KI-Bildgeneratoren an einem Ort: Warum zehn Modelle besser sind als dein Lieblingsmodell

Lange Zeit hatte ich eine Gewohnheit, die ich erst mühsam ablegen musste: Ich such mir ein Modell, gewöhne mich daran und jage alles hindurch. Vor einem Jahr war das Flux. Davor Midjourney. Funktioniert ziemlich gut, bis ein Auftrag kommt, den dein Lieblingsmodell schlicht nicht kann. Ein Aggregator für KI-Bildgeneratoren bringt dir diese Gewohnheit ab, ob du willst oder nicht. Sobald zehn Modelle direkt verfügbar sind, hörst du auf, jede Aufgabe durch dasselbe Werkzeug zu pressen.

Ein Modell deckt nie das ganze Bild ab

Nimm einen typischen Shop-Auftrag: ein Produkt auf Weiß, dasselbe Produkt in einer Lifestyle-Szene, eine Infografik mit Text drauf, eine Nahaufnahme der Textur. Vier Motive, und jedes Modell geht damit anders um.

Text ist der erste Filter, und hier klafft die Lücke am größten. Die Hälfte der Modelle macht aus geschriebenem Text etwas, das aussieht wie Buchstaben aus der Ferne. Ideogram 3.0 und GPT Image 2 rendern Wörter, die man tatsächlich lesen kann, das haben wir an einem Dutzend Modellen gegengeprüft.

Bei Texturen ist der Unterschied ruhiger, aber trotzdem spürbar. Stoff, Fell, Metall mit einer Reflexion wirken ehrlicher mit Nano Banana und Seedream 5.0, während Modelle, die auf „hübsch“ getrimmt sind, jede Oberfläche gern zu Plastik glätten.

Tempo spielt ebenfalls eine Rolle. Wenn du hundert Hintergrundvarianten für einen Katalog brauchst, zählt weniger, wie makellos ein einzelnes Bild aussieht, sondern wie schnell du fertig wirst. Z-Image liefert Ergebnisse fast augenblicklich, und für einen groben Entwurf reicht das völlig.

Dazu kommt die Referenztreue. Wenn die Vorlage ein Foto eines echten Produkts ist, das seine Form oder Farbe nicht verändern darf, brauchst du ein Modell, das am Objekt festhält, statt es aus dem Gedächtnis neu zu erfinden.

Kein einziges Modell gewinnt in allen vier Disziplinen. Noch nicht, jedenfalls.

Was wichtiger ist als die Modellliste

Eine Liste von Modellnamen sagt dir noch nichts. Worauf es tatsächlich ankommt:

Versionen. Nano Banana und Nano Banana Pro sind nicht dasselbe Modell, und Flux 2 ist etwas anderes als Flux 1. Wenn ein Dienst nur „Flux“ schreibt ohne Versionsnummer, frag nach, welche gemeint ist.

Wie das Modell Referenzbilder annimmt. Das ist die Schwachstelle bei den meisten Bildtools: Ein Modell will genau ein Bild, ein anderes ein Array aus mehreren, ein drittes akzeptiert bis zu zehn. Ein Dienst, der das falsch verarbeitet, bricht deine Generierung einfach ohne Erklärung ab. Das ist uns mehr als einmal passiert.

Was mit der Auflösung passiert. Ein Modell unterstützt vielleicht 4K, aber der Dienst liefert dir 2K, weil irgendwo in der Pipeline etwas komprimiert wird. Dreißig Sekunden Aufwand, um das zu prüfen: Datei herunterladen und die Eigenschaften anschauen.

Ob du für fehlgeschlagene Versuche bezahlst. Das tut bei Bildern mehr weh als bei Videos, einfach weil man hier deutlich mehr Durchläufe braucht.

Ich habe nie eine feste Zahl gefunden, die als normale Anzahl Versuche gilt. Bei Kosmetikaufnahmen und bei Textilaufnahmen unterscheidet sich das bei mir um den Faktor zwei, und das kann ich dem Modell nicht vorwerfen. Zwanzig Versuche für ein brauchbares Bild sind ein normaler Arbeitsablauf, keine Ausnahme.

So wähle ich ein Modell für jede Aufnahme

Das ist die Reihenfolge, auf die ich mich nach anderthalb Jahren eingependelt habe. Nicht die einzig richtige. Kollegen von mir machen es anders.

Erste Frage: Ist Text im Bild? Wenn ja, schrumpft die Auswahl sofort auf zwei, drei Modelle, egal wie gut die anderen sonst aussehen.

Danach: Was ist die Eingabe. Ein leerer Prompt ist eine ganz andere Aufgabe als das Foto eines echten Produkts. Für Letzteres brauchst du ein Modell, das die Referenz respektiert.

Dann entscheide ich, wie viele Bilder ich wirklich brauche. Ein finales Motiv oder fünfzig grobe Entwürfe. Das entscheidet, ob ich zu einem schweren oder einem schnellen Modell greife.

Stil kommt zuletzt. An diesem Punkt sind meist nur noch zwei Kandidaten übrig, und die lasse ich auf derselben Szene gegeneinander laufen.

Ehrlich gesagt übergehe ich diesen letzten Schritt öfter, als ich ihn mache. Wenn der Abgabetermin näher rückt, greift meine Hand von selbst zum ersten brauchbaren Bild. Ein Bild, das ohne Vergleich ausgewählt wurde, ist fast nie das beste, nur das erste akzeptable.

Wo ein Aggregator nicht hilft

Ich will diese Ebene nicht als Allheilmittel verkaufen.

Feinsteuerung. Modelle können mehr, als eine Aggregator-Oberfläche je zeigt: Seeds, Gewichte, Negative Prompts, Sampler-Einstellungen. Dienste verstecken das alles, um die Bedienung einfach zu halten. Wenn deine Arbeit diese Regler braucht, steht dir diese Schicht eher im Weg.

Lokale Ausführung. Open-Weight-Modelle laufen kostenlos auf der eigenen Maschine, ohne Limit. Dafür brauchst du eine eigene GPU und Geduld, aber niemand zählt deine Generierungen.

Ein einziger, enger Anwendungsfall. Wenn du nur Avatare in einem einzigen Stil erzeugst, brauchst du keine zehn Modelle, sondern genau das eine richtige. Ein Kollege hat dazu einen ausführlicheren Beitrag geschrieben, wenn du tiefer in die Frage Dienst oder direkter Modellzugang einsteigen willst.

Was die Kombination wirklich bringt

Das Einfachste, was sie spart, ist Zeit: einen Prompt durch mehrere Modelle laufen lassen und die Ergebnisse direkt nebeneinander vergleichen.

Als ich Modelle für eine Kosmetiklinie testete, zeigte sich der Unterschied an einer Stelle, die ich nicht erwartet hatte. Ein Flaggschiff-Modell zeichnete eine wunderschöne Flasche, veränderte aber jedes Mal die Form des Deckels. Ein Modell der mittleren Klasse hielt die Deckelform fest und verlor nur beim Licht. Für ein Produktfoto zählt das Zweite mehr: Der Kunde bekommt genau das, was er auf dem Bild gesehen hat. Diesen Unterschied hätte ich nie bemerkt, wenn ich die Modelle an verschiedenen Tagen in verschiedenen Tools getestet hätte.

In Flami laufe ich ein Motiv genau deshalb durch zwei Modelle hintereinander, und zwar ausgehend von einem Foto des echten Produkts, nicht von einem leeren Prompt. Welches Modell zu welcher Produktkategorie passt, behandeln wir ausführlicher im vollständigen Modellvergleich für Produktfotos.

FAQ

Was ist ein Aggregator für KI-Bildgeneratoren? Ein Dienst, der mehrere Bildmodelle unter einer Oberfläche und einem Guthaben zusammenfasst. Statt getrennter Konten bei Google, OpenAI, Black Forest Labs und ByteDance wechselst du das Modell einfach in einer Liste und zahlst an einer Stelle.

Warum mehrere Modelle nutzen, wenn ich schon ein gutes habe? Weil sich die Aufgaben unterscheiden. Ein Modell rendert Text korrekt, ein anderes ist ehrlicher bei Stofftexturen, ein drittes läuft bei groben Entwürfen mehrfach schneller. Aktuell gewinnt kein einzelnes Modell in allen vier Szenarien.

Wie unterscheidet sich das von einem KI-Fotoeditor? Ein Editor bearbeitet ein bestehendes Bild. Ein Aggregator gibt Zugang zu generativen Modellen, die ein Bild von Grund auf oder aus einer Referenz aufbauen. Beide überschneiden sich etwas, beide können einen Hintergrund entfernen, aber nur ein generatives Modell kann ein Produkt in eine völlig neue Szene setzen.

Was kostet die Erstellung eines Bildes? Das hängt vom Modell ab. Leichte, schnelle Modelle kosten Cent-Beträge, Flaggschiffe mehrfach so viel. Die eigentliche Rechnung läuft aber nicht pro Bild, sondern pro fertigem Ergebnis, denn ein akzeptiertes Bild braucht meist irgendwo zwischen drei und zwanzig Versuchen.

Quellen

1. Flami: Textrendering bei KI-Bildmodellen im Vergleich
2. Flami: die besten KI-Modelle für Produktfotos