Daniel Ball 实测 AI 图像生成：从本地部署到 Agent 集成的工程与经济账

作者基于 2026 年 10 月的实际实验，指出当前 AI 图像生成的核心矛盾在于计费模式与工程需求的错位：主流模型按画布（canvas）而非内容计费，导致小尺寸或局部修改无法降低成本。文章详细对比了 Diffusion 模型与 Multimodal 模型在指令遵循、文本渲染及成本控制上的差异，并强调 OpenRouter 等聚合平台已成为连接数十个模型的关键基础设施。

在工程实践层面，材料揭示了 API 的不稳定性是主要风险源，包括模型突然退役、参数被忽略以及端点变更。作者建议建立统一的抽象接口层，将 Provider 的具体逻辑隔离在配置中，并通过日志记录每次调用的实际返回结果而非仅依赖请求参数。对于 Agent 集成，文章提出“Claude 不画图”的分工策略，即利用 LLM 撰写提示词和进行视觉批判，而将具体的图像生成任务委托给专用工具，形成混合工作流。

商业推论上，最便宜的模型未必产生最低的单位经济成本，因为重试次数和时间成本往往被忽视。真正的低成本方案依赖于本地运行开源模型（如 Flux Schnell）处理批量迭代，或利用多图标合成技术分摊单次调用费用。事实部分确认了 2026 年 DALL-E 系列已从 API 移除，推断出行业正转向更细粒度的模型选择权，猜测未来“原生图像模型”将彻底取代传统的扩散架构作为默认标准。