---

🌟 开篇：为什么要学 AI 大模型？

想象一下：两年前你还觉得「机器人写文章、画画、拍视频」是科幻电影里的情节，今天它们已经成了你手机里、电脑里的日常工具。

AI 大模型，就是这一轮技术浪潮里最核心的”发动机”。

学会用它，你相当于给自己配了一个 24 小时待命的团队：

你想要……	AI 大模型能帮你……
写文案、写脚本	几秒生成初稿，你只管提要求、改细节
做海报、配图	一句话出图，不会画画也能产出专业视觉
剪视频、做短片	从文字分镜直接生成动态画面
读长文档、查资料	百万字材料丢给它，让它帮你总结提炼
学新知识	随时提问，用大白话给你讲明白

这门课的目标非常朴素：不要求你懂技术原理，只要求你搞清楚三件事——

1. 市面上的主流 AI 大模型分别是谁、各有什么绝活；
2. 遇到一个具体需求时，该选哪一个；
3. 入门第一步怎么走，不迷路、不踩坑。

💡 给零基础同学的定心丸：全篇不会出现的公式和代码。看到陌生的英文单词别慌，每个术语我们都会用生活化的比喻解释清楚，文末还附有「术语小词典」随时查阅。

---

📑 课程目录（与课件 PART 对应）

章节	内容	一句话预告
模块一	AI 语言大模型（课件 PART 01）	AI 的”大脑”，会读会写会推理
模块二	AI 图片生成模型（课件 PART 02）	AI 的”画笔”，一句话出图
模块三	AI 视频生成工具（课件 PART 03）	AI 的”摄影机”，文字变大片
模块四	三大前沿创意工具深度解析	Nano Banana · Gemini · Image 2
模块五	零基础学习路径与避坑指南	四周上手计划 + 常见误区

⚠️ 版本说明：本资料完全依据课件内容整理，课件中的模型版本号（如 GPT-5、Claude 4.6、可灵 3.0 等）为课件教学口径。AI 行业迭代极快，实际使用时请以各家官网的最新信息为准。

---

模块一：AI 语言大模型 —— 人工智能的”大脑”

🎯 本模块你将搞懂：语言大模型是什么 · 国内外 9 个主流模型各有什么绝活 · 一张表快速选型

1.1 先搞懂：到底什么是”语言大模型”？

课件里有一句话点透了它的本质：

作为人工智能的”大脑”，AI 语言大模型赋予了机器理解、学习和生成人类语言的能力，它是当前所有自然语言处理应用的底层基石，重塑了人机交互与信息处理的方式。

听着抽象？我们打个比方：

把语言大模型想象成一个”超级实习生”。

• 它读过几乎全互联网的书籍、网页、文章，所以见多识广；
• 它看得懂你的话（哪怕你说得很随意），会领会意图；
• 它能写文章、答问题、编代码、做翻译，干啥都像模像样；
• 但它没有真正的”人生经历”，偶尔会一本正经地胡说八道——所以最终把关的永远是你。

你现在用的智能客服、知识问答、自动写文案的 AI 工具，底下几乎都是这类模型在支撑。

1.2 读课件不迷路：5 个高频词的大白话解释

看 AI 介绍时总绕不开这几个词，用 1 分钟搞懂它们，后面所有内容都能顺畅阅读：

术语	大白话解释
Token（词元）	AI 眼里文字的”计价单位”，大约 1 个 Token ≈ 半个到一个汉字/单词。说模型”按 Token 计费”，就像打车按里程计费
上下文窗口	AI 的”短期记忆容量”。窗口越大，能一次性记住的内容越多。课件里说的”百万级 Token 超长上下文”，意思就是丢进去一本长篇小说它也不会忘了开头
多模态	不只读文字，还能看图、听声音、理解视频。模态 = 信息的种类，多模态 = 多种信息都会看
推理能力	遇到复杂问题时”绕几个弯”的能力。推理强的模型能做数学题、捋逻辑链条；推理弱的模型只会”表面应答”
Agent（智能体）/ 工具调用	AI 不光会”回答”，还会”办事”——自主决定先查资料、再调工具、最后汇总结果，像一个能自己安排工作流程的助手

📌 顺带记两个词：「API 调用」= 让程序（而不是人）直接向 AI 提问的接口通道，适合批量干活；「私有化部署」= 把模型装回自己公司的机房里用，数据不出门（课件选型指南里”企业私有化部署首选”说的就是这个）。

1.3 国外语言大模型：四位”留学生”各有一手绝活

① OpenAI GPT-5 / GPT-4o —— 通用 AI 的”全能天花板”

• 最强擅长：综合全能——复杂逻辑推理、图文语音实时交互（多模态）、智能体（Agent）与工具调用都表现卓越，被课件称为”当前通用 AI 的能力天花板”。
• 要注意：中文古风、文言文这类特定文化领域相对薄弱；且受网络环境限制，国内用户无法直接连接使用。
• 适合场景：海外跨境文案、复杂编程开发、商业战略策划、多模态图文深度解读。

🍎 比喻：像一个门门功课都考 90 分以上的”卷王”，什么都能干且干得不错。你的作业如果涉及中英文混杂、又要推理又要写代码，找它最稳。

② Anthropic Claude 4.6 Opus —— 过目不忘的”长文书记”

• 最强擅长：百万级 Token 超长上下文，长篇小说、影视剧本、复杂法律合同、大规模代码重构都记得住、理得清，极少遗忘前文指令。
• 亮点：生成的文字自然流畅、”AI 痕迹极淡”，读起来像人写的；对专业复杂文档的理解与归纳能力突出。
• 适合场景：百万字长篇创作、法律文书审查、系列短剧剧本、大型代码库全局重构。

🍎 比喻：班里那个记性最好的同学——你把一整摞资料搬给他，他能全部消化后告诉你重点在哪，还不会把第一章的内容记混。

③ Google Gemini 3 Ultra —— 什么都能”看”的理科生

• 最强擅长：原生音视频多模态理解、长视频内容提取、科学计算、多语种翻译、图表数据分析，复杂信息处理能力极强。
• 要注意：创意文学写作的文字质感相对一般，更像”理性的工具型输出”。
• 适合场景：视频字幕整理、科研数据分析、多语种跨境内容处理。

🍎 比喻：典型的理科尖子生——你扔给他一段录像、一堆图表、一篇英文文献，他能看得懂、算得清、翻得准；但你要他写抒情散文，他会挠头。

④ xAI Grok 3 —— 网速最快的”吃瓜一线”

• 最强擅长：实时联网，抓取热点资讯、生成社交媒体风格文案，对互联网时事的整合解读能力突出。
• 要注意：写严谨的学术论文、法律文书时，逻辑性和规范性把控较弱。
• 适合场景：自媒体热点采编、短视频爆款文案、海外社交平台（X/Twitter 等）实时推文。

🍎 比喻：那个永远刷在第一线的资讯博主，热搜刚出来他就能给你写出三条观点犀利的帖子。

📊 国外四强速记卡

模型	一句话人设	记住它靠什么
GPT-5 / 4o	全能卷王	综合天花板 + Agent 能力
Claude 4.6	过目不忘	超长上下文 + 文笔自然
Gemini 3 Ultra	理科尖子	视频/图表/多语言理解
Grok 3	吃瓜一线	实时联网 + 热点文案

1.4 国内语言大模型：七位”本土高手”，各有各的主场

① 字节跳动 · 豆包 2.0 —— 中文口语化表达的”天花板”

• 最强擅长：中文全域创作与短剧生态——短视频剧本、古风/言情/赛博武侠文案、口播稿、分镜脚本，内容天然贴合新媒体传播语境。
• 核心优势：中文口语自然度国产第一，支持 256K 超长上下文，对话流畅无断层。
• 适合场景：抖音/快手 AI 短剧制作、古风武侠剧本、全品类新媒体营销文案。

🍎 比喻：特别”会来事儿”的本地创作搭子，讲出来的话就是像人话、像网话，做短视频内容选它不容易翻车。

② 月之暗面 · Kimi K2.7 —— 吞得下百万字的”文档解析机器”

• 最强擅长：百万字超长文档阅读、多文件交叉分析，法律合同、财务报表、长篇小说、学术文献综述都啃得动。
• 要注意：长文理解行业领先，但创意短篇生成的灵活性稍显不足。
• 适合场景：长篇网文连载辅助、百万字剧本拆解、合同批量审核、论文整理。

🍎 比喻：留学生的”速读教授”——一摞文件丢进去，它读完还能告诉你第三份文件和第七份文件哪里矛盾。国产长文本的招牌选手。

③ 智谱 AI · GLM-5.1 —— 论文和公文的”规范书写者”

• 最强擅长：学术论文撰写、中英双语平衡表达、复杂逻辑推理；深度适配企业 RAG 知识库构建（用大白话说：把企业自己的资料”喂”给 AI，让它只根据自家资料回答）与政企公文写作。
• 适合场景：毕业论文、行业白皮书、标准化政务公文、企业私有知识库。

🍎 比喻：像机关里那位笔杆子——格式规范、措辞严谨，写公文、写论文这类”讲规矩”的文体找它。

④ 阿里 · 通义千问 Qwen3.6 Plus —— 电商与开发的双面手

• 最强擅长：编程开发辅助、批量 API 调用与调试、多语种翻译与创作，尤其在电商商品文案生成、产品详情页优化上极具优势。
• 适合场景：电商直播带货文案、前后端代码开发、跨境电商多语言商品介绍自动生成。

🍎 比喻：既懂技术又懂生意的复合型人才，做电商内容、搞批量自动化处理时性价比突出（课件选型指南称其为”电商场景高性价比之选”）。

⑤ 深度求索 · DeepSeek V4 Pro —— 代码与数学的”学霸天花板”

• 最强擅长：被课件誉为”代码开发的天花板模型”，复杂数学逻辑推理、量化金融策略分析、底层算法脚本编写达到顶尖水平。
• 适合场景：程序员的智能开发助手、金融机构量化策略分析、复杂算法工程的实现与验证。

🍎 比喻：班里数学课代表的终极形态——写代码、算难题、抠算法，越硬核越来劲。

⑥ 开源双雄 Qwen 开源 / Llama 3 —— 企业机房的”镇宅之宝”

课件选型指南特别点名了它们：不追求”最聪明”，而追求数据不出境、内网知识库搭建、本地私有化部署、数据自主可控——适合对数据隐私有严格要求的政企机构。

🍎 比喻：买断制的”常驻顾问”，不开通外网、不进任何别人家的门，资料锁在自己公司里。

1.5 语言大模型快速选型指南（背下这张表，选型不慌）

你的需求	首选	为什么
中文短剧、短视频口播、新媒体文案	豆包 2.0	中文口语化天花板，贴合本土内容生态
百万字长文、剧本、合同审核	Claude / Kimi	超长上下文，记得多、忘得少
写代码、算法、量化策略	DeepSeek / Claude	逻辑推理与代码能力天花板
海外业务、英文文案、复杂策划	GPT-5 / GPT-4o	全球全能手，跨文化处理强
视频字幕提取、音视频解读、科研文献	Gemini 3 Ultra	原生多模态，理科能力突出
企业数据不出门、内网知识库	Qwen 开源 / Llama 3	支持私有化部署，安全合规
电商带货文案、批量图文生成	通义千问	电商垂类专精 + 高性价比
学术论文、政务公文、企业知识库	智谱 GLM-5.1	规范写作 + RAG 深度适配
追热点、社媒实时文案	Grok 3	实时联网，社交媒体风格

✏️ 课后小练习：假设你要帮家里人的服装店”一天产出 20 条带货文案 + 配 5 张海报 + 剪 1 条短视频”，对照上面的表和后面模块二、三的选型指南，各应选哪个工具？想清楚这道题，你就入门了。

---

模块二：AI 图片生成模型 —— AI 手里的那支”神笔”

🎯 本模块你将搞懂：文生图是怎么运作的 · 国内外 7 个图像模型谁强在哪 · 一张表快速选型

2.1 先搞懂：AI 是怎么”一句话画出一张图”的？

课件对这一赛道的演进做了精准概括：

从简单的文本到图像的转换，进化为理解复杂语义、维持角色一致性并支持精细化局部编辑的智能创作引擎。这些模型正在重塑视觉内容的生产流程，成为设计师与创作者不可或缺的协作伙伴。

翻译成人话，AI 画图经历了三代：

1. 第一代”听词作画” ：你打一句话，它给你一张图，画完就完，改不了；
2. 第二代”听得懂人话” ：你描述得再复杂（”穿红裙的猫在雨夜霓虹灯下撑伞”），它也能理解并把画面元素安排妥当；
3. 第三代”能改能续画” ：画完还能听你指令——“把伞换成油纸伞””只改背景，人物别动”，并且这次画的猫和下次画的猫是同一只（这就是”角色一致性”，做 IP、做连载漫画的关键能力）。

你现在要做的就是认识第三代里的”高手们”，并知道各自的主场。

2.2 国外图片三大模型

① Midjourney V8 Alpha —— 艺术审美的”天花板”

• 最强擅长：艺术审美天花板、电影氛围感、超现实、油画/插画、赛博朋克及仙侠奇幻概念图。
• 要注意：对画面里文字的渲染能力较弱（让它画带标语的海报容易把字写崩）；目前尚无官方 API 接口，主要通过社区平台交互。
• 适合场景：概念原画、艺术海报、短视频封面、奇幻与古风题材静态插画。

🍎 比喻：美术集训班里天赋最高的艺术家，随手一挥就是大片质感；但你让他写黑板板书（渲染文字），他是真不行。

② GPT Image 2（DALL·E）—— 严谨靠谱的”商业摄影师”

• 最强擅长：文字精准渲染、写实商业摄影、产品展示图、复杂空间场景构图、UI 界面设计。
• 要注意：纯艺术手绘风格的创作上限略低于 Midjourney，但逻辑和写实度表现更稳定。
• 适合场景：电商商品主图、品牌营销海报、产品说明书配图、写实风格剧情分镜。

🍎 比喻：科班出身的商业摄影师——构图规范、要写的字一个不错，交付稳定；论”艺术灵气”比 Midjourney 差半口气。

③ Adobe Firefly 4 —— 大厂的”安全合规之选”

• 最强擅长：无缝融入设计师工作流、生成内容可安全商用、擅长矢量插画，与 Adobe 创意软件（PS、AI 等）深度集成。
• 要注意：生成风格相对保守，不会过于天马行空——但胜在版权合规，是商业创作的安全选择。
• 适合场景：专业设计师日常辅助创作、企业级商业插画、营销宣传物料快速制作。

🍎 比喻：正规军——画得未必最惊艳，但每一笔都”来历干净”，公司法务看了不头疼。企业商用场景优先考虑。

2.3 国内图片四大模型：国风赛道遥遥领先

模型	一句话绝活	适配场景
通义万相（阿里云）	国风传统美学：水墨/国画、虚拟数字人口播、稳定的人物肖像，美学风格独树一帜	传统文化科普、文旅宣传短视频
海螺AI（MiniMax）	3D 国漫与玄幻动画风格，支持完整音频同步与长篇剧情连贯生成，叙事能力突出	3D 仙侠动画、儿童故事动画
Vidu（智谱AI）	极强实景电影质感，擅长雨水、火焰、剑气等流体特效与夜景氛围镜头	古风空镜、武侠光影特效短片
海艺AI	极致质感与光影：高精度材质渲染，古装特写、古风人物肖像表现卓越	人物特写、高精度静态画面

🍎 一个记忆诀窍：四个国产模型正好对应”文房四宝”式的分工——通义万相管”意”（水墨意境）、海螺管”事”（连贯剧情）、Vidu管”势”（特效光影）、海艺管”质”（材质细节）。

2.4 AI 图片模型快速选型指南

你要做什么	选谁
艺术概念原画、奇幻/古风插画、电影感氛围图	Midjourney（审美天花板）
带文字的海报、产品图、UI 界面、写实商业摄影	GPT Image 2（文字精准、商业属性强）
设计师日常工作流、需要商用版权保障	Adobe Firefly（安全合规、生态集成）
国风美学、水墨意境、文旅宣传	通义万相（中文语境深度优化）
3D 国漫、玄幻动画、角色一致性、剧情连贯	海螺AI
电影质感画面、流体特效、夜景氛围、动态光影	Vidu
物体表面纹理、材质细节极致刻画（珠宝玉器、金属器物、古装特写）	海艺AI（高精度材质渲染专家）

---

模块三：AI 视频生成工具 —— 让文字直接变成”大片”

🎯 本模块你将搞懂：国内外 9 个视频工具的定位差异 · 打斗、氛围、数字人各找谁 · 一个实战案例

3.1 先搞懂：AI 视频赛道正在发生什么？

课件开篇的这段话值得多读两遍：

从几秒动态短片到电影级长镜头，AI 正在重构视频创作的全流程。依托生成式模型的突破性进展，内容生产的门槛大幅降低，创意转化的效率迎来指数级飞跃，为视觉表达开辟了无限可能。

这意味着什么？ 过去拍一条像样的视频，你需要：写脚本 → 组团队 → 租设备 → 拍摄 → 后期。现在你需要的是：一个清晰的想法 + 一段好的提示词。会不会拍摄不重要，会表达想法的人迎来了最好的时代——这正是零基础同学值得入场的根本原因。

学 AI 视频，记住三条主线就够：

1. 写实派：追求”看不出是 AI 做的”（代表：Sora 2、Google Veo 3）；
2. 可控派：追求”导演感”，镜头怎么推、怎么摇你说了算（代表：Runway）；
3. 风格派：追求鲜明的动漫/国漫画风（代表：Pika Labs、海螺AI）。

3.2 国外视频工具

① OpenAI Sora 2 —— 业界写实标杆

• 最强擅长：写实电影叙事、长镜头连贯剧情、真实物理逻辑，能驾驭品牌概念短片与宏大场景宣传片。
• 核心特点：光影层次、物体运动轨迹与镜头语言达到行业标杆水平，画面真实感与沉浸感极高。
• 适合场景：高端创意广告、科幻短片、写实剧情短片，影视级内容首选。

② Runway Gen-4.5 —— 专业级”导演工具箱”

• 最强擅长：专业影视可控运镜、特效短片、镜头精细调度，支持运动笔刷实现局部动画。
• 核心特点：目前唯一可精准定义推轨、变焦、环绕等镜头参数的工具——让 AI 生成内容具备专业影视编导的创作逻辑。
• 适合场景：创意特效短视频、美妆与时尚视觉广告、实验性艺术短片。

🍎 比喻：Sora 2 是”天才摄影师”（拍得真），Runway 是”片场的导演椅”（机位你定）。

③ Pika Labs 2.5 —— 二次元风格化领军者

• 最强擅长：二次元动漫、3D 卡通、赛博朋克、美式动画及漫改短剧，适配竖屏社交传播。
• 核心特点：画风可塑性极强，图生视频速度快，对竖屏短视频有专门的构图优化。
• 适合场景：二次元番剧切片、动漫解说、赛博科幻动画、虚拟偶像内容。

④ Google Veo 3 —— 极致真人写实 + 会”说话”

• 最强擅长：极致真人写实画面、原生同步人声对白、自然光实景模拟、户外风光与纪实短片。
• 要注意：暂未全面开放，技术壁垒高；对国风武侠等特定题材表现力相对较弱。
• 适合场景：生活 vlog 质感短片、户外旅拍素材、真人访谈与纪录片。

📌 课件金句：Pika Labs 胜在风格化创意，Google Veo 胜在真实感还原，二者分别满足不同创作需求的极致表达。

⑤ 两类补充选手（课件”国外AI视频工具（三）”）

• 氛围感型：电影级质感与氛围营造见长，低门槛快速出片，景深与光影把控极具艺术感，适合情绪张力短片。局限：复杂打斗容易穿模、肢体扭曲；长剧情连贯性有待提升。→ 适合氛围感情绪短片、文艺向内容、夜景光影素材。
• 数字人讲解型：专注跨境带货数字人、多语种口播短视频，广泛用于企业培训、知识科普，高效生成标准化讲解内容。局限：完全不适合武侠、动作等强剧情视频，视觉表现较为单一。→ 适合海外营销口播片、企业培训、知识科普、多语言 AI 新闻播报。

3.3 国内视频工具：武侠与国漫是国产主场

① 可灵 AI Kling 3.0（快手旗下）—— 国产”武打指导”

• 最强擅长：专攻武侠、仙侠、玄幻高强度打斗动作，真人实景短剧的人物肢体物理运动模拟精准度极高。
• 核心优势：支持 4K 长片段续写与多镜头连贯叙事。
• 适合场景：古风武侠、玄幻修仙短片、都市动作爽剧。

② 即梦AI Seedance 2.0（字节/剪映联合）—— 氛围与角色一致性高手

• 最强擅长：古风文戏、古装情感表达、仙侠静态氛围感，驾驭中式水墨与赛博武侠美学。
• 核心优势：角色一致性稳定、中文台词精准对口型，与剪映无缝打通，高效创作漫改/日更短剧。
• 官方入口：网页版 jimeng.jianying.com（需剪映 PC / 抖音 App 打开）。

🎬 课件实战示例：古风竹林抚琴（零基础照着做）

1. 准备一张人物参考图；
2. 通过剪映/抖音打开即梦，上传并锁定主体；
3. 输入提示词： “白衣汉服女子静坐竹林抚琴，月光斑驳，古风意境，电影感” ；
4. 生成并导出。

✏️ 提示词入门心法：好提示词 = 主体（白衣汉服女子）+ 动作（静坐抚琴）+ 环境（竹林、月光斑驳）+ 风格（古风意境、电影感）。四要素套任何工具都好用。

③ 其他国产选手

工具	绝活	适配场景	备注
海螺AI（MiniMax）	3D 国漫与玄幻动画，完整音频同步，长篇剧情连贯	3D 仙侠动画短片、国漫连载、儿童故事动画	与图片赛道的海螺AI同属一家
Vidu（智谱AI）	实景电影质感，雨水/火焰/剑气流体特效，夜景氛围	古风空镜、雨夜武侠单镜头、高难度光影特效	图片+视频双赛道选手
剪映AI（字节）	实拍素材智能剪辑、AI 字幕配音、图文成片	剪辑辅助	⚠️ 原生生成画面能力较弱，搭配”即梦”使用效果最佳

3.4 AI 视频工具快速选型指南

你的需求	首选
影视级写实大片、宏大场景	Sora 2
精准控制镜头运动（推拉摇移）、专业运镜	Runway Gen-4.5
二次元/动漫/赛博朋克竖屏短视频	Pika Labs 2.5
真人纪实 + 同步对白（vlog、纪录片）	Google Veo 3
武侠打斗、动作爽剧、4K 长片段	可灵 Kling 3.0
古风文戏、角色一致性、中文口型、剪映生态	即梦 Seedance 2.0
3D 国漫连载、儿童故事动画	海螺AI
流体特效、雨夜氛围空镜	Vidu
数字人带货口播、企业培训、多语新闻播报	数字人讲解型工具
已有实拍素材要快速成片	剪映AI（搭配即梦）

---

模块四：三大前沿 AI 创意工具深度解析

课件最后一部分（”三款前沿AI创意工具深度解析”专题）聚焦三个具体工具。它们代表了 AI 视觉创作的三种路线：一致性、全能理解、工作流平台。

4.1 Nano Banana —— 专注”角色一致性”的 AI 视觉魔术师

它是谁：能够在生成图像时精准保持角色特征统一，打造风格统一、细节可控的视觉生成体验。课件展示的前后对比案例：把写实照片转化为风格迥异的卡通形象，同时完美保留人物面部特征与职业属性。

五大核心能力：

能力	大白话解释
图像生成	基于文字描述直接创建全新图像，无需任何美术基础
图像编辑	用自然语言精准改图：局部调整、风格重塑，所见即所得
多图像融合	把多张参考图的核心元素智能融合，创造全新视觉叙事
视频生成与编辑	突破静态限制，从分镜到成片提供动态创作方案
对话式交互 + 一致性保障	像聊天一样操作；多轮生成中角色特征高度统一

适合谁：角色 IP 创作者、营销人员、想做个人照片风格化编辑的普通人——操作门槛低是它最大的杀手锏。

4.2 Gemini —— 谷歌全能型多模态助手（教育场景标杆）

它是谁：融合文本、图像、音频、视频理解的全能多模态引擎，原生集成 Google 搜索获取实时资讯，深度打通 Workspace 与 Android 生态。

课件特别展示了它在教育场景的”课前-课中-课后”三段式应用，非常值得学生党抄作业：

• 课前准备：快速生成课程大纲、测验题库与教学素材，大幅缩减备课时间；
• 课中互动：化身智能助教实时答疑，用通俗语言拆解复杂抽象的学科概念；
• 课后复习：自动梳理课堂笔记、制作复习提纲，提供个性化错题分析与辅导建议。

适合谁：学生、教师、开发者——从学习辅助、跨模态内容创作到编程指导与信息查询的广泛人群。

4.3 Image 2 —— 集成多模型的 AI 图像工作流平台

它是谁：不是单个模型，而是把业界领先的多个生成模型与编辑工具整合在一起的一站式平台。

三大特色：

1. 多模型集成与风格掌控：支持 GPT Images 2.0、Nano Banana 2 等模型无缝切换，精准遵循参考图的风格、布局与构图；
2. 双向生成与极致细节：既能从文字快速生成图像，也能基于参考图可控编辑；对图像中的文字、图标等微小元素处理卓越；
3. 结构化生成与高效延展：可生成信息图、图表等结构化内容；基于一张主视觉图一键延展生成海报、封面等多种尺寸版本。

适合谁：品牌视觉设计、电商素材制作、UI/UX 设计、信息图表——专为专业设计师打造。

4.4 三者对比一张表

工具	核心定位	最强优势	典型场景
Nano Banana	角色一致性 AI 视觉编辑工具	极致一致性 + 自然对话式编辑、门槛低	角色 IP、营销素材、照片风格化
Gemini	全能型多模态 AI 助手	多模态理解（尤其视频分析）+ 生态集成	学习辅助、跨模态创作、编程指导
Image 2	多模型图像工作流平台	风格还原度与构图可控性、多尺寸延展	品牌设计、电商素材、信息图表

---

模块五：零基础学习路径与避坑指南

5.1 四周上手计划（结合本资料内容设计）

周次	目标	建议动作
第 1 周	建立全景认知	通读本资料三张选型表；选定 1 个语言模型（中文创作选豆包、读长文档选 Kimi）注册体验
第 2 周	玩转文字	每天用语言模型做 3 件事：问一个不懂的概念、改一段文案、总结一篇文章；开始积累自己的”提问语料”
第 3 周	动手出图	用 1 个图像模型（想画好看选 Midjourney，要带字选 GPT Image 2，要国风选通义万相）完成 5 张主题图，练习”主体+动作+环境+风格”提示词公式
第 4 周	合成作品	复刻课件实战案例（如”古风竹林抚琴”），用即梦/可灵生成 3 段短视频，再用剪映拼成 1 条 30 秒作品

5.2 新手高频踩坑 & 破解

1. ❌ 贪多全都要 —— 每个赛道各选 1 个主力工具用熟，胜过 10 个工具各玩半小时；
2. ❌ 提示词一句话敷衍（”画个美女”）—— 套用四要素公式：主体+动作+环境+风格，效果天差地别；
3. ❌ 把 AI 输出直接当成品 —— AI 负责 0 到 80 分，人负责 80 到 100 分；文字要核事实、图片要查细节（文字渲染、手指等）、视频要看连贯性；
4. ❌ 忽略合规红线 —— 商用优先选版权路径清晰的工具（如课件点名的 Firefly”版权合规安全选择”）；发布 AI 生成内容遵守平台标注要求；数字人/真人形象相关创作注意肖像授权；
5. ❌ 死记版本号 —— 模型版本月月更新（本资料版本号均为课件口径，实际以各家官网为准），要记的是”谁擅长什么类型的事”这张能力地图，它比版本号耐用得多。

5.3 术语小词典（随时回查）

术语	含义
大模型（LLM）	用海量数据训练出的、能理解和生成语言的 AI 系统
文生图 / 图生视频	文字描述生成图像 / 以一张图为起点生成视频
提示词（Prompt）	你给 AI 的那段描述或指令，质量决定输出质量
角色一致性	多次生成中保持同一角色外貌、风格统一的能力
上下文窗口	AI 一次能”记住”的最大内容量，越大越能处理长材料
多模态	同时处理文字、图像、音频、视频等多种信息
Token	AI 处理与计费的文字单位
RAG 知识库	把企业/个人资料接入 AI，让它基于指定资料回答
API	让软件程序调用 AI 能力的接口
私有化部署	把模型安装在自家服务器内使用，数据不出内网
数字人	AI 生成的虚拟播报/讲解人物形象
运动笔刷	在画面上”画一笔”指定该区域如何运动的控制工具

---

🎓 结语

课件结尾的那句话，送给每一位刚出发的同学：

在技术革新的浪潮中，愿我们都能找到适配自身的”利器”，让创意与效率共生。

AI 大模型不是取代创作者，而是放大创作者。你不需要成为技术专家，只需要成为会提要求、会做判断、会组合工具的人。今天就开始第一步：打开任意一个你感兴趣的工具，对它说出你的第一个提示词。