文生图与图生图本质不同：前者以文本为唯一输入，从零生成图像；后者以图像为基准，进行条件性再创作。二者在输入形式、可控粒度、技术路径、适用场景及额度消耗上均存在系统性差异。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用通义万相时发现文生图和图生图两种功能输出结果差异明显，这并非系统异常，而是二者底层任务定义与输入依赖存在本质不同。以下是区分这两种功能的核心要点：
一、输入形式与起始媒介不同
文生图以纯文本描述为唯一输入源，模型需从零构建图像内容，所有视觉元素（构图、物体、光影、风格）均由语言提示驱动生成。图生图则必须提供一张已有图像作为基础，后续生成过程始终锚定该图像的结构、布局或局部特征，属于条件性再创作。
1、文生图要求用户输入完整prompt，例如「一位穿青衫的古代女子立于竹林小径，水墨风格，留白三分」；
2、图生图需先上传一张人物半身照或风景截图，再附加修改指令，如「将背景替换为江南雨巷，添加油纸伞和石板路」；
3、同一段文字提示直接用于文生图可得四张原创图，若强行用于图生图则会报错或忽略文字，因系统检测到无图输入。
二、可控粒度与编辑目标不同
文生图强调语义到视觉的整体映射能力，适合概念发散与风格探索；图生图聚焦像素级结构保持与局部属性变更，适用于精准修正与风格迁移等定向操作。前者输出不可预测性强，后者输出空间关系与主体比例稳定性更高。
1、在文生图中指定「猫的眼睛是琥珀色」，模型可能生成多只猫，仅部分满足该细节；
2、在图生图中上传一张橘猫正面照后追加「将眼睛颜色改为琥珀色」，AI仅重绘眼部区域，其余毛发纹理、姿态、背景均严格保留；
3、若需将照片中的人物服装换成汉服，图生图可通过局部重绘实现，而文生图无法锁定原有人物身份，将生成全新角色。
三、技术路径与模型调用机制不同
文生图调用通义万相的Composer主干扩散模型，经多阶段噪声去除生成全图；图生图实际触发的是相似图像生成与局部重绘双通道协同机制，其中图像编码器先提取输入图的潜变量，再与文本提示交叉注意力融合，最终仅对掩码区域执行去噪。
1、文生图流程为：文本编码 → 跨模态对齐 → 全图潜空间迭代去噪 → 图像解码；
2、图生图流程为：图像编码 → 潜变量冻结主干 → 文本引导局部重绘区域掩码 → 掩码内去噪 → 与原图非掩码区融合；
3、当用户上传一张模糊人像并选择「高清修复」选项时，系统自动跳过文本理解模块，直连超分重建子模型，此时已不属于标准图生图范畴。
四、适用场景与输出约束不同
文生图输出不受原始图像限制，支持跨域重构（如将文字描述的“敦煌飞天”直接生成符合壁画质感的图像）；图生图输出必须继承输入图像的关键拓扑结构，禁止改变主体数量、视角朝向及画面基本透视关系，否则判定为失败。
1、用文生图输入「三个宇航员在火星表面插旗」，可生成俯视、平视、仰视多种构图；
2、用图生图上传一张单人宇航员背影照，即使提示「增加两名同伴并改为三人合影」，系统仍将拒绝执行，仅允许调整其手套颜色或旗帜图案；
3、若上传图像含明显畸变（如鱼眼镜头拍摄的街道），图生图生成结果会延续该畸变特征，而文生图默认输出标准透视图像。
五、免费额度消耗规则不同
通义万相当前对两类任务实行独立计费策略：每次文生图请求按生成图数量（默认4张）统一扣除1次额度；图生图则按实际提交的图像文件大小与操作复杂度动态折算，上传高分辨率图或启用「精细重绘」选项将消耗更多额度。
1、输入相同prompt「赛博朋克东京夜景」，文生图消耗1次额度，产出4张图；
2、上传一张2MB的东京街景照片并执行「转换为赛博朋克风格」，系统显示消耗1.8次额度；
3、若在同一张图上连续进行两次不同风格迁移（先转油画、再转霓虹故障风），第二次操作将额外扣除0.9次额度，不享受叠加减免。
