Peanut 图像生成模型亮相专业横评 对比 FLUX.2

Peanut 图像生成模型于 5 月 4 日出现在 Artificial Analysis 的专业多模型横评中。该模型与 MAI-Image-2、grok-imagine-image 及 FLUX.2 [dev] Turbo 一同参与测试，评测采用 5 组涵盖艺术风格、写实摄影与动漫风格的复杂提示词，直观展示各模型的文本解析与视觉生成能力。

Peanut 图像生成模型的技术定位

本次横评中，Peanut 与当前市场主流图像生成模型并列展出。对比对象包含 MAI 团队推出的 MAI-Image-2、xAI 旗下的 grok-imagine-image 以及 Black Forest Labs 的 FLUX.2 [dev] Turbo。Peanut 的具体研发背景、官方发布时间与底层参数规模目前尚未公开，所属机构与开源许可状态仍需等待进一步说明。

五组对比提示词的测试维度

评测机构选取了 5 组结构复杂的提示词，分别测试模型在不同视觉风格下的表现。提示词 1 要求生成 1960 年代迷幻摇滚风格海报，侧重色彩渐变与抽象形状解析；提示词 2 与提示词 3 聚焦写实摄影，分别测试繁忙的纽约街景与外科手术场景的局部特写；提示词 4 为动漫风格肖像，要求精确呈现人物神态与衣着细节；提示词 5 测试复古世界地图的排版与边框设计。此类提示词组合覆盖了艺术创作、商业摄影与复杂版式排版等典型应用场景。

Peanut 在复杂场景生成中的表现特征

从横评展示的结果观察，Peanut 在处理长提示词的结构理解上呈现出稳定的输出倾向。对于提示词 4 的人物肖像生成，模型在头发纹理、衬衫领口与背景庭院光影的衔接上保持了较高的几何一致性。对于提示词 5 的复古地图生成，模型在处理细密边框图案与旧式导航工具排版时未出现明显的文本扭曲。具体生成效果与显存占用、推理延迟等工程指标暂无公开数据。

图像生成赛道的竞争格局变化

图像生成领域正经历开源闭源并行发展的阶段。FLUX.2 系列依托 Black Forest Labs 的技术积累持续迭代，MAI-Image-2 代表新兴团队在视觉生成上的快速跟进，grok-imagine-image 则反映大厂模型在多模态领域的横向拓展。Peanut 的加入表明该赛道仍有新变量进入。若 Peanut 采用可商用的开源协议或轻量级架构，将直接影响国内开发者在本地部署与微调定制上的选择空间。

专业评测机构的方法论参考

Artificial Analysis 以多维度基准测试著称，其图像生成横评通常结合人工评估与自动化指标。此次仅公开视觉生成示例，未收录自动化跑分与一致性测试数据。开发者在参考此类横评时，需注意提示词选择与主观审美偏好对结果的影响。Peanut 图像生成模型的确切定位与商用计划，建议关注研发方后续官方公告或 Artificial Analysis 官方评测页面 的后续更新。Peanut 图像生成模型在此次横评中的亮相，为开发者提供了一个观察新一代图像生成架构的窗口。其是否具备差异化技术路线，以及后续开源与商用策略的走向，将决定它对现有本地图像生成工作流的实际影响程度。在官方技术文档正式发布前，读者可将其视为待验证的新模型信号。