作者 ｜ 董道力
郵箱 ｜ dongdaoli@pingwest.com

在大模型的進化路徑上，多模態(tài)往往是層層遞進的過程：從文字，到圖片，再到視頻、空間，直至“一切”。每往前一步，都意味著數(shù)據(jù)維度的指數(shù)級擴展、算力的成倍消耗，以及訓(xùn)練難度的急劇攀升。

從這個角度看，視頻生成被視為“皇冠上的明珠”，因為它不僅要求單幀畫面過關(guān)，還必須在時序上保持連續(xù)和自然。能做出高質(zhì)量視頻的團隊，往往也能在圖像層面有強大積累。

因此，當(dāng) Vidu 在視頻生成領(lǐng)域頻頻被關(guān)注時，人們自然會聯(lián)想到：如果它能生出流暢的視頻，那么在靜態(tài)圖像領(lǐng)域，會不會直接形成“降維打擊”？

9 月 9 日，生數(shù)科技正式上線了「參考生圖」功能。這是 Vidu 體系在視頻之外的又一次延展。不同于常見的“輸入文字 → 輸出圖片”的方式，Vidu 引入了參考圖機制：用戶不僅能用文字描述需求，還能上傳多張參考圖，作為模型生成的依據(jù)。

對 AI 生圖來說，最大的不確定性往往在于“跑偏”：人物換臉時五官崩塌、產(chǎn)品換殼后比例失衡、跨風(fēng)格融合時違和感強烈。增加參考圖，就像給模型多加了幾條“護欄”，不僅能約束生成結(jié)果，還能讓 AI 理解更多語義、細(xì)節(jié)和風(fēng)格。

實測 vidu「參考生圖」

我們對 Vidu 進行了多輪測試，涵蓋了從娛樂性“玩梗”到實際的電商場景。

參考數(shù)量“天花板”

在參考數(shù)量上，Vidu 允許一次上傳多達7 張參考圖，而業(yè)內(nèi)普遍支持的只有 1–3 張，在復(fù)雜場景下卻是決定性優(yōu)勢。

用 VIdu 開發(fā)人員的話來說：多參考生圖的關(guān)鍵在于不僅要理解每個主體中的每個細(xì)節(jié)，對于圖片每個元素有著原子式的理解，能保持更多主體每個特征的一致，還要理解整個主體，理解每個主體之間的關(guān)系。

任務(wù) 1：同類素材融合

我上傳了 4 張運動員照片（籃球與足球的“詹庫連線”）。成品中，球員神態(tài)自然，衣服顏色、隊徽、裝飾元素都大體還原。雖然個別地方有 bug，比如“6”被識別成了 “s”，但考慮到只用到單角度圖片，表現(xiàn)已屬不俗。

在對比其他產(chǎn)品時，差異立竿見影。很多平臺在 2 張圖之后就開始“力不從心”：要么強行把人物拼接在畫布邊角，要么直接舍棄某些參考元素。而 Vidu 可以同時“消化”多元素，在構(gòu)圖時保持自然。

任務(wù) 2： 跨類型素材融合

進一步嘗試跨類型組合。比如上傳馬斯克頭像、機器人參考素材。Vidu 能較好地保持馬斯克的神態(tài)，還能讓人物和機器人擺放到提示要求的位置。雖然最終畫面略顯僵硬，但邏輯是成立的。

跨類型組合幾乎是實際生產(chǎn)中最常見的需求。廣告主往往希望把品牌、人物、場景和商品糅合在一張圖里，傳統(tǒng)方法要么靠攝影棚，要么靠 PS 美工，而 Vidu 的“多參考”機制為此提供了新的路徑。

電商海報神器

任務(wù) 3：電商海報

電商運營最頭疼的，就是“只有一張裸圖”。節(jié)日海報、主題促銷、活動宣傳都需要大量素材，但預(yù)算有限、時間緊張時，只能硬著頭皮湊。

在 Vidu 里，只要上傳單一產(chǎn)品，再加上幾個關(guān)鍵詞，就能生成頗具創(chuàng)意的海報。比如上傳一張月餅照片，再輸入“兔子、花燈、月球”。生成結(jié)果不僅畫面完整，還細(xì)致到陰影邏輯：月餅下方有光影，兔子腳下的燈籠也能投射出柔和的影子。

對 AI 生圖來說，“影子”往往是最難的細(xì)節(jié)，很多工具即便生成出漂亮的畫面，也常常忽略光影關(guān)系，讓成品顯得虛假。而 Vidu 在這一點上的表現(xiàn)，說明其底層空間理解能力已經(jīng)達到較高水準(zhǔn)。

任務(wù) 4：給模特?fù)Q產(chǎn)品，給圖片加包裝

做電商的同學(xué)經(jīng)常會遇到一個場景，模特已經(jīng)拍好圖，但手里拿的不是最新款產(chǎn)品。要重新拍攝，成本和時間都很高。

在 Vidu 中，我們嘗試讓模特保持動作，僅替換手中的手機。第一次測試結(jié)果不理想，模特姿勢總有變化。但當(dāng)輸入更明確的參考圖時，AI 可以基本維持動作，順利替換產(chǎn)品。

我們再來看一下產(chǎn)品細(xì)節(jié)，可以看到，“SONY”“XPERIA”等品牌文字，以及閃光燈位置都被精確復(fù)制，幾乎沒有偏差。唯一的小瑕疵是顏色較淡的 NFC 標(biāo)志被識別錯誤。

在這一點上，Vidu 已經(jīng)接近實用級別，它或許還不能完全替代拍攝，但能大幅縮短修改流程，降低成本。

任務(wù) 5：元素跨界融合

跨界做海報也是電商常見的需求，但往往會遇到跨的步子太大導(dǎo)致風(fēng)格不統(tǒng)一等問題。

比如你有一張李白的復(fù)古圖片，想要讓他拿著產(chǎn)品，很可能會導(dǎo)致突兀。但在 vidu 這你只需要明確畫風(fēng)就能將二者很好的融合。

AI 生圖也有上下文

如果說「參考生圖」是解決“單張圖如何變得更合理”的問題，那么「主體」功能則把問題往前推了一步：如何在多張圖、多場景中保持同一個角色的一致性。

在 Vidu 的設(shè)計里，用戶可以上傳 1–3 張同一人物、物體或場景的照片，系統(tǒng)會為其建立一個“主體檔案”。這意味著，你不僅能臨時參考幾張圖片，還能在之后的所有生成任務(wù)中，持續(xù)調(diào)用這個角色。

為什么這很重要？因為一致性，向來是 AI 生圖最大的痛點。過去生成十張圖，模特的臉型可能有十種版本，產(chǎn)品的細(xì)節(jié)每次都走樣。主體功能的出現(xiàn)，就像在 AI 的記憶里安了一卷底片，讓角色有了穩(wěn)定的身份。

對于電商商家來說，這意味著：一次上傳模特，就能在圣誕海報、中秋海報、夏季促銷圖中反復(fù)復(fù)用；對于內(nèi)容創(chuàng)作者來說，則是虛擬 IP 的長線運營基礎(chǔ)，一個角色能跨越無數(shù)作品保持統(tǒng)一風(fēng)格。

從“參考”到“主體”，Vidu 的邏輯已經(jīng)不再是“幫你生一張圖”，而是悄然在構(gòu)建一個數(shù)字資產(chǎn)庫：每個人物、每個產(chǎn)品都可以被召回、被復(fù)用。這不只是生成，更是內(nèi)容工業(yè)化流水線的開端。

從功能到產(chǎn)業(yè)

Vidu 的「參考生圖」與「主體」功能，正在把 AI 生圖從“好玩”推向“好用”。它不僅滿足了用戶的娛樂性需求，更切中電商、廣告、內(nèi)容創(chuàng)作等行業(yè)的實際痛點：一致性、效率和成本。

過去，品牌要為一次節(jié)日營銷臨時組織拍攝，動輒花費數(shù)十萬；如今，運營團隊只需上傳幾張參考圖，就能在數(shù)小時內(nèi)完成一整套物料。對于設(shè)計師而言，這不是替代，而是擴展——讓他們可以把精力放在創(chuàng)意與策略上，而非機械性的重復(fù)勞動。

從行業(yè)視角看，這意味著電商內(nèi)容生產(chǎn)正進入一個新的階段：素材資產(chǎn)化，創(chuàng)意流水線化。在這個階段，AI 工具不再只是輔助，而是成為基礎(chǔ)設(shè)施。誰能率先掌握這類工具，誰就能在激烈的市場競爭中贏得先機。

Vidu 正在提供這樣一種可能性：讓企業(yè)把有限的資源投入到品牌和創(chuàng)意價值上，把重復(fù)性的執(zhí)行交給 AI。對于一個內(nèi)容消耗速度日益加快的時代，這可能正是下一輪增長的關(guān)鍵。