确率整体表现极佳，与豆包不相上下。然而，生成速度明显比豆包慢一倍。最终得分：94分。

ChatGPT（GPT-4）：

无论是准确性还是生成速度，ChatGPT GPT-4都表现得十分优秀。生成时间约为10秒左右，且首次生成的图像准确率达到了100%。在图像质量上，其生成的效果肉眼可见地优于豆包，并且图像右下角没有水印。最终得分：98分。

总结

综上所述，在免费模型中，字节跳动的豆包以碾压式的优势战胜了其他竞争对手，几乎所有场景都能一次生成符合描述的图像，生成速度约为10秒，与收费模型文心4.0相比，豆包在性能上甚至超越了它。而在图像质量上，ChatGPT GPT-4的表现优于豆包，尤其是画质更佳且没有水印。

因此，最终推荐：

• 免费选手：豆包完全能够满足大部分用户的需求。
• 付费选手：若对图像质量有更高要求，且有特殊方法，ChatGPT GPT-4是最佳选择。