你要给产品加个「修图」功能，翻了一圈图像编辑模型排名，发现各家榜上位置差得离谱，也不知道该信哪个。问题通常不在榜本身，而在你没先分清自己是消除替换、局部重绘还是整图重做。这篇给一套读排名再落到选型的动作：怎么分任务、看哪些维度、拿什么验证，以及什么时候干脆别跟榜。
你要给产品加个「修图」功能，翻了一圈图像编辑模型排名，发现各家榜上位置差得离谱，也不知道该信哪个。问题通常不在榜本身，而在你没先分清自己要的是消除替换、局部重绘还是整图重做。这三件事在同一个榜上的排序经常互相打架，硬套一个总排名去选型，很容易选到某个子项强、但恰好不覆盖你场景的模型。
这篇不给结论式的名次，给一套读排名再落到选型的动作：怎么把需求拆成可比的任务类型、排名里该抠哪几个维度、什么时候榜单直接不适用，以及最后怎么用自有素材做小样验证。分数、价格、名次这类会变的数字，一律到站内页面看当时的口径，别拿几个月前的截图当依据。
先分清你要的是哪类编辑，再看排名
图像编辑是个很宽的筐，同一个模型在消除任务上排前面，在整图改写上可能完全不能用。看榜之前先把自己的需求写死在纸上，写不出来就说明还没到选型阶段，先回去对齐产品要求。
- 局部消除与擦除：去掉路人、水印、多余物体，要求是擦干净且周围自然，对重画自由度要求最低
- 局部重绘与替换：换衣服、换背景、补全缺失区域，要求蒙版听话且边缘过渡顺
- 指令式整图改写：一句「把白天改成黄昏」，对原图结构保留程度要求中等
- 风格与画质修复：老图上色、去噪、放大，关注的是保真而不是创意幅度
看榜前还要写下你的输入形态：纯文本指令、原图加蒙版、还是原图加参考图。榜单如果没说清评测时的输入形态，参考价值直接打折。同一个模型在「保原图结构」和「放开重画」两档设置下表现差很多，排名里没写设置，就等于没给你可复现的条件。
排名里真正该抠的几个维度
多数排名会把「整体观感」放在最显眼的位置，但对你落地的功能来说，观感好不等于返工少。真正决定工作量的是可控性，这一项在榜上往往藏在细节里。
| 维度 | 看什么 | 不达标会怎样 |
|---|---|---|
| 蒙版服从度 | 涂哪里改哪里，没涂的地方是否被误改 | 用户会反复重涂，交互成本高 |
| 边缘过渡 | 接缝是否有硬边、光晕、色差 | 放大后一眼假，成品只能当草稿 |
| 结构稳定性 | 多轮编辑后原主体是否变形漂移 | 改到第三轮整张图就废了 |
| 文字与排版 | 图中文字是否可读、不乱码 | 电商、海报类需求直接出局 |
| 分辨率与比例 | 支持的尺寸与长宽比是否覆盖你的素材 | 得先裁剪再编辑，流程多一步 |
中文文字类编辑建议单独找案例看，不少模型整体画面漂亮，一加中文字就崩，这一项没法从总分里推出来。多轮连续编辑能力也要单独确认，它决定了你能不能把它接进一个可反复调整的工作流，而不是每次从头来。
榜单口径和更新时间要去 AI 测评榜单（/benchmarks） 核对，分数和名次以页面当时显示为准。自评分、人投票、模型打分三种口径混在一张表里时，只能横向比同一口径下的相对位置，别跨口径换算，那等于自造数据。
榜单好看和你的活能干，是两件事
公开榜单的评测素材多是人像、风景、通用物体这类，如果你做的是商品图、票据、医学影像或工业检测图，通用排名基本不能直接套。判断标准很简单：某模型在你这类素材上找不到任何案例，就默认它未经检验，而不是默认它好。
- 榜单素材与你的素材分布是否接近，接近才谈得上迁移
- 评测是否公开了提示词与参数，没公开就只能当参考不能当依据
- 失分集中在哪里：是细节崩坏还是整体不可用，前者可修后者别碰
- 是不是只评了单轮，你的场景如果需要反复改，单轮成绩说明不了问题
探索性玩法、批量生成素材库而不是精确修图时，可以忽略一部分可控性要求，这时排名靠前的模型往往就够用；但一旦涉及保留原图结构、涉及商用交付，就回到上面的检查项，别用探索阶段的体验去估生产表现。
算成本、看许可、再决定自己跑还是调接口
算成本第一步是把口径统一。按次计费、按图片 token 计费、按订阅额度这三种不能直接比一个单价数字，去 模型成本计算器（/tools/model-cost-calculator） 和 Token 单价换算（/tools/token-price-calculator） 把口径折算成同一单位，再看当时的数字。
- 折算单张成本把你实际的调用形态（尺寸、是否多轮）代入计算器，得到每出一张可用图的成本，而不是单次调用价格
- 查许可边界到 AI 模型库（/models） 看该模型标注的许可：权重开源还是仅接口、能否商用、输出归属有无限制，拿不准按最保守的理解走
- 算自建阈值量稳定且素材不能出内网时再考虑自建，按显存与并发在 部署测算（/models/deploy） 走一遍，看是否真的划算
- 把返工算进去一次跑不好的模型用两次也可能白搭，按「出可用图所需次数」排序，而不是按单次价格排序
接口调用还要额外确认限流与稳定性，这部分各家差异不小，可以去 中转站导航（/sites） 看当时的可用性与信誉记录，再决定走哪条线路。敏感素材涉及合规的，别只看价格，先看数据流向。
用二十张自有素材做一轮小样验证
榜单只能帮你缩小候选范围，最后一步必须用自己的素材跑。二十张是个够用的量：太少看不出稳定差距，太多拖慢迭代，等你确定要上再扩样本。
- 覆盖难例：细发丝、半透明物体、密集文字、重复纹理、大面积纯色背景
- 每个候选模型跑同一批图、同一套指令，固定参数只改模型
- 按「可直接用 / 小修可用 / 废掉」三档计数，别打主观分
- 记录每档比例和典型失败模式，失败原因要具体到是边缘还是结构
| 观察项 | 记录方式 | 用来判断什么 |
|---|---|---|
| 可直用占比 | 三档计数取比例 | 是否达到上线的下限 |
| 失败集中点 | 记下最典型的两三个 | 是提示词问题还是模型能力问题 |
| 耗时 | 单张平均处理时间 | 能不能满足交互式场景 |
| 多轮稳定性 | 改三次后的成品 | 适不适合需要反复调的流程 |
验证完留一条回退：把表现最好的两个都接上，主用其一、另一个兜底，模型换代或限流时不至于停摆。换代前后的检查动作可以按 质量监控（/tools/quality-monitor） 里那套流程走一遍，别直接切生产。
下一步想先看当前各家榜单口径与可用中转线路，去站内榜单页和导航页对一遍，再回来做你的二十张小样。→常见问题
图像编辑模型排名第一的是不是就直接用？
不一定。排名靠前通常说明它在通用素材和通用指令上稳，但你的素材类型、是否需要保原图结构、要不要在图里加中文，都可能把它拉下来。先确认榜单测的任务和你的任务同类，再用自己的二十张难例跑一遍，三档计数一看就知道能不能上。
图像编辑和文生图，我该看哪类排名？
看你要不要保留原图。要改一张已有的图、只动局部，就看图像编辑类排名；从零生成一张新图，就看文生图类排名。有交叉需求时以编辑类为主，因为编辑模型通常也能整图重绘，反过来文生图模型很难精确改局部。
不想花钱，能不能先用免费额度把候选筛一遍？
可以，但要按同一批素材和同一套指令去跑，不同平台的分辨率上限和默认参数不一样，直接比观感会失真。先用免费额度做粗筛，把明显不行的去掉，再花钱在最终两三个上做正式小样验证，这样试错成本最低。
