Seedream 5.0 Pro深度测评，用完效果惊呆了

这两天，豆包发了 Seedream 5.0 Pro。我一看官方放出来的样图，直接就上头了。

这画质，电影级的。

于是，我花了一天，把这个模型跟 GPT Image 2 做了一轮横向对比。

先说结论。

我的判断是，Seedream 5.0 Pro是目前中国最强的生图模型。跟公认世界最强的 GPT Image 2.基本打平了。

而且价格上，Seedream 有碾压级的优势。它分两档，分辨率 1024×1024以下 0.3 元一张，2048×2048 的 0.6 元。同等分辨率，GPT Image 2 的 API 价格，折合人民币是 1.2 和 1.8 元。

能力打平，价格便宜了七成。

你可以在豆包网页版和桌面版直接体验，模型 API 也已经开放，想调接口的话去火山方舟就行。

好，进正题。我进行了四轮测试。

先从生图模型的痛点，文字渲染开始。

早期的 Midjourney、DALL·E 2.生成的图里如果出现文字，基本上都是「鬼画符」。因为生图模型是在像素层面理解图片，学会了「字长什么样」，但没有真正理解「汉字的结构」。

就好比一个老外临摹中国书法，远远看着像那么回事，凑近一看全是瞎写的。

这个问题真正被有效解决，是今年 4 月 GPT Image 2 发布的时候。OpenAI 把生图能力直接做进了大语言模型里，同一个模型既懂语言又能画图，画的时候天然就认字了。

到了 Seedream 5.0 Pro，中国的模型也跟上了。

这是官方案例，一张海报同时渲染十种语言，全部渲染正确。

同样的测试我也用 GPT Image 2 跑了一遍，效果基本持平。

但必须说一句，汉字渲染还没有完全解决。海报里的大字基本没问题，但如果是密密麻麻的小字，两个模型都还是会有「鬼画符」。

接下来马上就出现了。

第二轮测试，高密度信息图。

这才是真正难的。

生图模型生成一张好看的图，现在属于基操。但你让它画一张信息图，塞满数据、图表、大段文字、还要排版好看，那就是另一个级别的挑战。

事实和数据要正确，文字要正确渲染，图表之间的空间关系要合理，整体还得有设计感。任何一项翻车，这张图就废了。

所以我选了一个够硬的题目，SpaceX 星舰的全箭结构拆解工程蓝图。

提示词：生成一张 SpaceX 星舰（Starship）全箭结构拆解工程蓝图信息图，16:9 横版。深藏蓝色背景，线稿为亮白色与青蓝色，整体风格参考航天工程技术图纸。画面中心为星舰全箭纵剖面图，从上到下标注三大部分：顶部整流罩/乘员舱、中段星舰二级（6台猛禽发动机、液氧/甲烷储罐、隔热瓦分布）、底部超重助推器（33台猛禽发动机阵列、栅格翼、级间热分离环）。左侧面板列出关键参数表：总高度121米、直径9米、起飞推力7590吨、近地轨道运力150吨、可重复使用次数。右侧为三张局部放大详解图：猛禽发动机剖面、隔热瓦六边形排列细节、栅格翼展开机构。底部为星舰发射流程时间轴（点火→级间分离→二级入轨→助推器返回着陆→星舰再入→垂直降落）。所有标注使用中文。线条精密，标注密集，风格如同NASA内部技术文档与科幻概念艺术的结合。

先看 Seedream 5.0 Pro。

视觉风格确实漂亮，赛博蓝很酷。但仔细看内容，信息密度不够，参数只列了五项，详解面板偏简略。火箭剖面图更偏艺术化的概念图，看着好看，但不够「工程」。

再看 GPT Image 2。

坦率的讲，信息密度碾压了。参数表十几项，推力、LEO 运力、GTO 运力、推进剂容量、材料、温度全有。火箭剖面标注极其精细，右侧四个局部放大图都带具体参数规格，底部发射流程有精确时间戳。

整个看下来，GPT 那张真的像 SpaceX 的内部工程文档。Seedream 那张更像科技博物馆的展示海报。

但GPT那张中文大量乱码，相比之下，Seedream的中文渲染好很多。

不过，这一轮，我还加试了一道题。

我让两家画赤壁之战的电影分镜。这是考验画面信息密度的一个试金石。

提示词： 生成一张 4x4 的电影故事板，共 16 个独立面板，每个面板有清晰黑色边框，按从左到右、从上到下排列，并在每格左上角标注小号编号 1–16。主题是赤壁之战火烧曹营。整体风格为专业电影制作分镜草图，黑白铅笔素描，有明暗光影变化。镜头节奏如下：1-远景，长江江面，曹操大军战船铁索连环，遮天蔽日；2-中景，曹营战船甲板，士兵密集列阵；3-近景，曹操站在旗舰船头，意气风发，披风飘动；4-对岸，周瑜与诸葛亮站在高处眺望江面，神情凝重；5-特写，诸葛亮手持羽扇，微微一笑；6-江面上，黄盖率小船队借东风驶向曹营；7-中景，小船上堆满干草和油脂，火把隐藏其中；8-近景，黄盖下令点火，火光映照面庞；9-小船撞入曹营战船，火焰瞬间引燃；10-俯瞰，铁索连环的战船连锁起火，浓烟滚滚；11-曹营士兵在烈焰中慌乱跳水逃命；12-特写，铁索在烈火中扭曲断裂；13-江面全景，整个曹营舰队陷入火海，火光映红半边天空；14-周瑜在岸边拔剑下令追击；15-东吴战船冲入火海中追杀残敌；16-尾声远景，黎明江面，残骸漂浮，硝烟未散，一只孤雁飞过。

这次先看 GPT Image 2。

GPT 每一格的细节都很丰富，人物面部、盔甲纹理刻画精细。但有两个问题，一是面板全是正方形的，不像真正的电影分镜比例。二是第 13 格突然有了颜色，火光的橙红色直接破坏了黑白一致性。穿帮了。而且每一格更像独立的插画，格与格之间的叙事流动感不太强。

再看 Seedream。

面板是横向矩形，更接近真正的电影分镜画幅。全程保持了铅笔素描风格，没有色彩穿帮。最关键的是叙事节奏，远景江面、甲板、人物、点火、大火、余烬，一格一格推过去，真的像在看一个导演画的分镜草图。

显然，Seedream 分镜能力更强。而这恰好是 Seedance，就是字节的视频生成模型，需要的上游能力。

Seedream 出好帧，Seedance 连好片。生图模型是视频模型的地基。

反过来看 GPT Image 2，OpenAI 的基因是单张图的极致表现力，所以每格都画得像独立插画，但缺乏帧与帧之间的流动感。

两家公司不同的产品基因，决定了模型能力的侧重方向。

第三轮，真实影像与人像质感。

我设了三个子场景，分别测光影、材质、人像。

先测光影。

我写了一段很长的提示词，要求测试模型对丁达尔光的控制力。

提示词，黑神话悟空游戏风格，一座巨大而荒废的古代天宫大殿，殿内石柱断裂倾斜，地面碎石散落，墙壁上残留着剥落的壁画和金漆。阳光从坍塌的屋顶破洞和残破的藻井缝隙中射入，形成数道强烈的丁达尔光束，灰尘与香灰在光柱中翻涌。大殿尽头一尊巨大的石雕天王像半毁，独眼俯视，面容威严而诡异。地上散落着生锈的兵器和破碎的天兵铠甲。青苔和藤蔓从石缝中蔓延，缠绕着倒塌的梁柱。整体色调偏冷灰绿，光束处有强烈的冷暖对比。写实 CG 电影级渲染，虚幻引擎 5 画质，超宽银幕 21:9 构图，极强的空间纵深感和压迫感。

上方是 Seedream 5.0 Pro作品，下方是GPT Image 2 作品。

两个模型对光影的操控都是顶级的。但是，显然 Seedream 的光影画面更加细腻，更符合中式审美。

天王殿的建筑细节、雕像上残留的金漆、壁画的斑驳、青苔从石缝里蔓延出来的质感，全部到位。丁达尔光束穿过殿堂的空间纵深感极强，灰尘在光柱里翻涌的细节都有。

GPT 那张说实话差距很大。粗糙了，缺乏中国古建筑的那种厚重感。

再测材质。

这块是考察模型对物理规律的掌握，不同材质的反射、折射、透光，都得跟周围环境对得上。

我设计了一个，巨型蔬菜矗立在城市里的微缩摄影。

提示词，微缩摄影风格，巨型的新鲜西兰花像参天大树一样矗立在上海外滩江边，花球表面密密麻麻的绿色花蕾颗粒清晰可数，粗壮的茎秆如同树干，表面挂满晶莹的露珠，阳光穿透花冠边缘呈现通透的黄绿色。两个微缩的小人坐在西兰花树冠下的木桌旁喝早茶，桌上摆着小笼包和茶壶。远处是模糊的东方明珠和陆家嘴天际线，清晨金色阳光从右侧低角度打来。浅景深，移轴镜头效果，画面左下角白色文字"你好，上海"和英文"Good Morning, Shanghai"。超写实广告摄影质感，16:9 横版构图。

上方是 Seedream 5.0 Pro作品，下方是GPT Image 2 作品。

最后测人像。

我要的是冷峻文艺电影风格的中年男子面部特写。

提示词，冷峻文艺电影风，冷调侧光浅景深，画面安静有故事感。一位四十多岁的中国男子面部特写，面容清瘦，短发整洁，眉眼深邃。神情平静而若有所思，目光望向画面之外，像在回忆什么。单侧冷白光从左侧打亮半张脸，右半脸渐入柔和阴影。肤质细节写实，毛孔、细纹清晰可见，哑光皮肤带着生活打磨过的质感。穿一件深灰色圆领毛衣，领口微皱。背景虚化为雨后玻璃窗，透着朦胧的城市灯光。电影宽银幕 2.39:1 构图，85mm 镜头，f/1.4，冷青色调，轻微胶片颗粒。

这一局 GPT Image 2 赢了。赢得很清楚。

GPT 准确执行了 2.39:1 的宽银幕构图，人脸放在右侧三分之一处，左侧是雨水玻璃和暖色散景光斑，真的像从电影里截出来的一帧。皮肤质感写实，毛孔、法令纹、嘴角细纹都清晰可见，有那种被生活打磨过的真实感。

Seedream 出了一个正方形构图，没按要求来。皮肤有点过于光滑，像加了美颜滤镜。整体更像社交媒体头像套了个冷色滤镜，电影感差了一截。

来到最后一轮了。交互式编辑。

这是我觉得最值得聊的一轮，也是整个测试最有价值的部分。

先看一个 Seedream 的官方案例。我第一次看到这个案例的时候是真的愣了一下。

输入是一张沙漠蜥蜴的写实照片。上面用不同颜色的手写标注了五处修改。

Seedream 按照批注提示，生成结果，把沙漠蜥蜴变成了水晶幼龙。

这就是交互编辑的能力。直接在图上批注，形状变形、材质生成、物体新增、环境改造、氛围变换，一次生成同时完成。

看完这个案例我就想，GPT Image 2 也有标注编辑的能力，那拉出来 PK 一下呗。

我找了一张巴黎傍晚的鸟瞰真实照片，凯旋门在中心环岛，埃菲尔铁塔在右上角。用红色圆圈标了两处修改，埃菲尔铁塔改成 SpaceX 火箭，凯旋门改成北京天坛。

同一张标注图，两家各跑一遍。

两家都正确执行了替换。天坛出现在环岛中心，火箭矗立在铁塔位置。这个没悬念。

差距在哪呢。

GPT 的天坛和火箭，像白天拍好然后 P 上去的。颜色偏冷偏暗，跟周围傍晚暖色的城市灯光完全不搭。火箭就是一根纯白色的柱子插在那里，底部没有任何光效。

Seedream 做了一件关键的事。它意识到这是傍晚。

天坛基座有暖金色灯光照亮，红色廊柱在灯光下泛出暖色，和周围巴黎街灯的色温一致。火箭底部有明亮的暖黄色光效，像即将点火或者被探照灯照亮，跟城市灯光融为一体。

整体的感觉，Seedream 改完之后这两个东西像真的就长在那里。GPT 改完之后像 PS 贴图。

交互式编辑的核心价值，就是理解上下文之后的智能融合。你把一个新东西换进画面，得让它属于这个画面。Seedream 在这件事上做得更好。

最后，一个彩蛋。聊一个 Seedream 独有的能力。

图层分离。

生图模型生成的图片是一整张「死图」。你没办法像 PS 那样把里面的元素一层一层拆出来，单独编辑、替换、移动。

这是生图模型一直以来的痛点，生成容易，微调要命。

Seedream 把事儿给解了。

这个功能目前还没开放，所以我只能用官方演示来展示。

先看一个视频，这是 Seedream 图层分离官方演示。

官方用了一张 AI 生成的杂志封面做演示，主体是一只红金刚鹦鹉站在热带雨林里。Seedream 把这张封面拆成了十个独立图层，左侧出现了一个类似 Photoshop 的图层面板。

然后做了一个操作，把鹦鹉那层隐藏掉。

鹦鹉消失了。但更震撼的是，鹦鹉原来遮挡住的背景区域被自动补全了。热带雨林的枝叶、光影，在鹦鹉消失后无缝延续，没有留下任何空洞。

最后演示把鹦鹉替换成了孔雀。其他所有图层不动，孔雀站在同样的位置、同样的树枝上，尾羽和热带雨林自然融合。一张全新的封面，排版字体色调跟原版完全一致。

这个能力对设计师来说，我觉得是革命性的。

四轮跑完了，综合下来看，Seedream 5.0 Pro 和 GPT Image 2 基本打平了，我没有夸张。

作为一个长期关注 AI 的人，看到这个结果我挺兴奋的。有竞争才有进步，当中国的模型能在核心能力上，跟世界最强正面掰手腕的时候，受益的是所有使用 AI 的人。价格会更低，选择会更多。