Reve 推出图像模型 Reve 2.0：用结构化布局精准控制画面

玩过生图 AI 的人大概都遇到过这种崩溃瞬间：画面一切都完美，你只想让桌上的咖啡杯往左移两寸，或者把外套换成蓝色。结果改了下提示词重新生成，人物的脸变了，背景的阳光也没了。

初创团队 Reve 觉得，问题根本不在生图模型不够聪明，而在我们跟 AI 沟通的媒介用错了。现代生图模型本质上是用大语言模型把简短提示词扩充成一大段文字，再交给扩散模型画成像素。但文字本身太模糊了，在视觉控制面前，模糊就是灾难。

于是 Reve 押注了一个完全不同的思路：把英文描述扔掉，换成结构化的「布局」（Layout）。他们以此打造了新模型 Reve 2.0。

把提示词换成网页代码

所谓的布局，其实就像网页的 HTML 或者矢量图的 SVG。在 Reve 2.0 的世界里，画面里的每个元素都有固定的位置、尺寸、局部描述，甚至还带着颜色和参考图等属性。

这种结构化的框架把「语义意图」和「像素渲染」彻底分开了。AI 不用再去猜一句话里哪个词代表哪块画面，用户和 AI 之间也有了一个通用的代码化接口。你可以继续用自然语言下指令，也可以直接手动去改布局结构里的参数。

为了处理这种布局，Reve 没有直接套用现成的扩散模型套件，而是打造了一个「统一大型布局模型」（Large Layout Model）。他们基于开源的 Qwen 模型进行持续预训练和后训练，让模型学会关于布局的空间推理能力。

整个数据处理管线基于数十亿张图片构建，底层靠密集的真人标注起步。模型在接收布局、指令或图片后，会先在内部思考链路里生成布局，最后才渲染出像素。

用十分之一的算力以小博大

训练大模型向来是万亿美元巨头的烧钱游戏，但 Reve 宣称，Reve 2.0 是市值低于一万亿美元的公司里做出的最强生图模型，而且训练使用的 GPU 数量比竞争对手少了十倍。

他们的消融实验显示，在同等模型大小下，基于布局的模型表现全面优于传统的提示词生成器。

最直观的差异在于图像重建。单纯靠纯文本提示词，不管写得多详尽，最后渲染出的画面一定会和原图走样。但布局模型完全不需要输入任何像素，只要增加划分的区域数量，重建细节就会持续提升。而且这种能力延伸到了局部编辑上，当有原始像素作为输入时，布局能直接指哪改哪。

Reve 还发现，缩放定律在布局模型上依然成立。除了模型本身做大质量会变好，增加模型输出的区域数量，就等于扩充了它的视觉思考上下文，成图质量也会随之提高。

为什么重要

对日常做图的创作者和开发者来说，Reve 2.0 切中了目前生成式 AI 最让人头疼的痛点：不可控。过去做商业设计或者插画，没人敢全流程依赖 AI，因为甲方的每一次局部微调都会演变成重新抽卡。如果结构化布局能够普及，设计师就能像操作排版软件一样精准锁定背景和人物，只对特定图层下指令，这会大幅降低 AI 在严肃生产流里的试错成本。

对整个行业而言，Reve 的做法证明了一件事：在万亿巨头大打算力战的时候，改写中间表示层依然可以带来降维打击。当所有人都试图用更长更复杂的文本去驯服扩散模型时，把生图逻辑抽象成类似程序合成的代码结构，看起来是效率更高的一条路。他们感谢并依托阿里开源的 Qwen 来做空间推理，也再次验证了高质量开源底模在垂直创新上的爆发力。

不过，我们认为这种方案并非没有隐患。结构化布局虽然精确，但也给普通用户带来了更高的交互门槛。如果每一次微调都需要编辑复杂的属性参数，或者需要一套极为精密的视觉交互前端来配合，轻量级用户很可能会觉得它不够自然、太像在写代码。Reve 最终能不能把这种技术优势转化为产品壁垒，很大程度上取决于他们能不能把这套底层的程序逻辑，包装成一个足够傻瓜的操作界面。