图片生成接口在中转站上的形态差异：DALL·E、Flux、MJ 各是什么样

三种形态，三种调用方式

文本接口有行业标准（OpenAI 兼容），图片生成没有。中转站上的图片生成大致分三类：

一、OpenAI 风格同步接口

POST /v1/images/generations
{"model":"dall-e-3","prompt":"...","size":"1024x1024","n":1}

返回 JSON，其中包含 URL 或 base64。同步，一次请求等结果。

• 优点：调用简单，与文本接口风格一致；
• 缺点：生成耗时较长（十几秒到一分钟），容易撞上超时；
• 支持的模型：DALL·E 系、部分 Flux 的 OpenAI 兼容实现。

二、Midjourney 系异步任务接口

形态完全不同：

POST /mj/submit/imagine        → 返回一个 taskId
GET  /mj/task/{taskId}/fetch   → 轮询，直到 status 变成 SUCCESS

• 必须轮询。没有同步返回；
• 返回结构是 Midjourney 自己的（包含 imageUrl、progress 百分比等）；
• 不同中转站的 MJ 接口路径各不相同（/mj/、/midjourney/、/v1/mj/ 都见过）；
• 计费按任务数，与 token 无关。

这也是 Midjourney 官方没有公开 API 的结果 —— 市面上的 MJ 接口都是各家自己逆向或代理的形态，所以没有统一标准。

三、各家自建形态

Flux、Stable Diffusion 系、国内的文生图模型，常被中转站用自建形态暴露。路径可能是 /v1/images/generations（伪装成 OpenAI 风格），也可能是完全自定义的。

计费口径必须单独确认

关键陷阱：图片生成不按 token 计费，所以「倍率」这个词在这里含义完全不同。有些站会在页面上写「图片生成 3 倍率」，你得问清 3 倍的基准是什么（官方每张 $0.04？还是别的）。

建议：直接问站方。 这是少数「问了就能得到答案」的问题，而且可以写进聊天记录留证。

五类常见失效

1. 超时（最常见）

同步接口下，生成一张 1024×1024 的图常要 15–60 秒。如果网关或你的客户端的超时设置是 30 秒，就会失败。

特征：请求报超时，但去站方后台看任务已经成功生成并扣费。

处置：把超时设到 120 秒以上；或者优先选异步（轮询）形态的接口。

2. 图片 URL 不可访问

同步接口返回的图片 URL 可能：

• 是临时签名链接，几小时后失效 → 你必须立刻下载转存；
• 指向上游的域名，而该域名在国内不可直连 → 你在浏览器里打不开。

处置：拿到 URL 后立刻下载。不要把它直接存进数据库当长期资源链接。

3. 内容审核拒绝

图片生成的审核比文本严格得多，而且审核可能发生在中转站这一层（它自己加了一道）。

特征：错误信息是中转站自己的文案（不是上游的文案），且同一 prompt 在别家站能过。

4. n 参数不生效

OpenAI 接口支持 n 指定生成张数。有些站忽略这个参数，始终只返回一张。

测试：传 n=2，看返回数组长度。

5. 中文 prompt 支持差异

不同模型对中文提示词的理解差异极大。有些模型（尤其英文语料训练的）对中文 prompt 会产出与预期明显不符的图。

处置：prompt 用英文，或先用一次文本模型做翻译/扩写再送进去。这也是实践中最常见的做法。

自测流程

第 6 项有额外价值：错误文案的风格能告诉你审核发生在中转站还是上游。中转站加审核意味着它可能有更严的边界。

对选型的建议

图片生成在选型上有一条与文本不同的原则：优先看接口形态，而不是价格。

原因：

• 同步接口看起来简单，但超时问题会让你在生产环境里频繁失败；
• 异步接口多写 20 行轮询代码，但稳定性高得多；
• 如果站方两种都提供，一律选异步。

价格可以后面谈，接口形态决定了你的代码结构和故障率。