快手旗下可灵于今日正式发布图像模型 Kling Image 4.0。据官方介绍,新模型将原生分辨率提升至 8K,单张图片最多支持 2000 字文本,并能一次生成最多 10 张相互关联的图片。更关键的变化在于架构:Kling Image 4.0 采用理解与生成统一的自回归架构,试图让模型在同一上下文中同时处理图像理解与生成任务。
这一升级的背景是,AI 生图在真实感、分辨率和光影上已相当成熟,但进入海报、广告等商业场景后,文字准确呈现、局部修改保留原设计等要求仍是普遍短板。今年 3 月,微软研究院发布商业视觉生成评测 BizGenEval,用 400 条提示词和 8000 道检查题测试主流模型,发现模型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上仍有明显不足。可灵此次升级,正是冲着这些商业设计中的硬需求而来。
从实测看,Kling Image 4.0 的人像写实质感已接近真实摄影,皮肤纹理与户外光影投射较为自然。这种真实感甚至开始影响摄影行业:今年 4 月,Vogue 杂志采访的一些商业摄影师提到,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画面。
海报场景更能体现 4.0 与上一代的差距。3.0 已具备局部重编辑能力,4.0 把控制粒度做得更细:用户可以直接选中图片中已有的文字进行修改,也可以往已有画面里增加新文字,而模型只改动指定文字,不重绘其他图层。字体控制也从依赖提示词描述风格,变为更工具化的方式——内置 70 多款预设字体可直接选用,还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生成。对于艺术字海报而言,字体本身成为画面的一部分,需要模型同时处理文字内容、空间位置与视觉风格的关系。
商品详情页是另一个被强化的方向。新模型支持更复杂的图文混合排版,单张图片最多容纳 2000 字,可一键制作电商详情长图。在一次以普通烤红薯照片为基础的测试中,仅给出一句笼统提示,模型便自行补上了品牌名称、广告语,并延伸出展示食用场景、讲述产品来源、整理保存复热方法等多张风格统一的页面。这意味着 AI 开始熟悉商业设计的表达方式:过去需要分别准备产品照片、文案和版式,现在可以先由一句自然语言生成一套视觉方案,再按需调整。对于没有专业设计团队的小商家或需要快速产出营销素材的运营人员,这种能力有直接价值。当然,生成结果仍有可完善之处,例如部分说明性小字清晰度不如大标题,模型自行补充的产地和产品信息不一定准确。
系列组图能力也进一步强化。Kling Image 3.0 已支持连续组图,4.0 则提升多图之间的主体和场景一致性,最多一次生成 10 张相互关联的图片。在以电影《燃烧女子的肖像》剧照为参考、围绕两位女性海边重逢并烧掉未寄出信件的故事生成分镜的测试中,模型主动使用了远景、中景、特写等不同景别,从海岸远景、递信中景、信封特写、人物面部特写,到篝火出现后的远景收尾,呈现出较明确的镜头组织意识,整组图片的暗色服装与火光氛围也保持统一。不过人物面部在不同镜头间仍有细微变化,个别动作衔接不够自然。对于影视前期创作、漫画分镜或品牌广告策划,这类能力可作为第一轮视觉草案的起点。今年 6 月,导演马丁·斯科塞斯在接受《纽约时报》采访时提到,自己画了约 70 年分镜,如今可以先用图像模型把脑海中的画面做出来,让团队更快理解和讨论。
从技术层面看,可灵称新模型通过最高 15K Token 的指令处理能力、结构化视觉语法和 Agentic 任务规划能力来应对复杂创作要求。这些能力最终指向两个方向:当用户想法模糊时,模型能替人补全尚未想清楚的部分;当设计已经明确时,模型能严格按指令执行、尽量不干扰已确定的内容。同类趋势也在其他工具上出现——Adobe 今年 11 月推出新的创意 Agent 和设计工具,试图把构思、生成和修改放进同一工作环境;可灵 10 月发布的视频 4.0 也强调多关键帧、参考素材和镜头控制。
对可灵而言,图像升级背后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%。视频生成已带来可观收入,但商业化走到这一阶段,问题变成如何让用户从偶尔生成一段视频,转为持续在平台上完成创作。图片模型补上的正是视觉设计与编辑环节:一张惊艳的图片或视频决定用户为何第一次打开可灵,而能否接住从灵感到成品的全过程,才可能决定他们为何一直使用。