Reve 2.1 发布：在 Arena 文本到图像排行榜上排第二，训练算力仅为竞品十分之一

Reve 在 7 月 9 日把图像模型迭代到了 2.1 版。

距离 2.0 发布刚好一个月，放在基础模型圈子这不算常见。

这家公司目前 60 人左右，

在 Arena 文本到图像排行榜上排第二，

前面只挡着一个 OpenAI 的 GPT Image 2。

视觉智能和世界知识的快速飞跃。

画面里物体之间的空间关系比之前合理，外语文字的渲染也明显上了个台阶。

以上全部跑在原生 4K 分辨率下，1600 万像素。

另外官方说：

「训练这版模型用的算力不到排行榜前后邻居的十分之一」。

Reve 跟其他图像模型最大的区别不在模型本身，在于中间多了一层东西。

主流做法是你给文字，模型出像素，中间是黑盒。

Reve 在文字和像素之间插了一个「布局」层。

模型先把提示词转成一张施工图，

图里每个物体、每段文字、每个区域都有精确的坐标和属性描述，

然后再根据这张图渲染成图像。

你可以在渲染前改施工图，拖拽、删减、调属性都行，改完模型把新图跑出来。

这个思路是从写代码借过来的。

Reve 团队在博客里自己说的：

不写代码直接编译一个应用程序会很蠢，过程中你看不到任何东西，改不了，出了问题只能重新来。

生成图像是同一个道理。他们赌的就是布局这层中间件，让图像不只是像素，而是可读可改的结构。

Reve 第一次露面是 2025 年 3 月，当时叫 Halfmoon。

它在 Artificial Analysis 图像排行榜上匿名跑了几天，拿了第一，打掉了一串成名模型，大家才开始打听这是谁做的。

答案是 Palo Alto 一家小公司，十来个人，三个技术创始人都从 Adobe 出来的：

Christian Cantrell 做产品，Michaël Gharbi 做生成图像研究，Taesung Park 做图像翻译。

后面的迭代一直没有停。

9 月加了拖拽编辑器和 API，10 月上了专用的图像编辑模型，今年 2 月 v1.5 实现了原生 4K。

6 月的 2.0 版算是布局优先架构的完整版，Arena 上 Elo 比上一代涨了 125 分，直接到了第二。

7 月的 2.1 在这个基础上又推了一把，

从 1270 到 1306，和第三名 Muse Image 的差距拉到了将近 30 分。

布局架构真正好用的地方是编辑。

生成完一张图，Reve 会自动把画面拆成一个个可拖拽的区域，每个区域对应一个物体。

你把左边的人拖到右边，模型只重绘你动过的那一块；

把「银色的叉子」改成「金色的叉子」，也只改叉子，周围的光影和空间关系不动。

这在别的模型上很难做到，通常你改一处全局都得重新生成。

文章来自于微信公众号 “AI档案室”，作者 “AI档案室”