作者丨李娜
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人们的认知。但当这些图片真正被用于海报、广告这些商业场景时仍会面临文字能否准确呈现、局部修改是否能保留原有设计等问题。
这些看似不起眼的要求,至今仍是图像模型的难题。
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,仍然存在明显短板。
也正是在这个阶段,以视频生成出圈的可灵在今天推出了 Kling Image 4.0。
Kling Image 4.0 生成
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。
这一次,可灵显然不只想把图片做得更漂亮,也希望让模型处理更复杂的创作要求。
我们从最直观的人像写真开始试试 Kling Image 4.0 的能力,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?
从写真到创意海报
Kling Image 4.0 的生图能力有多强?
这次体验 Kling Image 4.0,最让我们意外的还是它生成图片的真实质感。我们尝试了几张人像写真,无论是人物的皮肤纹理、细节,还是户外的光影投射,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。
不过,写真主要考验模型对人物和真实场景的还原。如果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。
最近,芒果卫视里一档综艺里嘉宾许飞和厉娜的一段对话,意外让“画地为牢”成了互联网的新流行语。我们决定让 Kling Image 4.0 也赶一次热闹。
相比普通的文字海报,“画地为牢”其实是个很适合视觉设计的题目。它既有明确的文字内容,又包含可以被画面表达的意象。可以看到最终生成的作品颇有芒果台综艺宣传海报的感觉:半圆形的海面构图、清冷疏离的色调、包括文字排版设置、艺术字体的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。我们试了修改海报文字内容并补充一行副文案,原来的海报中只改变了我们要求的文字,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。艺术字设计就要比正确写出汉字更进一步。
比如我们做的下面做的这张的夏日露营海报,艺术字体和场景融合的非常自然,从场景、配色到标题设计都有了相当完整的成品感,稍加检查和调整,就可以用作一张活动宣传图。字体本身就可以成为画面的一部分,可以与云层、海浪和其他视觉元素发生联系。对于模型而言,这要求它同时处理文字内容、空间位置与视觉风格之间的关系。
除了这种字数不多的创意海报,Kling Image 4.0 还宣称支持单张图片最多 2000 字。短标题更考验字体和创意,长文本则更考验文字准确性、信息层级和排版能力。我们也将在后面的商品详情页中,继续观察它处理更复杂图文内容的表现。
五元烤红薯的新品发布会
AI 连文案都想好了
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、在详情页里如何展示内容、图文搭配的顺序排布这些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,新模型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。
我们选了一件再普通不过的商品:烤红薯。我们希望 Kling Image 4.0 以这张照片为基础,为一款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。
提示词:请根据我上传的真实烤红薯照片,为这块售价 5 元的普通烤红薯设计一张具有国际顶科技品牌(如苹果)新品发布会质感的完整电商详情页长图。
模型交出的结果,倒还真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了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,而是继续延伸出了不同类型的页面: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。
仔细回看提示词只有简单的一句话,更没有提供完整的商品信息。模型却主动补上了要求它设计的品牌名称、广告语等信息,并把它们组织成了一套风格统一的视觉作品。
这也是这次测试中最让我们意外的地方。
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,文字排版等信息。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。但这次,我们提供的只有一张照片和一个相对笼统的目标。至于更加详细的视觉内容,Kling Image 4.0 已经能够自行完成相当一部分构思。
这背后还有一个值得关注的变化: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,这种能力有相当直接的价值。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,生成结果还有一些可以完善的地方。例如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。不过从整体效果看,Kling Image 4.0 已经展示出了相当完整的商业图文组织能力。相比单纯生成一张商品美图,它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。
从一张图到一组图
AI 开始学习如何讲故事
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。按照官方介绍,新模型最多可以一次生成十张相互关联的图片。
我们选取了电影《燃烧女子的肖像》的一张剧照作为参考,让模型围绕两位女性在海边重逢、烧掉一封未寄出的信件的故事,自行生成一组电影分镜。
电影《燃烧女子的肖像》剧照
从结果来看,模型已经能够组织出一段相当完整的视觉叙事。
生成的10张电影分镜照片截取
这一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的展开。尤其是从递信到信封特写,再到人物表情的切换,已经有了比较明确的镜头组织意识。
故事从一张海岸两人的远景开始,后面再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;到了第四张,画面切换为人物面部低头看着手中的信的特写;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。
另外,生成的这组图片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了延续,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。
当然,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。不过,对于这次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。
(我们让Kling Image 4.0 生成的一组动画分镜)
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,准确地传达给摄影师、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。
这和我们这次测试的场景很像,Kling Image 4.0 仅凭故事梗概和一张参考图,就完成了第一轮分镜构思。它更像一个可以拿来进行后续创作讨论的起点。斯科塞斯说的“让团队更快地理解和讨论”,大概也是这个意思:模型先把脑海里的画面变成可以指认的东西,真正的判断和修改,仍然在创作者手里。
在生成之后
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:一种是理解用户的意图,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。
Kling Image 4.0 的技术升级,可以放在这里理解。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。

