过去几年,AI 生图模型在真实感、分辨率和光影表现上不断刷新认知。但当图片真正被用于海报、广告这些商业场景,文字能否准确呈现、局部修改能否保留原有设计,仍是难题。
![]()
今年 3 月,微软研究院发布了一项名为 BizGenEval 的商业视觉生成评测,用 400 条提示词和 8000 道检查题测试主流模型。结果发现,模型已经能生成颇具美感的海报和网页,但在精确布局、多个对象之间的属性对应等方面,仍存在明显短板。
也正是在这个阶段,以视频生成出圈的可灵推出了 Kling Image 4.0。按照官方介绍,新模型将原生分辨率提升至 8K,单张图片最多支持 2000 字,并能一次生成最多 10 张连贯图片。更值得关注的是,它采用理解与生成统一的自回归架构,尝试让模型在同一上下文中处理图像理解与生成。
从拍好一张照片,到设计一张海报,再到组织一整套视觉内容,Kling Image 4.0 究竟能替创作者完成多少工作?
最直观的意外来自真实质感。几张人像写真里,人物的皮肤纹理、细节,以及户外的光影投射,都已经相当接近真实摄影。这样的真实感已经开始影响摄影行业本身:今年 4 月,Vogue 杂志采访了一些商业摄影师,发现部分客户开始拿 AI 生成的图片作为拍摄参考,要求摄影师在现实中还原其中的画面。
写真主要考验模型对人物和真实场景的还原。要制作一张真正用于传播的海报,事情就复杂了不少,尤其是加入中文之后。
以“画地为牢”为题生成的作品颇有综艺宣传海报的感觉:半圆形的海面构图、清冷疏离的色调,文字排版与艺术字体设计几乎能够达到可发布海报的水准。
这里有一个值得单独说的变化:Kling Image 4.0 的图像编辑可以直接选中图片里已有的文字进行修改,也可以往已有画面里增加新的文字。3.0 阶段已经具备局部重编辑能力,4.0 把控制粒度做得更细。修改海报文字内容并补充一行副文案后,原来的海报中只改变了被要求的文字,并没有重绘图片其他图层。
字体控制也是这次 4.0 和 3.0 拉开差距的地方。3.0 阶段创意字体主要靠提示词描述风格,能做到,但可控性有限;4.0 把这件事变得更工具化:内置 70+ 款预设字体,可以直接选;也支持上传字体参考图,让模型照着参考图的字形和笔画风格去生成。
文字生成一直是 AI 生图模型比较难处理的部分,艺术字设计要比正确写出汉字更进一步。一张夏日露营海报里,艺术字体和场景融合得相当自然,从场景、配色到标题设计都有了完整的成品感。字体本身成为画面的一部分,与云层、海浪和其他视觉元素发生联系,这要求模型同时处理文字内容、空间位置与视觉风格之间的关系。
如果说艺术字海报主要考验模型的审美和创意,那么商品详情页要处理的事情就复杂得多。商品图拍摄、内容如何展示、图文搭配的顺序排布,都是真实的商业设计场景。这也是 Kling Image 4.0 此次强化的能力之一:支持更复杂的图文混合排版,单张图片最多可以容纳 2000 字,能够一键制作电商详情长图。
以一张普通的烤红薯照片为基础,要求模型为一款售价 5 元的烤红薯设计电商宣传素材,既要有吸引消费者的商品摄影,也要包含卖点介绍、食用场景和必要的产品说明。
模型交出的结果有几分成熟食品品牌的样子。它给产品设计了“ROOTS 根薯系列”的品牌标识,选用绿色、米白色作为主要视觉元素,并用“红褐焦脆,金黄流心”作为主标题。原本普通的烤红薯被放进精心布置的商品摄影场景中,暖黄色的薯肉和深褐色表皮成为画面的视觉中心。
更有意思的是,模型没有把所有内容都堆在商品主图里,而是继续延伸出不同类型的页面:一张用切片摆盘展示食用场景,一张以“向阳丘陵的风土”讲述产品来源,还有一张将不同食用状态和保存、复热方法整理成图文说明。
提示词只有简单的一句话,更没有提供完整的商品信息。模型却主动补上了品牌名称、广告语等信息,并把它们组织成一套风格统一的视觉作品。这是这次测试中最让人意外的地方。
过去使用 AI 生图,往往需要先想清楚画面长什么样,再尽可能详细地描述给模型,比如商品位置、背景颜色、文字排版。如果想要一整套宣传素材,还得逐张设计提示词,反复调整风格。这次提供的只有一张照片和一个相对笼统的目标,更详细的视觉内容,Kling Image 4.0 已经能够自行完成相当一部分构思。
这背后还有一个变化:AI 开始熟悉商业设计的表达方式。对于没有专业设计团队的小商家,或需要快速制作营销素材的运营人员来说,这种能力有直接价值。过去可能需要分别准备产品照片、文案和版式,现在可以先用一句自然语言生成一套视觉方案,再根据实际需要做调整。
当然,生成结果还有可以完善的地方。部分说明性小字的清晰度不如大标题,模型自行补充的产地和产品信息不一定准确。但从整体效果看,Kling Image 4.0 已经展示出相当完整的商业图文组织能力,能够进一步处理品牌风格、广告文案、场景展示和页面排版,让一个简单的创意迅速变成具体可见的设计方案。
近年来,图像模型开始探索系列生成图片。电影、漫画都需要连续的分镜,品牌广告也往往需要一整套视觉素材。同一个角色在不同画面中如何变化而保持一致性,镜头之间怎样衔接,这些问题无法单靠提高单张图片的画质来解决。Kling Image 3.0 已经支持连续组图,到了 4.0,可灵进一步强化了多图之间的主体和场景一致性,最多可以一次生成十张相互关联的图片。
以电影《燃烧女子的肖像》的一张剧照作为参考,围绕两位女性在海边重逢、烧掉一封未寄出的信件的故事,模型自行生成了一组电影分镜。从结果来看,它已经能够组织出一段相当完整的视觉叙事。
这组图片最突出的地方是模型主动使用了远景、中景、特写等不同景别,层层递进推进图像叙事。故事从一张海岸两人的远景开始,后面切换到双人中景,其中一人将信封递给另一人;紧接着,镜头推进到信封特写;第四张切换为人物面部低头看着手中信件的特写;第五张开始出现参考图中的篝火,最后以两人站在火光两侧的远景收尾。
视觉风格也比较统一。参考剧照中的暗色服装与火光氛围得到延续,阴沉的海岸、深蓝色暮色、岩石和暖黄色火光贯穿了整组图片。仔细比较仍能发现一些小问题,例如人物面部在不同镜头中存在细微变化,个别动作之间的衔接也不够自然。但对于以故事梗概为输入的测试,模型已经交出了一组具有明确叙事顺序和统一视觉风格的分镜草案。
对于影视前期创作、漫画分镜或品牌广告策划来说,这种能力很有想象空间。创作者可以先提供故事、角色设定和视觉参考,让模型生成一组初步画面,再从中选择合适的镜头继续调整。
在真实的影视行业,这样的 AI 生图工具也正在进入拍摄前的准备工作。今年 6 月,拍了几十年电影的美国导演马丁·斯科塞斯在接受《纽约时报》采访时说,自己已经画了约 70 年分镜。一直以来,他面临的一个难题是如何把脑海里想象的场景准确传达给摄影师、美术师和其他剧组成员。现在,他可以先用图像模型把这些画面做出来,让团队更快地理解和讨论。
使用 AI 创作时,人们常常有两种截然不同的要求:想法还模糊时,希望 AI 替自己多想一些、提供更广泛的灵感;有了明确的设计比如局部修改,又希望它严格听话,不要擅自发挥。这其实是两种不同的能力:一种是理解用户意图,替人完成尚未想清楚的部分;另一种是准确执行要求,尽可能少地干扰已经确定的设计。
按照可灵的介绍,新模型采用理解与生成统一的自回归架构,并通过最高 15K Token 的指令处理能力、结构化视觉语法和 Agentic 任务规划能力,处理更复杂的创作要求。这些技术名词最终要解决的,正是模型能否理解一项任务、安排好其中的细节,并在需要修改时保留用户已经满意的部分。
这些变化也不止发生在可灵。今年 11 月,Adobe 推出新的创意 Agent 和设计工具,试图把构思、生成和修改放进同一个工作环境;可灵 10 月发布的视频 4.0,也进一步强调多关键帧、参考素材和镜头控制。如今的产品又进一步补充了视觉设计和编辑的能力。
对可灵而言,这背后还有更现实的商业考量。快手财报显示,2026 年第二季度,可灵 AI 营收超过 8.5 亿元,同比增长超过 200%。视频生成已经为它带来了可观收入,但商业化走到这一阶段,新的问题也随之出现:如何让用户从偶尔生成一段视频,变成持续使用可灵完成创作?
图片模型的升级,为这件事提供了更多可能。它要争夺的是用户在平台上持续发生的创作需求。一张惊艳的图片或视频,决定用户为什么第一次打开可灵;能否接住从灵感到成品的整个过程,才可能决定他们为什么一直使用可灵。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.