Mac Mini AI 生图实测（2026）：3 款工具对比，Draw Things 完胜

2026 年，Mac Mini M4 本地 AI 生图已经完全可用——24GB 内存跑 Flux 模型出一张 1024x1024 的图只要 50 秒，不花一分钱 API 费用，数据全在本机。

但工具选哪个？我在 Mac Mini M4 Pro 上实测了 ComfyUI、DiffusionBee、Draw Things 三款主流工具，跑了上百张图，记录了每款工具的生成速度、内存占用和实际体验。结论是：其中一款已经停更不推荐，而另一款在性能上完胜——比 ComfyUI 快 20% 以上。

本文将从技术架构、性能数据、模型支持到实际使用体验，帮你在 2026 年做出最合理的本地 AI 生图选型决策。不管你是博客写手、独立开发者还是设计师，读完这篇就够了。

一、为什么要在 Mac Mini 上本地生图？

在讨论具体工具之前，先回答一个根本性问题：为什么不直接用 Midjourney / DALL-E 这些在线服务？

1.1 本地生图的核心优势

1.2 Mac Mini M4 为什么行？

很多人的直觉是"AI 生图需要 NVIDIA 显卡"，但 Apple Silicon 的统一内存架构（Unified Memory）改变了这个格局。

传统 PC 上，GPU 有独立显存（VRAM），CPU 有系统内存，数据在两者之间需要来回搬运。而 Mac Mini M4 的统一内存意味着：

CPU 和 GPU 共享同一块内存池——GPU 可以直接访问所有系统内存，不存在"显存不够"的问题。

这就像传统 PC 是"两个仓库之间搬货"，而 Mac 是"一个大仓库，所有人都能直接取用"。一台 24GB 内存的 Mac Mini M4 Pro，其 GPU 理论上可以利用大部分的系统内存来加载模型，这对于运行 Flux 这种"吃内存"的模型至关重要。

再加上 Apple 的 Metal Performance Shaders（MPS） 和 Core ML 框架对机器学习的原生加速支持，Mac Mini M4 已经是一台称职的本地 AI 生图工作站了。

1.3 硬件配置与生图能力速查

关键认知：macOS 的统一内存中，系统本身会占用 1-2GB，所以 16GB 的 Mac Mini 实际可用于 AI 的内存约 14GB。如果你计划频繁使用 Flux 模型，24GB 是比较舒适的起点。

二、三大工具全景概览

在 Mac 上做本地 AI 生图，主流工具有不少，但真正值得深入对比的是以下三个：

下面逐一深入分析。

三、ComfyUI：最强大的生图引擎

3.1 它是什么？

ComfyUI 是一个开源的、基于节点的图像生成工作流引擎。如果说其他工具是"傻瓜相机"，ComfyUI 就是"全手动单反"——你可以精确控制图像生成的每一个环节。

它的界面是一个可视化的节点编辑器：每个节点代表一个操作（加载模型、设置提示词、采样、解码等），节点之间用连线传递数据。这意味着你不是简单地输入一个提示词然后等结果，而是构建一整条从模型加载到最终输出的处理管线。

3.2 macOS 上的安装

ComfyUI 提供了 macOS 桌面版（目前仍处于 Beta），安装步骤相当简化：

1. 下载 DMG 安装包（或通过 brew install comfyui）
2. 启动后选择 MPS（Metal Performance Shaders）作为 GPU 后端
3. 选择安装路径，自动配置 Python 环境和依赖
4. 完成后即可进入节点编辑界面

注意：ComfyUI 桌面版仅支持 Apple Silicon，Intel Mac 不可用。最少需要 5GB 可用磁盘空间。

3.3 核心优势

模型支持最广泛

ComfyUI 支持几乎所有主流图像生成模型：SD 1.5、SD 2.x、SDXL、Flux.1（Dev/Schnell）、Z-Image-Turbo、Kolors 等。通过 ComfyUI-GGUF 插件，还能加载 GGUF 量化模型——这对内存有限的 Mac 用户极为重要。

GGUF 量化是 Mac 用户的"救生圈"。以 Flux.1 Dev 模型为例：

实测经验：Q6_K 是大多数 Mac 用户的甜点。画质损失肉眼几乎不可见，但内存占用大幅降低。如果你只有 16GB 内存，Q4_KS 配合量化的 T5 文本编码器是最佳组合。

节点生态极其丰富

ComfyUI 的"杀手锏"是它的自定义节点生态。社区开发了数千个节点，涵盖：

• ControlNet：精确控制构图、姿势、边缘
• IP-Adapter：用参考图像控制风格
• TeaCache：加速生成 30-50%（适合草图阶段）
• AnimateDiff：生成动画
• Upscale：超分辨率放大

3.4 性能实测（Mac 环境）

在 M4 Pro 24GB 上，正确配置 MPS 后端后：

• Flux.1 Dev Q6_K（1024×1024，20 步）：约 50-90 秒/张
• SDXL（1024×1024，25 步）：约 20-40 秒/张
• SD 1.5（512×512，20 步）：约 5-10 秒/张
• Z-Image-Turbo（1024×1024，9 步）：约 60-80 秒/张

踩坑提醒：如果你发现 Flux 生成特别慢（比如一张图要 1 小时），大概率是 PyTorch 没有正确使用 GPU。这是一个已知问题——原因通常是安装了 CPU 版本的 PyTorch。正确做法是确保安装支持 MPS 的 PyTorch nightly 版本。

3.5 不足之处

• 学习曲线陡峭：节点式操作对新手不友好，需要理解 Stable Diffusion 的工作流程
• Mac 优化非原生：通过 PyTorch MPS 后端运行，不如原生 CoreML/Metal 实现高效
• 占用资源多：Python 环境 + 模型文件，轻松占用 20GB+ 磁盘空间
• Beta 状态：macOS 桌面版仍不稳定，偶有闪退

四、DiffusionBee：最简单的入门之选

4.1 它是什么？

DiffusionBee 是专为 Mac 设计的 AI 图像生成应用，目标是"让 Stable Diffusion 在 Mac 上像使用普通 App 一样简单"。它基于 Electron 构建，提供完整的图形界面，不需要任何命令行操作。

4.2 安装与使用

安装过程堪称所有工具中最简单的：

1. 从 GitHub Releases 下载 DMG
2. 拖拽到 Applications 文件夹
3. 首次启动自动下载默认模型
4. 输入提示词，点击生成

完全不需要 Python、不需要命令行、不需要理解任何技术概念。

4.3 功能概览

DiffusionBee 2.5.3 支持：

• 文生图（Text to Image）
• 图生图（Image to Image）
• 局部重绘（Inpainting）
• 扩展画布（Outpainting）
• 超分辨率放大（Upscaling）
• 自定义模型加载：SD 1.x、SD 2.x、SDXL
• LoRA 加载：支持多个 LoRA 同时使用
• Flux.1 支持（仅限 ARM64 / macOS 13+）

4.4 致命问题：开发停滞

这里必须说一个非常关键的事实：

DiffusionBee 的最后一次更新是 2024 年 8 月 14 日（v2.5.3）。截至 2026 年 2 月，已经超过 1.5 年没有新版本发布。

在 AI 图像生成这个日新月异的领域，1.5 年的停滞意味着：

• Flux.1 支持不完善：有用户报告 Flux 功能无法使用
• 无法使用 GGUF 量化模型：对内存受限的 Mac 用户很不友好
• 不支持最新模型：Z-Image-Turbo、SD3.5、FLUX.2 等新模型都无法使用
• Bug 修复停滞：已知问题不再得到修复
• 无法从应用内更新：用户必须手动下载新版本

这就像买了一辆车，厂家突然不再提供维修和保养服务了。短期内还能开，但长期来看风险越来越大。

4.5 性能参考

在 M4 Pro 24GB 上：

• Flux Dev（704×704，25 步）：约 6 分钟/张
• SDXL（1024×1024，25 步）：约 1-2 分钟/张
• SD 1.5（512×512，20 步）：约 15-30 秒/张

性能表现中规中矩，但由于缺乏 GGUF 支持和最新的优化技术，在 Flux 模型上的表现明显落后于其他工具。

4.6 适合谁？

如果你满足以下所有条件，DiffusionBee 仍然是一个选项：

• 只需要 SD 1.5 / SDXL 基本功能
• 不需要 Flux 等新模型
• 对性能要求不高
• 希望零配置、开箱即用

但说实话，考虑到开发停滞的风险，我不推荐新用户选择 DiffusionBee 作为主力工具。

五、Draw Things：被低估的 Apple 原生之选

5.1 它是什么？

Draw Things 是一款专为 Apple 生态打造的 AI 图像生成应用，支持 iPhone、iPad 和 Mac。它不是简单的 Python 套壳——而是用 SwiftUI + 自研推理引擎（s4nnc） 从底层针对 Apple Silicon 进行了深度优化。

如果说 ComfyUI 是"改装赛车"，DiffusionBee 是"自动挡家用车"，那 Draw Things 就是"原厂高性能版"——在保持易用性的同时，针对 Apple 硬件做了极致的性能优化。

5.2 技术架构深度解析

Draw Things 的性能优势来自两项核心技术：

Metal FlashAttention

这是 Draw Things 自研的核心技术。标准的 Attention 计算需要先生成一个完整的注意力矩阵（非常耗内存），而 FlashAttention 改为逐行计算，大幅降低内存占用的同时提升速度。

Draw Things 的 Metal FlashAttention 实现了以下优化：

• 利用 simdgroup_async_copy API 实现计算和内存加载的重叠执行
• 自动检测注意力矩阵的稀疏性，跳过不必要的计算
• 在 M1 Pro 及以上芯片上，比标准 CoreML GPU 实现快 20-40%

实际测试数据：

CoreML 集成

Draw Things 同时支持 CoreML（利用 Apple 神经引擎 ANE）和 Metal（直接 GPU 计算）。在一些场景下，CoreML 路径可以利用 ANE 进行加速，进一步释放 GPU 资源：

• M1/M2 基础款：CoreML + ANE 路径可能更快
• M1 Pro 及以上：Metal FlashAttention 通常更快

应用会根据你的硬件自动选择最优路径，无需手动配置。

5.3 功能亮点

• 全面的模型支持：SD 1.5、SDXL、Flux.1、Z-Image、Qwen Image、FLUX.2、甚至 Hunyuan 视频生成
• ControlNet 全套：Canny、Depth、Pose、Scribble 等多种控制模式
• 本地 LoRA 训练：在你的 Mac 上直接训练 LoRA，无需云服务
• 图生图和局部重绘：完善的编辑功能
• 模型管理极简：选择模型后自动下载，无需手动搬文件
• Optimize for Faster Loading：一键优化模型加载速度
• 跨设备同步：Mac 上调好的参数可以同步到 iPhone/iPad

5.4 性能表现

在各 Apple Silicon 设备上的 Draw Things 性能参考：

由于 Metal FlashAttention 的优化，Draw Things 在同等硬件条件下，通常比 ComfyUI（PyTorch MPS 后端）快 20% 以上。

5.5 为什么说它被低估了？

Draw Things 在国内外的知名度远不如 ComfyUI 和 Stable Diffusion WebUI，但它有几个独特优势：

1. 真正的 Apple 原生优化：不是 Python 套壳，而是从底层针对 Metal/CoreML 优化
2. Apple 官方认可：Apple 在发布 M5 iPad Pro 时，将 Draw Things 与 Final Cut Pro、DaVinci Resolve 并列展示
3. 活跃的工程博客：开发团队在 engineering.drawthings.ai 持续分享技术细节
4. App Store 分发：一键安装，自动更新，不用折腾 Python 环境
5. 极低的内存占用：使用 ANE 路径时，应用本身仅占约 150MB 内存

六、实战对比：同一台机器，同一个场景

为了让对比更直观，假设一个真实使用场景：你需要为博客文章生成一张 1024×1024 的科技风格配图。

6.1 工作流对比

ComfyUI 的工作流：

打开浏览器 → 加载/连接节点 → 配置 KSampler 参数
→ 设置 CLIP 文本编码 → 连接 VAE 解码 → 点击 Queue Prompt
→ 等待生成 → 手动保存图片

操作步骤：约 8-10 步（已有工作流模板时可减少到 3-4 步）

DiffusionBee 的工作流：

打开应用 → 输入提示词 → 选择模型 → 调整参数 → 点击生成 → 保存

操作步骤：约 4-5 步

Draw Things 的工作流：

打开应用 → 选择模型 → 输入提示词 → 调参（可选）→ 点击生成 → 保存

操作步骤：约 4-5 步

6.2 从"想法"到"成图"的完整体验

七、选型决策树

如果你不想看上面那么多分析，这里给你一个快速决策指引：

你是否需要构建复杂的图像生成管线？
├── 是 → ComfyUI（最强灵活性，但需要投入学习时间）
│
└── 否 → 你的 Mac 是 Apple Silicon 吗？
    ├── 不是 → 选择有限，考虑在线服务
    │
    └── 是 → 你是否需要最新模型和最佳性能？
        ├── 是 → Draw Things（原生优化，模型支持全面）
        └── 否 → 你只需要最简单的 SD 1.5/SDXL？
            ├── 是 → DiffusionBee（但注意开发已停滞）
            └── 否 → Draw Things

针对不同用户的推荐

八、博客配图实战：我的推荐方案

回到你最关心的问题：写博客时用什么工具配图最合适？

8.1 推荐组合：Draw Things + SDXL/Flux

对于博客配图这个场景，我推荐 Draw Things 作为主力工具，理由如下：

1. 出图速度快：Apple 原生优化，SDXL 出一张图几十秒
2. 模型齐全：SDXL 适合插画/概念图，Flux 适合写实风格
3. 零配置成本：App Store 下载，选模型就能用
4. 持续更新：开发活跃，新模型支持跟得上

8.2 博客配图的实用技巧

选择合适的模型：

• 技术博客封面：推荐 SDXL + 科技风格 LoRA，或者 Flux.1 Schnell（速度快）
• 教程步骤图：SD 1.5 + ControlNet Scribble（用简单草稿生成精致插图）
• 概念示意图：SDXL + 特定风格 LoRA
• 写实场景：Flux.1 Dev（画质最好，但生成较慢）

提高出图效率的方法：

# 好的提示词结构
"[主题], [风格], [细节], [光影], [构图]"

# 示例：技术博客封面
"a futuristic workspace with holographic displays,
 minimalist tech illustration style,
 clean lines and geometric shapes,
 soft blue ambient lighting,
 centered composition, dark background"

批量生成的策略：

1. 先用 Flux.1 Schnell（4 步快速生成）找到满意的构图和色调
2. 确定方向后，切换到 Flux.1 Dev（20 步高质量）精修
3. 最后用 RealESRGAN 超分辨率放大到需要的尺寸

8.3 如果你需要更高级的控制

当 Draw Things 满足不了你的需求时——比如你需要构建自动化的图片生成管线，或者需要非常精确的构图控制——ComfyUI 是你的升级路径。

ComfyUI 的工作流可以保存为 JSON 文件，意味着你可以：

• 把常用的博客配图工作流保存为模板
• 只需修改提示词就能快速出图
• 通过 API 接口实现自动化生成

进阶推荐：如果你想进一步提升效率，可以用 Claude Code 驱动 Draw Things 实现自动化生图工作流，让 AI 帮你完成从提示词生成到批量出图的全流程。这背后用到了 Claude Code 的浏览器自动化能力。

九、安装指南速查

Draw Things（推荐）

# 方式 1：App Store（推荐，自动更新）
# 搜索 "Draw Things" 下载即可

# 方式 2：官网下载
# https://drawthings.ai/downloads/

安装后的第一步：

1. 打开应用
2. 点击左侧模型选择区域
3. 选择 “Juggernaut XL”（推荐的 SDXL 模型）或 “Flux.1 Schnell”
4. 等待下载完成
5. 输入提示词，点击生成

ComfyUI

# 方式 1：Homebrew（推荐）
brew install comfyui

# 方式 2：官方 DMG
# 下载地址：https://download.comfy.org/mac/dmg/arm64

安装后的关键设置：

1. GPU 选择 → MPS（不要选 CPU）
2. 安装 ComfyUI-GGUF 节点（支持量化模型）
3. 下载推荐模型：Flux.1 Dev Q6_K GGUF（~10GB）
4. 推荐安装 ComfyUI Manager 来管理自定义节点

DiffusionBee（不推荐新用户）

# 从 GitHub 下载
# https://github.com/divamgupta/diffusionbee-stable-diffusion-ui/releases/tag/2.5.3

十、常见问题避坑指南

Q1：生成一张图要好几分钟，正常吗？

看情况。在 Mac Mini M4 上：

• SD 1.5 (512×512)：10-30 秒是正常的
• SDXL (1024×1024)：30-90 秒是正常的
• Flux.1 Dev (1024×1024)：1-3 分钟是正常的

如果 Flux 生成超过 10 分钟，大概率是没有正确使用 GPU 加速。检查你的 PyTorch 是否安装了 MPS 版本。

Q2：16GB 内存够用吗？

够用，但有限制。16GB 可以流畅运行 SD 1.5 和 SDXL。使用 Flux 时需要 GGUF Q4 量化模型，画质会有一定损失。如果预算允许，24GB 是更舒适的选择。

Q3：Mac 上 AI 生图比 NVIDIA 显卡慢多少？

坦率地说，Apple Silicon 在 AI 生图性能上确实不如同价位的 NVIDIA 显卡。大致来说：

• 比 RTX 4090 慢 3-5 倍
• 比 RTX 4070 慢 2-3 倍
• 但比 CPU 直接跑快 10-50 倍

Mac 的优势在于统一内存——可以运行超出传统显卡显存限制的大模型，而且 Mac Mini 的体积、功耗和噪音都远优于传统 GPU 工作站。

Q4：ComfyUI 和 Draw Things 能同时安装吗？

可以。它们互不干扰，但模型文件会占用双倍存储空间（除非手动设置共享模型目录）。建议日常用 Draw Things 快速出图，需要复杂工作流时切换到 ComfyUI。

Q5：哪个工具的 Flux 支持最好？

• ComfyUI：支持最全面，GGUF 量化、FP16、各种变体都支持
• Draw Things：原生支持且持续优化中，性能最佳
• DiffusionBee：名义上支持但有 Bug，不推荐

常见问题 FAQ

Mac Mini M4 能本地跑 AI 生图吗？

完全可以。Mac Mini M4 的 Apple Silicon 芯片采用统一内存架构，CPU 和 GPU 共享同一块内存池，16GB 版本可流畅运行 SD 1.5 和 SDXL 模型，24GB 版本可用 GGUF 量化方案运行 Flux 模型。推荐使用 Draw Things 或 ComfyUI 作为生图工具。

2026 年 Mac 上最好的免费 AI 生图工具是哪个？

综合性能、易用性和更新频率，Draw Things 是 2026 年 Mac 上最推荐的免费本地 AI 生图工具。它是 Apple 原生应用（SwiftUI + Metal FlashAttention），比 ComfyUI 快约 20%，支持 Flux、SDXL 等主流模型，通过 App Store 免费下载。ComfyUI 适合需要复杂工作流的高级用户。DiffusionBee 因停更超过 1.5 年已不推荐。

ComfyUI 2026 最新版本在 Mac 上怎么安装？

ComfyUI 提供 macOS 桌面版（Beta），两种安装方式：1）通过 Homebrew 运行 brew install comfyui；2）从官网下载 DMG 安装包。安装后关键设置：GPU 后端选择 MPS（不要选 CPU），安装 ComfyUI-GGUF 插件以支持量化模型，推荐下载 Flux.1 Dev Q6_K GGUF 模型（约 10GB）。仅支持 Apple Silicon 芯片。

Mac Mini 16GB 和 24GB 跑 AI 生图差别大吗？

差别明显。16GB 内存可流畅运行 SD 1.5 和 SDXL，但跑 Flux 模型只能使用 Q4 量化版本（画质有损失），生成速度也偏慢。24GB 内存可运行 Flux Q6_K 量化模型（画质接近无损），是 Flux 模型的舒适起点。如果你计划频繁使用 Flux 生成高质量图片，建议选择 24GB 或更高配置。

Mac 上 AI 生图速度和 NVIDIA 显卡比怎么样？

Apple Silicon 在 AI 生图速度上确实不如同价位 NVIDIA 显卡——大约比 RTX 4090 慢 3-5 倍，比 RTX 4070 慢 2-3 倍。但 Mac 的优势在于：统一内存可以运行超出传统显卡显存限制的大模型；Mac Mini 体积仅为 GPU 工作站的 1/10；功耗和噪音极低；还能同时兼顾日常办公和创作需求。

总结

Mac Mini 本地 AI 生图在 2026 年已经是一个完全可行且实用的方案。三大工具的定位非常清晰：

如果你和我一样，主要需求是给博客快速配图，那 Draw Things 就是当前最优解——Apple 原生优化、模型支持全面、安装简单、持续更新。当你的需求升级到需要精确控制和自动化时，再拥抱 ComfyUI 的节点世界也不迟。

最后一个建议：不管选哪个工具，先从 SDXL 模型开始。它在画质和速度之间达到了最好的平衡，对内存的要求也不高。等你对本地生图有了手感之后，再尝试 Flux 这种"吃配置"的顶级模型。

相关阅读

• Claude Code + Draw Things 自动化工作流：AI 生图效率翻倍 — 本文的进阶篇，用 Claude Code 驱动 Draw Things 实现自动化批量生图
• Claude Code 浏览器自动化实战：用 AI 操控网页的完整指南 — 了解 AI 代理如何自动化操控桌面应用和浏览器
• Claude Code 最佳实践：从入门到精通的完整指南
• AI 工作流实战指南：不是未来，是现在
• Codex CLI 完全指南：OpenAI 的开源终端 AI 编程助手