2026年AI圖像生成:Midjourney、Flux 與新一輪照片級真實感之爭
兩年前,辨認一張AI生成的人像還像是一種餐桌遊戲:數一數手指、檢查耳環是否對稱、留意那股無論提示詞寫得多好都會暴露擴散模型身分的蠟質光澤。到了2026年,這個「遊戲」已經難上許多。如今頂尖的圖像模型能夠呈現肌膚上一顆顆的毛孔、鬍渣在側光下的質感,以及關節數量正確的手部,精確到「只要看手就知道是不是AI」這句話在過去一年裡已不再是可靠的判斷依據。這樣的進步並非來自某一家實驗室一路領先、始終獨佔鰲頭,而是來自兩種截然不同路線的相互推進。一方面,Midjourney持續打磨一套封閉、經過精選的模型,絕大多數使用者甚至從未碰過設定面板。另一方面,Black Forest Labs的Flux系列則把開放權重圖像生成,從業餘愛好者的權宜之計,變成了專業製作流程可以直接建構其上的選項。「看起來像照片」與「一眼就是AI」之間的距離,從未如此接近過,而值得具體釐清的是,究竟是哪個模型彌合了這道差距中的哪一部分。
Midjourney:重精選、輕操控
Midjourney的優勢從來都不是純粹的技術實力,而是品味——而且完全不需要設定就能取得。目前的預設模型V8.1,是在2026年3月17日向社群開放的V8 Alpha之後,於同年6月10日成為midjourney.com上的標準模型。從V7到V8最重要的變化是Omni Reference,一套能在多次生成之間維持角色臉部、服裝或物件一致性的系統,不再需要V7時代那種繁瑣的參考圖操作;搭配全新的—hd模式,原生輸出2K解析度,生成速度也比前一版快了大約五倍。單就照片級真實感而言,獨立測試將V7與V6進行比較後發現,在30組標準化提示詞中,有23組的輸出更具照片真實感,肌膚質感、布料細節與陰影表現都有可量化的提升;而V8.1則把這股趨勢進一步延伸,尤其是在特寫人像方面,光線如今能沿著下顎線自然繞行、捕捉一根根髮絲的細節,呈現出的效果更像是「拍出來的」而非「算出來的」。
當然,這一切都不是免費的,Midjourney也從未假裝如此:2026年並沒有永久免費方案,四個訂閱層級分別是每月10美元的Basic、30美元的Standard、60美元的Pro,以及120美元的Mega,年繳可享約八折優惠。所有方案都附帶商業使用權,而Stealth Mode——讓生成結果不出現在Midjourney公開社群動態上的私密模式——則僅限Pro以上的方案使用。這筆錢買到的與其說是對模型的原始技術存取權,不如說是一種融入模型權重之中的特定美學品味:即便只是三個詞的提示詞,Midjourney生成的圖像也往往顯得經過深思熟慮、具有藝術指導感、意圖明確。值得注意的是,Midjourney並未參與Artificial Analysis這類第三方基準競技場——這類平台會針對數十個競爭模型,追蹤人類的盲測偏好投票。這個選擇讓它退出了正面的Elo分數比拚,但並未動搖它在核心受眾——實際從業的藝術家與設計師——心中的地位。
Flux:專業人士真正會部署的開放權重模型
由前Stability AI研究人員於2024年創立的Black Forest Labs,過去兩年一直在論證「開放」與「前沿」並非對立的概念,而2025年11月25日發布、直到2026年年中仍是該公司旗艦產品線的FLUX.2,正是這一論點目前最有力的證明。FLUX.2並非單一模型,而是以一整個系列的形式推出,針對「速度」與「可控性」這條光譜上的不同位置各自做了調校:FLUX.2 [pro] 是一套全託管的API層級,目標是在品質上追平封閉的前沿模型,同時運行得更快、成本更低;FLUX.2 [flex] 則直接向開發者開放步數與引導強度(guidance scale)等參數,讓想要自行權衡品質與速度的人可以手動調校;FLUX.2 [dev] 是一個320億參數的開放權重模型,可從Hugging Face下載,Black Forest Labs稱其為目前能力最強的開放權重圖像模型,並且透過與NVIDIA及ComfyUI共同打造的fp8參考實作,能在消費級GeForce RTX顯示卡上運行,而不需要資料中心級GPU;而2026年1月加入陣容的FLUX.2 [klein],則是採用Apache 2.0授權、經過尺寸蒸餾的版本,主打整個系列中最快、最輕量的一端,鎖定裝置端與邊緣運算場景。
這些技術主張具體而非空泛的行銷話術:多參考圖支援最多10張輸入圖像整合為一個連貫輸出、在保留精細細節的前提下支援最高400萬畫素的編輯解析度——而對照片級真實感這條主線來說最重要的一點是,Black Forest Labs自家的基準測試顯示,在盲測的text-to-image比較中,FLUX.2 [dev] 對Alibaba的Qwen-Image勝率達66.6%,在單參考圖編輯的比較中對Qwen-Image-Edit的勝率為59.8%,而相較於自家前代產品FLUX.1 [dev],差距更為懸殊。
這在實務上意味著,這個模型不再迫使使用者在「開放到足以檢視與微調」與「品質好到足以上線」之間二選一。設計師可以把FLUX.2 [dev] 拉到本機工作站上,透過ComfyUI執行,獲得一個世代之前只有封閉API才能提供的燈光與肌膚渲染水準——同時還擁有唯有實際握有權重才能帶來的可稽核性,以及邊際成本趨近於零的生成能力。
照片級真實感的差距究竟是在哪裡縮小的
「看起來像真的」這件事,其具體、可量化的各個面向,今年是整個業界一起往前推進,而非由某一家實驗室獨佔全部進展。肌膚是最明顯的轉變:過去那些大量以修過圖、加了美顏濾鏡的照片訓練出來的模型,不論提示詞怎麼寫,預設輸出往往都帶有一種塑膠感、過度平滑的觀感;而2026年的頂尖系統——Midjourney的V8.1、FLUX.2,以及Google的Nano Banana Pro、OpenAI的GPT Image 2等對手——如今都能呈現看得見的毛孔紋理、不對稱的瑕疵斑點,以及不同膚色對光線散射與吸收方式的差異,而不是把所有人都磨平成同一種修圖濾鏡般的預設樣貌。至於業界長年拿來調侃的手部問題,進步幅度雖不如肌膚那樣戲劇化,但仍相當可觀:在旗艦模型中,多出來或黏在一起的手指如今已是例外,而非五五波的機率問題,不過在握著物體、手指交疊、角度刁鑽等高難度姿勢下仔細檢視,偶爾還是能看出破綻。而燈光表現,可以說是結構性進步最大的一項:如今Midjourney與Flux都能處理間接光與混合光源——例如臉部一側被窗光照亮、另一側被燈光照亮——並呈現出物理上合理的衰減與色溫混合效果,而這正是直到2024年前後都還經常讓模型翻車的難題。
在競爭性基準測試方面,OpenAI的GPT Image 2目前領先Artificial Analysis Image Arena排行榜——這個榜單純粹依據人類盲測偏好投票排名——其Elo分數約落在1337至1339之間,榜單維護者表示,第一名與第二名之間的差距是他們有記錄以來最大的一次;而在真正屬於開放權重陣營的模型中,FLUX.2則保持著最強的位置,至於Midjourney則是出於自身選擇而非落敗才不在這份榜單之列。這一切並不代表照片級真實感已經是個「解決了的問題」——照片級場景中的細小文字、不合常理的解剖結構,以及物理上不可能存在的反射,依然會讓這裡提到的每一個模型時不時露出破綻,而且頻率高到足以影響專業修圖工作。但整體趨勢已經無庸置疑:兩年前那些讓「找出AI圖」成為一種可靠餐桌遊戲的破綻,正在一項項消失;而Midjourney的精選封閉模型與Black Forest Labs可供檢視的開放權重,這兩條截然不同的路徑,正從相反的方向朝著同一個結果收斂。
這對2026年下半年意味著什麼
對現在正在挑選工具的人來說,實際的結論是:「哪個模型更具照片級真實感」這個問題,其有用程度已經不如一年前——誠實地說,對絕大多數日常提示詞而言,答案是好幾款旗艦模型都已經達標。真正更值得問的問題,已經轉移到工作流程本身:你想要的,究竟是Midjourney那種不需任何設定、以固定月費取得的美學判斷力,還是Flux那種可檢視、可在本機執行的權重——適合那些比起在排行榜上挑出分數最高的單一模型,更在意可控性、規模化成本與可稽核性的製作流程。可以預期,這種分歧只會愈發鮮明,而不會被誰吞併誰——封閉平台會加倍押注在精選與生態系統上,開放權重實驗室則會加倍押注在可控性與成本上——因為這兩種賭注都已證明足夠站得住腳,沒有任何一方有動機放棄自己的路線。