【ComfyUI】ローカルLLM3種で画像生成！プロンプトの書き癖と表現力を徹底比較（gpt-oss vs qwen vs gemma）

絵が苦手な私は、AI画像生成なら綺麗な風景画が描けるのではと思い、自分でプロンプトを作っていたのですが、やはりセンスはプロンプト作成にも出るものでやはり綺麗な絵は生成できませんでした。
そこで、絵のセンスをすべて放棄して、AIに綺麗な絵を描くプロンプトを作らせようと思い、やってみました。
なんら、意味のない比較かもしれませんが、暇つぶしに見ていってください。
自分でプロンプトを考えるよりも圧倒的に綺麗に描けてると思います。

比較したLLM

ローカルで動かせる代表的な以下の3つを比較対象としました。`qwen/qwen3.5-9b`、`google/gemma-4-e4b`、`openai/gpt-oss-20b`
パラメータ数がかなり違いますが、次回ワークフローを共有するので、もしも興味がある方はご自身でお試しください。

ワークフロー化での苦労

何枚でも絵を掛けるようにComfyUIでワークフロー化しました。ところが、ローカルLLMのモデルによって思ったような形式でプロンプトを返してくれません。

qwenとgemmaは、思考過程は不要と伝えても思考過程を返してくる。結果としては構造化出力を強制することでプロンプトだけを返すように。
gpt-ossは構造化出力を指定すると何も返却できなくなりました。

このあたりをどのように解決したのか（設定内容）やComfyUIのワークフロー化（カスタムノードも作った）については、次回の投稿で記載します。本投稿では画像比較に注力します。

LLMに渡すプロンプト

LLMに渡すプロンプトはこんな感じにしました。
「引き込まれるようなとてもきれいで感動的な風景画」として、分野が違うと評価できないので、海底から宇宙まで（深海、海、森、山、宇宙）をテーマとして与えて、画像生成のプロンプトを生成してもらいまいた。

あなたは画像生成プロンプトを作るアシスタントです。
出力は以下の形式のみとします。

PROMPT: （ここに画像生成プロンプト）

思考過程は絶対に出力しないでください。
英語で出力してください。
毎回違うプロンプトを生成してください。
画像生成の再現性を高めるため、できるだけ詳細に出力してください。

【テーマ】
「深海」
Windowsの壁紙に使える、引き込まれるようなとてもきれいで感動的な風景画。

出力されたプロンプト

見ても評価できないので、貼っておきます。あとで、Geminiに評価してもらった結果を載せます。

生成された画像

左から、gpt-oss、qwen、gemmaとなります。
あくまで個人の感想ですが、
深海：gemma、海：Qwen、森：gpt-oss、山：gpt-oss、宇宙：Qwen 
が私は好きです。

Geminiによるプロンプトの評価

Geminiにプロンプトを渡して分析してもらいました。以下はその結果をそのまま転記しています。

GPT、Qwen、Gemmaという性格の異なる3つのモデルによる出力は、それぞれの「得意分野」や「言語モデルとしての癖」が色濃く反映されており、非常に興味深い比較です。

各モデルの特徴と、画像生成プロンプトとしての評価を分析します。

1. モデル別：プロンプト構成の特徴分析

gpt-oss

• 特徴: 叙情的で物語性が高い。 単なる物体の羅列ではなく、「感情を揺さぶる（emotionally moving）」「誘い込む（invites viewers）」といった、作品の「雰囲気」や「情緒」を言葉で定義しようとする傾向があります。

• 構成: 風景のレイアウト（前景・中景・遠景）を論理的に構成しており、文章が非常にスムーズです。

• 評価: 指示が具体的で破綻が少ない一方、AI画像生成器（Stable Diffusionなど）においては、時として「情緒的な形容詞」が無視されることもあります。しかし、色のブレンドやライティングの指示は非常に的確です。

Qwen

• 特徴: キーワードの密度が高く、網羅的。 視覚的要素（テクスチャ、光の刺し方、霧の具合）を執拗なまでに詰め込む傾向があります。また、ネガティブプロンプトの記述が最も充実しており、実用性を重視しています。

• 構成: 「8k resolution」「cinematic lighting」といった、画像生成AIが反応しやすい「パワーワード」を文末に凝縮させるスタイルです。

• 評価: 画像の「密度」を上げるのに最も適しています。特に「Deep Sea」で見られるような、複数の要素（沈没船、クラゲ、光線）を組み合わせる能力に長けています。

Gemma

• 特徴: テクニカル（写真学的）なアプローチ。 カメラの機種名（Sony A7R IV）やレンズ（24mm wide angle）、絞り値（f/1.8）など、写真撮影のパラメータを具体的に指定する点が最大の特徴です。

• 構成: 文末に --ar 16:9（アスペクト比）や --v 5.2（Midjourney用コマンド）などのパラメータを付与することがあり、特定のツールを意識した出力になっています。

• 評価: 「実写写真」に近い質感を目指す場合に非常に強力です。ボケ感（bokeh）やシャッタースピードへの言及により、物理的に正しい光の描写を引き出しやすくなっています。

2. テーマ別：プロンプトの質的評価

3. 総評と活用のアドバイス

画像生成のプロンプトとしての総合評価は以下の通りです。

1. 実写・写真系なら「Gemma」: カメラ設定の知識を流用しているため、フォトリアルな出力を狙う際に最も失敗が少ないです。

2. 情報量と密度なら「Qwen」: ネガティブプロンプトの作り込みを含め、画像生成AIの「お作法」を最も理解している挙動を見せます。

3. コンセプト・芸術性なら「GPT」: 色彩の組み合わせや、見た人の感情をどう動かすかという「演出」において一歩抜きん出ています。

💡 活用のヒント：

もし最高の1枚を作りたいのであれば、「GPTの色彩感覚」＋「Gemmaのカメラ設定」＋「Qwenのネガティブプロンプト」を組み合わせてリミックスするのが、最もクオリティの高いプロンプトを作成する近道と言えるでしょう。

最後に

絵が下手な私がプロンプトを考えるより圧倒的にいいと思いました。テーマを自分が書きたいものに限定したり、生成されたプロンプトをベースに書き足すなどにより、絵が描けない人が絵を描けるようになるのではないかと思わせてくれます。
これがAIの力ですね。「できないことができるようになる」

LLMの挙動の違いに苦労した点（解決方法）と作成したカスタムノードについては次回の投稿で記載します。