借助 Antigravity 与 Gemini Deep Research 构建严谨的测试框架。
从数据提取、控制变量比对到底层模型调优，打造可量化的 AIGC 质量评估闭环。
涵盖 SDXL基础模型 优化、 ComfyUI工作流 配置以及 提示词 撰写规范的全方位剖析。
量化分析 真实度、饱和度、材质细腻度、线条流畅度、逻辑常识、光照及结构保持度 。
使用 Python 自动解析 Excel 测试集，实现 线稿、提示词及多模型生成结果 的自动化归档比对。
输出包含 FH(泛华) 与 DH 效果对比的优劣势分析，形成最终 AIGC生图迭代指南 。
Python 脚本驱动的数据清洗
严格控制变量的多维对比
使用同一张底图线稿，分别输入 FH 提示词与 DH 提示词，交叉测试 FH 与 DH 两个系统的生成效果（产生 2×2 对照组），锁定并剥离提示词质量与模型质量的相互影响。
数据驱动的迭代建议
通过统计分析 FH 与 DH 生成效果数据的优劣势，从 SDXL 基础模型调优 以及 ComfyUI 工作流节点配置 两个底层维度，出具针对 FH 系统的升级建议。
汇总所有对比组中 FH 提示词表现出的短板，提炼结构化 Prompt 撰写策略，形成面向用户的 提示词生成与调优改进规范 。