Reve 推出影像模型 Reve 2.0：用結構化佈局精準控制畫面

玩過生圖 AI 的人大概都遇到過這種崩潰瞬間：畫面一切都完美，你只想讓桌上的咖啡杯往左移兩寸，或者把外套換成藍色。結果改了下提示詞重新生成，人物的臉變了，背景的陽光也沒了。

初創團隊 Reve 覺得，問題根本不在生圖模型不夠聰明，而在我們跟 AI 溝通的媒介用錯了。現代生圖模型本質上是用大語言模型把簡短提示詞擴充成一大段文字，再交給擴散模型畫成畫素。但文字本身太模糊了，在視覺控制面前，模糊就是災難。

於是 Reve 押注了一個完全不同的思路：把英文描述扔掉，換成結構化的「佈局」（Layout）。他們以此打造了新模型 Reve 2.0。

把提示詞換成網頁程式碼

所謂的佈局，其實就像網頁的 HTML 或者向量圖的 SVG。在 Reve 2.0 的世界裡，畫面裡的每個元素都有固定的位置、尺寸、區域性描述，甚至還帶著顏色和參考圖等屬性。

這種結構化的框架把「語義意圖」和「畫素渲染」徹底分開了。AI 不用再去猜一句話裡哪個詞代表哪塊畫面，使用者和 AI 之間也有了一個通用的程式碼化介面。你可以繼續用自然語言下指令，也可以直接手動去改佈局結構裡的引數。

為了處理這種佈局，Reve 沒有直接套用現成的擴散模型套件，而是打造了一個「統一大型佈局模型」（Large Layout Model）。他們基於開源的 Qwen 模型進行持續預訓練和後訓練，讓模型學會關於佈局的空間推理能力。

整個資料處理管線基於數十億張圖片構建，底層靠密集的真人標註起步。模型在接收佈局、指令或圖片後，會先在內部思考鏈路裡生成佈局，最後才渲染出畫素。

用十分之一的算力以小博大

訓練大模型向來是萬億美元巨頭的燒錢遊戲，但 Reve 宣稱，Reve 2.0 是市值低於一萬億美元的公司裡做出的最強生圖模型，而且訓練使用的 GPU 數量比競爭對手少了十倍。

他們的消融實驗顯示，在同等模型大小下，基於佈局的模型表現全面優於傳統的提示詞生成器。

最直觀的差異在於影像重建。單純靠純文本提示詞，不管寫得多詳盡，最後渲染出的畫面一定會和原圖走樣。但佈局模型完全不需要輸入任何畫素，只要增加劃分的區域數量，重建細節就會持續提升。而且這種能力延伸到了區域性編輯上，當有原始畫素作為輸入時，佈局能直接指哪改哪。

Reve 還發現，縮放定律在佈局模型上依然成立。除了模型本身做大質量會變好，增加模型輸出的區域數量，就等於擴充了它的視覺思考上下文，成圖質量也會隨之提高。

為什麼重要

對日常做圖的創作者和開發者來說，Reve 2.0 切中了目前生成式 AI 最讓人頭疼的痛點：不可控。過去做商業設計或者插畫，沒人敢全流程依賴 AI，因為甲方的每一次區域性微調都會演變成重新抽卡。如果結構化佈局能夠普及，設計師就能像操作排版軟體一樣精準鎖定背景和人物，只對特定圖層下指令，這會大幅降低 AI 在嚴肅生產流裡的試錯成本。

對整個行業而言，Reve 的做法證明了一件事：在萬億巨頭大打算力戰的時候，改寫中間表示層依然可以帶來降維打擊。當所有人都試圖用更長更復雜的文本去馴服擴散模型時，把生圖邏輯抽象成類似程式合成的程式碼結構，看起來是效率更高的一條路。他們感謝並依託阿里開源的 Qwen 來做空間推理，也再次驗證了高質量開源底模在垂直創新上的爆發力。

不過，我們認為這種方案並非沒有隱患。結構化佈局雖然精確，但也給普通使用者帶來了更高的互動門檻。如果每一次微調都需要編輯複雜的屬性引數，或者需要一套極為精密的視覺互動前端來配合，輕量級使用者很可能會覺得它不夠自然、太像在寫程式碼。Reve 最終能不能把這種技術優勢轉化為產品壁壘，很大程度上取決於他們能不能把這套底層的程式邏輯，包裝成一個足夠傻瓜的操作介面。