当 Kling Image 4.0 自己出设计方案,生图的门槛又变了!

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。(雷峰网(公众号:雷峰网))

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?

01

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。

02

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。

03

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。

04

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。

点击 关键词 查看对应实测内容

月之暗面 Kimi

Kimi K3丨Kimi K2.6 
Kimi K2.7 Code

智谱 GLM

GLM 5.3 Flash
GLM5.3丨GLM 5.2

GLM 5.1 vs DeepSeek V4 Pro vs Kimi K2.6 vs Qwen 3.7 Max vs MiniMax M3

深度求索 DeepSeek

DeepSeek V4 Pro
DeepSeek Harness 插件社区
DeepSeek V4 Pro & Harness

阿里 Qwen

Qwen 3.8 Max丨Qwen 3.8 Flash
Qwen 3.7 Max丨Qwen 3.6 Plus

字节跳动

豆包2.1 Pro
Seedance 2.5 vs 可灵 3.0
Minimax H3 vs Seedance 2.0 Fast
WorkBuddy vs 豆包工作 vs 千问办公
更多测评

点击查看更多30篇测评

雷峰网原创文章,未经授权禁止转载。详情见转载须知。

内容来自 雷峰网,版权归原作者所有。

阅读原文 ↗

用 HomepageTab 新标签页关注 RSS,打开浏览器就能看到更新。

安装 HomepageTab