最强视觉生成模型获马斯克连夜关注，吉卜力风格转绘不再需要GPT了

克雷西
2025-04-17
20:27:02

来源：量子位

克雷西 发自 凹非寺
量子位 | 公众号 QbitAI

“史上最强视觉生成模型”，现在属于快手。

一基双子的可灵AI基础模型——文/图生图的可图、文/图生视频的可灵，都重磅升级到2.0版本。

• 可图2.0，对比MidJourney 7.0，胜负比「(good+same) / (same+bad)」超300%，对比FLUX超过150%；
• 可灵2.0，文生视频对比Sora胜负比超360%，图生视频对比谷歌Veo2胜负比超180%。

新版本当中，两款模型的语义遵循能力和美学能力均大幅提升，还新增了图像编辑、风格转绘等一系列新功能。

并且一如既往坚持不搞期货，发布会一结束，两款模型及新功能就立即上线可用。

模型发布后，也引发国内外广泛讨论，就连马斯克也在X上连夜关注了可灵AI官方账号。

实测可图全新升级

在过去，MidJourney生图+可灵图生视频是一种常用的创作工作流。

但随着可图的全新升级，创作者们可以告别MidJourney，在可灵AI的平台内完成这一系列操作了。

相比前一代模型，可图2.0基础模型的第一个亮点，就是语义遵循能力大幅提升，具体又可以分为三个方面——

复杂元素响应更精准、镜头语言设计更合理、画面细节表现更丰富。

话不多说，直接看案例：

黑白照片，少女照镜子，镜子里映出她老年的样子，写实摄影，左右对比，侧面构图，电影光照，一位白裙少女正在一个复古圆镜前照镜子，伦勃朗光照，景深摄影。

这组提示词设置了“现实”中的少女样貌和镜子中老年形象的反差，这样的场景是一种艺术设计，在真实世界中并不存在。

即便如此，可图2.0还是按照提示词中的要求完成了创作，构图、颜色等设置也都满足提示词要求。

相比之下，前一代生成的图片，除了确实有一位少女和一个镜子之外，和提示词几乎没有什么关联。

再看第二组。

春节，爷爷奶奶，爸爸妈妈，1个男孩，5个人其乐融融的互相聊天，桌上的菜肴丰富。

这个设定看似简单，但实际上想要让准确呈现人或物体的数量，一直以来都不是一件容易的事。

但可图2.0的作品当中，人物的数量，以及人和人之间的关系，都完美契合了提示词的要求。

而前一代产品，四张图无一例外地出现了6个甚至更多的人物，性别和年龄设定就更随意了。

内容和细节之外，可图2.0对提示词中的构图、光线和景别设定的响应，也变得更加精准。

一位盘着浅色毛衣发髻的绝美的东方女性背对镜头，倚坐在木质窗边的扶手椅上，手中的书本在自然光下泛着柔和的纸页光泽。她的姿态松弛而专注，浅色长裙垂落椅边，与窗外险峻的雪山形成奇妙呼应——远处峰峦正被夕阳染成熔金般的色彩，雪线与蓝天交界处泛起淡紫的暮霭，粗犷的自然景观透过玻璃窗框，化作室内暖色空间里一幅流动的油画。窗台上冒着水珠的玻璃瓶和摇曳的烛火，在木纹窗台投下细长的光影，昏暗的室内环境，极简，大面积留白，影视化构图，光影美学，梦核，迷惑，丰富的细节，逼真，忧郁，悲伤，朦胧，模糊，虚焦，逆光，摄影，宝丽来风格。

在翻译行业里，能否做到“信、达、雅”是衡量结果质量的常用标准，放到AI绘图当中，这套标准也同样适用。

因为AI绘图，也可以看作是从文本到视觉信息的一种“翻译”。

如果说对指令的遵循体现了“信”和“达”，那么可图2.0的“电影美学表现”，就是在向着“雅”的层次迈进。

来看实测效果。

电影质感，下午一位穿浅色衣服的亚洲男人站在路边打电话，前景有绿色汽车飞速驶过。光影柔和。参考《重庆森林》电影质感。

电影感，参考《赎罪》风格，树林里光线明暗交替，一个女生拿着花束，穿着法式绿色纱裙在树林中奔跑，她飘逸的卷发随风飞舞，中景，动态模糊。

可以看出，可图2.0在勾勒电影质感时，运用了更高级的色彩及光影，使得情绪表达更具感染力。

另外可图2.0也进行了多风格化响应，支持近百种风格，无论是古典还是现代、写实还是夸张、实拍还是动漫都能搞定，包括GPT-4o带火的吉卜力风也能生成。

白衣剑客动态姿势，丝质长袍飘动，剑锋直指前方。背景悬浮万剑阵列呈几何矩阵排列，冷钢质感伴随青蓝刃光。金色光粒子在气流中旋绕，柔和的体积光照。强烈明暗对比搭配轮廓光强化肌肉线条。纯黑虚空背景增强景深对比。超精细8K渲染，ZBrush级布料雕刻纹理，Octane金属反射材质。剑身雾气效果含次表面散射。构图融合天野喜孝幻想美学、Greg Rutkowski电影级打光与《剑灵》概念设计元素。

新海诚风格，穿着运动装的少女在霓虹闪烁的都市街道上疾速奔跑，飘动的长发掠过街边玻璃橱窗倒影，交通信号灯在暮色中切换成流动的光带，背包上的挂饰随着步伐晃动，柏油路面蒸腾着雨后水汽，广告牌与电子屏的光斑交织成迷离的背景光晕。

不仅模型，可图这次更新也增加了两大全新功能——风格转绘和图片编辑。

下面的这12张图，就是由同一张图片，搭配不同风格提示词，使用可图转绘而成的。

而图片编辑具体包括了局部重绘和扩图两个方面。

有了局部重绘，不仅可以对现实中的图像进行修改，当得到一张风格特别好但细节有瑕疵的图片时，也不用再从头开始“抽卡”了。

比如想要把前面展示的年夜饭照片中小男孩手里的魔方换成螃蟹，就可以框选或涂抹目标区域，然后提出修改要求，就可以等待成果了。

生成的结果是这样，完成了选中部分的重绘要求，同时未选择的部分没有任何变动。

在扩图功能中，既可以把自己的想法交给可图实现，也可以什么也不说，给定一个比例，让可图自行发挥想象。

△扩图结果，无提示词

当然，可图2.0的局部重绘和扩图并不局限于上面的传统用法，创作者可以充分发挥想象力，创造出别具一格的作品。

这里就用一个例子抛砖引玉，更多的玩法就交给创作者们自行探索了~

在可图模型和功能全面上新的背后，是可灵大模型团队做出的一系列技术创新。

首先是利用全新升级的文本表征处理链路，精准建模预训练文本到视觉表征的映射，这正是可图2.0语义遵循能力提升的关键。

可图2.0还采用了自适配图像Caption构建策略，显著提升了各阶段的学习效率。

此外，可灵大模型团队还在探索后训练阶段的Scaling Law，对数据体系和多样性进行了全面升级，并应用全新提示词工程和去噪策略，从而提升模型的表现力。

超越文本，AI创作的新方式

可图的升级，既是为了更好满足图像创作者的需求，也是为了给视频创作者提供更好的素材获取途径。

发布会上，快手副总裁、可灵AI负责人张迪介绍，在使用可灵生成视频的用户当中，有85%使用的是图生视频。

但其中涉及到的图片素材，不一定是拍摄或手绘而成，也可能包括生成结果。

相比于完全由文字生成视频，图片能够体现出文本无法精准描述的细节，从而让视频生成模型对目标的把控更加清晰。

因此，这种“曲线救国”的方式，可以降低视频生成结果的不确定性，减少试错成本，因此受到了用户的青睐。

这样看来，可灵AI团队不断打磨图像生成模型的目的，就显而易见了。

当然除了可图，视频生成模型可灵也进行了升级，针对之前指令遵循不好、动态效果不佳、美感缺乏的问题做出了全面升级。

可灵2.0对比谷歌Veo2的胜负比为205%，对比Sora的胜负比达367%，在文字相关性、画面质量、动态质量等维度上显著超越对手。

模型与产品升级之外，快手也在探索一种人与AI之间的新型交互方式。

快手高级副总裁盖坤表示，文字在表达影像信息时是不完备的，我们需要探索新的方式，才能让人真正精准地表达出心中所想。

所以在本次发布会上，可灵AI正式发布AI视频生成的全新交互理念——多模态视觉语言（Multi-modal Visual Language，MVL）。

MVL让用户能够结合图像参考、视频片段等多模态信息，将脑海中包含身份、外观、风格、场景、动作、表情、运镜在内的多维度复杂创意，直接高效地传达给AI。

基于MVL这一全新交互方式，可灵2.0大师版全面升级了视频及图像创作可控生成与编辑能力，上线了全新的多模态视频编辑功能。

加上之前已有的提示词优化、音效生成、对口型等一系列功能，快手已经初步构建出了从创意到视觉呈现的完整创作链路。

这不仅让专业创作者能够精准还原脑海中的艺术构思，更让普通用户通过“所见即所得”的交互逻辑释放创作潜能。

让每个人都能用AI讲出好故事

发布会上，盖坤再一次讲到了可灵的愿景——让每个人都能用AI讲出好故事。

自去年6月发布以来，可灵AI已累计完成超20次迭代，累计生成1.68亿段视频和3.44亿张图片素材。

在这一过程当中，可灵AI一直坚守初心，不断提升模型基础质量和模型效果，并引入更多创新功能，以满足用户的多样化需求。

包括可图和可灵2.0版本升级，以及MVL的提出，同样是在扫清“用AI讲好故事”的道路上的障碍。

可灵越来越完备的产品体系和工作链路，正在让AI创作变得愈加触手可得。

甚至为了帮助不懂提示词的纯小白用户完成创作，可灵还在Web和APP当中接入了经过专门为设计提示词而调整的DeepSeek模型，进一步降低了AI视频创作的门槛。

可灵的表现也获得了大佬的认可，比如马斯克早在去年八月就曾评论一则由可灵AI制作的内容,称“AI娱乐产业正飞速发展”。

到现在马斯克连夜关注官方账号，进一步说明可灵已经彻底打造出了国际口碑。

总之，快手正在用技术让影像创作回归本真——专业者能精准雕琢每个光影细节，普通人也可凭直觉编织动人故事。

当技术逐渐溶解专业壁垒，那些曾遥不可及的艺术表达，终将成为每个人记录世界的本能，让每个平凡瞬间都自带美学重量。

Read More