---
title: "选择生成模型"
description: "根据输出素材在项目里的角色选择图像或视频模型，并让生成结果留在画布流程里。"
locale: "zh"
section: "Create"
updated: "2026-06-22"
source: "https://flare.design/zh/docs/choose-generation-models"
---

# 选择生成模型

根据输出素材在项目里的角色选择图像或视频模型，并让生成结果留在画布流程里。

> 分类: Models

[HTML](https://flare.design/zh/docs/choose-generation-models) | [Markdown](https://flare.design/zh/docs/choose-generation-models/index.md)

选择模型时，先看生成结果要在项目里承担什么工作。背景、产品主视觉、分镜 frame 和动态素材，通常需要不同的 prompt 和评判方式。

## 先定义输出角色

选模型前，先判断你需要的是静态图、视频源、纹理、参考方向，还是接近最终稿的视觉。这样你会按版式需求判断结果，而不是只看单张图是否好看。

| 输出角色   | 优先选择                        | 评审重点                           |
| ---------- | ------------------------------- | ---------------------------------- |
| 背景       | 构图干净、有留白                | 文字安全、颜色对比和裁切弹性       |
| 产品主视觉 | 主体稳定、边缘干净、光线一致    | 产品比例和透视是否可信             |
| 风格方向   | 更有表现力的模型或参考图 prompt | 情绪、色盘和方向价值               |
| 动态素材   | 主体和背景分离清楚              | 主体是否能在不制造噪点的情况下运动 |
| 最终视觉   | 版式稳定后再用更高保真设置      | 细节质量、瑕疵和导出尺寸           |

## 生成到项目里

生成结果应该靠近它要使用的画布位置。把有潜力的结果放到 frame 附近，按目标尺寸比较，只保留对后续方向有帮助的废稿。

如果输出会进入最终场景，建议用清楚的名字保存，并尽量保留来源信息：source prompt、参考素材、模型和预期用途。

## 有意识地比较模型

测试模型时，尽量保持 prompt、比例和参考素材一致。一次只改一个变量，才能判断差异来自模型、prompt，还是构图。

可以用一个简单比较网格：

1. 同一个 prompt。
2. 同一个比例。
3. 同一组参考输入。
4. 同样的输出数量。
5. 同一个目标 frame。

然后把结果放到版式里判断，不要只看资产预览。

## 先评审，再精修

精修前先检查裁切、主体位置、文字安全和是否适合做动效。如果结果之后要动起来，主体和背景之间需要有足够清晰的空间和层次。

不要精修一张在 frame 里已经不成立的图。先修正角色、裁切或 prompt。精修最好发生在生成结果已经支持构图之后。

## 注意用量

生成和渲染可能消耗 workspace Flares 余额。每次生成开始前，App 会根据模型、输入类型、分辨率、时长和输出数量预估 Flares。

AI 模型调用按 provider cost，不加 Flare 模型毛利。日常测试可以优先用订阅赠送 Flares；更大的批量任务或付费 Recipe runs 再使用 Top-up Flares。较大的批量任务建议先跑小样，等 prompt 和版式稳定后再放大。

## 什么时候换模型

当反复修改 prompt 仍然没有解决真实问题时，可以换模型：

| 现象                   | 尝试                                                 |
| ---------------------- | ---------------------------------------------------- |
| 风格好，但对象准确性差 | 更适合主体准确性的模型或设置                         |
| 主体好，但构图弱       | 用更简单的 prompt 明确版式方向                       |
| 静态图好，但不适合运动 | 生成主体分离更清楚的来源                             |
| 结果好，但批量成本太高 | 先跑更小的小样、减少输出数，或探索阶段用更便宜的模型 |