个人故事：我为何从 DALL-E 转投 Stable Diffusion
我是一名自由职业平面设计师，偶尔也做插画爱好者。过去两年里，我深陷 AI 图像生成的兔子洞。2022 年 DALL-E 2 刚推出时，我彻底被震撼了。还记得输入"一只穿着宇航服的猫在火星上吃披萨"，几秒后就得到近乎完美的图像，感觉像魔法一样。但随着项目越来越复杂——定制角色设计、建筑概念图、照片级产品样机——我开始碰壁。DALL-E 严格的内容过滤、有限的分辨率（1024×1024）以及无法精细调整细节让我非常沮丧。
后来我发现了 Stability AI 的开源生态系统。我从 Stable Diffusion 2.1 开始，然后升级到 SDXL 1.0，最近还测试了 SD3 Medium。差异简直是天壤之别。我可以在本地运行模型，用 ControlNet 进行姿态引导，还能生成 4K 图像而无需按次付费。但这并非一帆风顺——配置过程简直是噩梦，如果不大量调整参数，有些输出简直没法看。这篇文章是我对 DALL-E（截至 2025 年 4 月的 GPT-4+DALL-E 3）与 Stability AI（重点对比 SDXL 1.0 和 SD3 Medium）的诚实第一人称对比。我会涵盖定价、版本细节和实际使用场景。
快速对比表
| 特性 | DALL-E 3（通过 ChatGPT Plus / API） | Stability AI（SDXL 1.0 / SD3 Medium） |
|---|---|---|
| 最新版本 | DALL-E 3（集成至 GPT-4，2025 年 4 月） | SDXL 1.0（2023 年 11 月）、SD3 Medium（2025 年 3 月） |
| 定价（个人） | 每月 20 美元（ChatGPT Plus，约 40 张图）或每张 0.040–0.080 美元（API） | 免费（本地运行）、每月 10–20 美元（DreamStudio）或每张 0.002–0.010 美元（API） |
| 最大分辨率 | 1024×1024（原生），可放大至 1792×1024 | 1024×1024（SDXL）、1536×1536（SD3 Medium），通过 ESRGAN 无限放大 |
| 内容过滤 | 非常严格（禁止暴力、名人、政治人物） | 极少（用户自定义，开源模型可无过滤） |
| 控制与自定义 | 仅限于文字提示、风格预设和局部重绘 | 完整的 ControlNet、LoRA、文本反转、负面提示、种子控制 |
| 图像质量（开箱即用） | 抽象、超现实和卡通风格表现出色 | 照片级写实、电影感和特定风格表现出色（需调试） |
| 生成速度 | 每张约 5–15 秒（云端） | 每张约 2–10 秒（本地 RTX 4090） |
| 商业使用 | 允许（通过 API，但受过滤限制） | 允许（开源模型，无限制） |
功能对比
第一轮：易用性与可访问性
DALL-E 3（通过 ChatGPT Plus） 是简易性的王者。你只需输入一句话，它就能理解"褪色色彩的 1970 年代复古拍立得"这样的细微差别。没有技术术语，没有滑块。它甚至能轻松处理"一只浣熊在霓虹灯小餐馆和机器人下棋"这样的复杂构图。与 ChatGPT 的集成意味着你可以像聊天一样迭代："让浣熊看起来难过"→"现在加个棋钟"。对于非技术用户或快速原型设计来说，这简直完美。
Stability AI 则恰恰相反。如果使用 DreamStudio（官方网页应用），还算简单：选择风格、输入提示、调整几个滑块。但要发挥其全部潜力，你需要在本地通过 Automatic1111 或 ComfyUI 安装 Stable Diffusion。这需要一块不错的 GPU（至少 NVIDIA RTX 3060）、Python 知识和耐心。我花了一整个周末来配置 ControlNet 和 LoRA 模型。一旦上手，控制力无可匹敌，但学习曲线非常陡峭。
胜出者：DALL-E 3——就开箱即用的易用性而言，DALL-E 获胜。Stability AI 适合喜欢折腾的人。
第二轮：图像质量与多样性
DALL-E 3 生成的图像令人惊艳，带有独特的"AI 光泽"——平滑、鲜艳，通常很有电影感。它在超现实概念、角色艺术和插画方面表现出色。但在照片级写实方面力不从心：人脸常常看起来像塑料，手部偶尔变形（虽然比 DALL-E 2 好多了）。最大分辨率 1024×1024 对打印项目来说是个限制。虽然可以放大，但细节会变模糊。
Stability AI（SDXL 1.0） 则能生成令人瞠目的照片级写实图像。配合正确的模型（如 Realistic Vision）和负面提示（避免"畸形解剖结构"），我生成的图像甚至骗过了专业摄影师朋友。SD3 Medium（2025 年 3 月发布）改进了文字渲染和连贯性，分辨率达 1536×1536。不过，开箱即用的情况下，SDXL 经常出现畸形解剖结构、奇怪的光照和伪影。需要提示词工程和模型筛选。但一旦调试到位，它在写实度、细节和分辨率上都超越了 DALL-E。
胜出者：Stability AI——就原始质量和多样性（尤其是照片级写实和高分辨率）而言，Stability AI 获胜。DALL-E 更适合快速、创意性、非写实的输出。
第三轮：控制与自定义
DALL-E 3 提供的控制非常有限。你可以使用局部重绘（擦除并重新生成部分内容）和风格预设（生动、自然等），但无法指定种子、使用负面提示或引导构图。想要角色摆出特定姿势？只能靠提示词碰运气。这对于头脑风暴来说没问题，但对于实际制作来说很令人沮丧。
Stability AI 是控制狂的天堂。通过 ControlNet，我可以输入火柴人姿势，让 AI 生成完全匹配该姿态的角色。LoRA 模型让我可以用 10 张图片训练特定的面部或风格。我可以设置种子来重现精确的构图，使用负面提示来禁止"模糊"或"畸形的手"，甚至可以调整 CFG 尺度来控制创造性与忠实度的平衡。对于我的客户项目（例如特定的产品角度），这是不可或缺的。
胜出者：Stability AI——毫无疑问。DALL-E 缺乏精细控制是其最大弱点。
第四轮：定价与成本效益
DALL-E 3 的定价简单但昂贵：每月 20 美元使用 ChatGPT Plus（每 3 小时约 40 张图，等待的话基本无限）或通过 API 每张 0.040–0.080 美元（标准 vs 高清）。对于重度用户来说，费用很快累积。我曾经为一个客户项目生成了 500 张图，支付了 30 美元的 API 费用。
Stability AI 如果本地运行则便宜得多：免费（仅需电费）。DreamStudio 的积分系统也很便宜：10 美元购买 1000 积分（标准分辨率下约 500 张图）。API 费用为每张 0.002–0.010 美元，比 DALL-E 便宜 10 倍。作为自由职业者，通过改用本地 Stable Diffusion，我每月节省了超过 200 美元。
胜出者：Stability AI——性价比无敌，尤其适合高产量或商业用途。
第五轮：安全性、伦理与商业使用
DALL-E 3 有严格的内容过滤：禁止暴力、血腥、政治人物、名人、NSFW 内容。这对安全的公共使用很好，但限制了创作自由。我无法生成"带血迹的中世纪战斗场景"或"政治人物的讽刺肖像"。在商业项目中，这些过滤有时会阻止合理的概念（比如"碎玻璃"曾被标记为"暴力"）。
Stability AI 提供无内置过滤的开放模型（虽然官方 DreamStudio 有可选的安全过滤）。你可以生成任何内容，包括有争议的内容。这是一把双刃剑：它赋予艺术自由，但也引发伦理问题。作为负责任的用户，我自己设置过滤。对于商业项目，Stability AI 的开放许可（CreativeML Open RAIL-M）允许免版税使用，甚至用于盈利。
胜出者：Stability AI——灵活性和商业自由度更胜一筹。DALL-E 更安全但限制更多。
优缺点
DALL-E 3（通过 ChatGPT Plus/API）
优点：
- 极其易用，无需技术技能
- 擅长理解复杂、有创意的提示
- 与 ChatGPT 无缝集成，可迭代优化
- 抽象、超现实和卡通风格输出质量高
- 内容经过审核，安全可靠（适合面向公众的项目）
- 云端生成速度快（无需 GPU）
缺点：
- 最大分辨率 1024×1024（放大后细节丢失）
- 严格的内容过滤阻止了许多合理用途
- 缺乏精细控制（无种子、无负面提示、无 ControlNet）
- 高产量使用时成本高（API 每张 0.04–0.08 美元）
- 照片级写实和人体解剖（手部、面部）表现不佳
- 局限于 DALL-E 的"风格"，难以模仿特定艺术风格
Stability AI（SDXL 1.0 / SD3 Medium）
优点：
- 无与伦比的控制力：ControlNet、LoRA、负面提示、种子、CFG
- 卓越的照片级写实和高分辨率输出（原生最高 1536×1536，可无限放大）
- 极高的性价比：本地免费，或 API 每张 0.002–0.010 美元
- 开源模型，无内容限制（用户自定义）
- 庞大的社区，提供数千个免费模型、LoRA 和扩展
- 允许商业使用（Open RAIL-M 许可）
缺点：
- 学习曲线陡峭；需要 GPU、Python 和时间进行配置
- 开箱即用的输出常有伪影、畸形解剖结构或奇怪的光照
- 没有内置的提示理解能力（需要负面提示和提示词工程）
- 本地安装需要大量技术投入（Automatic1111、ComfyUI）
- 伦理问题：开放模型可能被滥用于深度伪造或冒犯性内容
- 没有高端 GPU（如 RTX 4090）时速度较慢，不如云端推理
最终结论
经过几个月在实际项目中同时使用这两种工具，我的赢家是 Stability AI。原因如下：对于我的工作流程——定制角色设计、照片级写实样机和高产量批量生成——控制力、成本和质量的组合无可匹敌。DALL-E 3 是一个出色的创意助手，适合头脑风暴和快速视觉创意，但它是一个封闭的生态系统。我需要调整每一个像素、重现精确的构图、生成数千张图像而不破产。Stability AI 给了我这种自由。
话虽如此，如果你是一个普通用户、需要快速插图的作家，或者讨厌技术配置的人，DALL-E 3 是更好的选择。它是一个"开箱即用"的精良产品。但如果你是一个追求控制和可扩展性的专业艺术家、设计师或开发者，那就花时间学习 Stable Diffusion。回报是巨大的。
最终建议：
- 选择 DALL-E 3，如果：你想要零门槛、创意探索和安全输出。价格不是主要考虑因素。
- 选择 Stability AI，如果：你需要照片级写实、精细控制、低成本或商业规模生产。你愿意花时间折腾。
对我来说，转向 Stability AI 节省了费用，提高了输出质量，并赋予了我创作自由。DALL-E 仍然是我快速获取灵感的首选，但 Stability AI 是我的生产主力。