Canvas Craft plant das Poster, bevor es malt

Canva hat diese Woche sein erstes eigenes Bildmodell ausgeliefert, und der Pitch ist ein Satz, den die meisten Bildmodelle nicht sagen können: Es schreibt erst einen Plan, bevor es irgendetwas zeichnet.

Das Modell heißt Craft. Entwickelt von Canva Research, trainiert auf der eigenen Bibliothek menschlich gestalteter Templates, verfügbar für alle Canva-Nutzer und über die öffentliche API. Es generiert mit bis zu 2K in mehr als 30 Seitenverhältnissen und rendert Text in 55 Sprachen.

Der zweistufige Aufbau ist die Substanz. Ein Planungsmodell liest den Prompt und schreibt einen detaillierten Kompositionsplan: welche Elemente vorkommen, wie sie zueinander stehen, ihre relative Größe, die visuelle Hierarchie und jeder Text, den das Bild braucht. Ein separates Rendering-Modell macht daraus Pixel. Weil der Plan strukturiert ist, können Nutzer laut Canva ein einzelnes Element ändern, ohne dass sich der Rest des Bildes bewegt.

Wer schon einmal ein Poster mit einem allgemeinen Bildmodell generiert hat, weiß, warum das zählt. Man fragt nach einer Überschrift, drei Icons und einem Produktfoto unten rechts. Man bekommt etwas, das nach allen dreien aussieht, fast richtig angeordnet, mit falsch geschriebener Überschrift und Icons, die auf leicht unterschiedlichen Höhen schweben. Die Komposition war nie wirklich eine Entscheidung des Modells. Sie war ein Nebeneffekt des Samplings.

Was die Trainingsdaten ändern

Die meisten Bildmodelle werden überwiegend auf Fotografien trainiert. Crafts Trainingsset enthält Millionen von Templates für Poster, Social-Posts, Präsentationen, Infografiken, Speisekarten und Layouts, in denen Text der Zweck ist und nicht ein dekoratives Element.

Das ist ein echter Unterschied im Prior. Ein auf Fotos trainiertes Modell hat Milliarden Bilder gesehen, in denen Text auf Schildern, Verpackungen und Displays auftaucht – meist klein, oft unscharf, selten das Hauptmotiv. Ein auf Templates trainiertes Modell hat Millionen Bilder gesehen, in denen die typografische Hierarchie der ganze Grund für das Bild ist. Wenn deine Aufgabe eine Speisekarte oder eine Kursankündigung ist, sind das nicht dieselben Startbedingungen.

Die Rankings, mit Vorsicht gelesen

Canva sagt, Craft sei auf DesignArena auf Platz vier gestartet; das Unternehmen beschreibt die Plattform als größten crowdsourcten Bewerter für KI-Design. Außerdem habe Craft Platz eins bei People and Portraits erreicht (von 87 Modellen) und Platz eins bei Landscapes and Nature (von 85), Platz zwei bei Abstract and Patterns, Platz vier bei Products. Und das mache Canva Research zum weltweit zweitfortschrittlichsten Labor für Bildgenerierung.

Der letzte Satz leistet mehr, als die Daten tragen. Platz vier insgesamt plus zwei Kategoriensiege ist ein starkes Debüt für ein erstes Modell. Das Labor als weltweit zweites zu bezeichnen, ist eine Aussage über Labore und nicht über ein Modell, und DesignArena ist nicht dieselbe Arena wie die Text-to-Image-Ranglisten, die die meisten zitieren. Nimm die zwei Kategoriensiege als den aussagekräftigen Teil. Porträts und Landschaften sind genau die Bereiche, in denen man bei template-trainierten Modellen Schwächen erwarten würde – sie zu gewinnen ist die Überraschung.

In Canvas Methodik steckt außerdem ein Detail, das man zitieren sollte, weil es ungewöhnlich ist: Designer haben mit Forschern zusammengearbeitet und mehr als 25.000 Bildpaare in direkten Vergleichen gegen andere Modelle bewertet, und wenn automatisierte Auswertungen dem menschlichen Urteil widersprachen, stellte sich das Unternehmen auf die Seite des Designers. Ob man den resultierenden Zahlen traut oder nicht: Das ist eine offengelegte Regel für Stichentscheidungen, und davon gibt es in den meisten Launch-Posts keine.

Warum die Planungsstufe auch ein Tempotrick ist

Neben der Qualität bringt die Architektur Canva etwas, das ein gerades Diffusionsmodell nur schwer bekommt: Die teure Denkarbeit passiert einmal, im Text, und die Rendering-Stufe lässt sich hart destillieren.

Canva sagt, man habe mit Modelldestillation die Inferenzschritte auf einen Bruchteil reduziert und für die Planungsstufe eine eigene Inferenz-Engine gebaut, die Craft eine Größenordnung schneller mache als die erste interne Version. Außerdem kündigt das Unternehmen zwei Varianten an, Craft-fast und Craft-ultrafast, zu einem Bruchteil der Kosten führender Frontier-Modelle.

Der Skalenkontext erklärt die Dringlichkeit. Canva sagt, mehr als eine Viertelmilliarde Menschen nutzen die Plattform und erzeugen über 400 Designs pro Sekunde. Bei diesem Volumen ist ein Modell, das 20 Prozent besser, aber doppelt so teuer pro Bild ist, ein Geschäftsproblem und kein Feature.

Wo es aufhört

Die Liste dessen, was Craft noch nicht kann, ist informativer als die Feature-Liste. Canva sagt, künftige Versionen sollen Kleingedrucktes und technische Zeichnungen besser hinbekommen, und fortgeschrittenere Bearbeitung sowie Referenzbilder sollen folgen.

Das heißt: vorerst keine Referenzbilder. Kein „setz dieses Produkt in diese Szene“. Kein Abgleich mit einem vorhandenen Marken-Asset. Für ein Modell, das an Marketing und E-Commerce verkauft wird, ist das Fehlen von Referenzbildern die größte Einschränkung, weil die meisten kommerziellen Arbeiten bei etwas beginnen, das schon existiert: ein Produktfoto, ein Logo, eine Person.

Die Brücke, die Canva stattdessen anbietet, sind Magic Layers: ein generiertes Bild wird in bearbeitbare Designelemente innerhalb von Canva zerlegt. Das ist eine kluge Antwort auf ein echtes Problem. Wenn das Modell dein Produktfoto nicht als Eingabe nehmen kann, lässt sich wenigstens die Ausgabe auseinandernehmen und darum herum neu zusammensetzen. Es ist ein Workaround – und es ist der Workaround, den die meisten Designer heute schon von Hand in drei anderen Tools machen.

Für wen das gedacht ist

Wer ohnehin in Canva arbeitet, bekommt mit Craft fast ein kostenloses Upgrade, und Sprachen plus Seitenverhältnisse sorgen dafür, dass die meisten Social- und Printformate ohne Nachskalieren passen. Der MCP-Server ist aus einem anderen Grund relevant: Er erlaubt einem Agenten, ein Bild als einen Schritt in einer größeren Aufgabe zu erzeugen – und so wird ein großer Teil der Marketingarbeit heute tatsächlich zusammengesetzt.

Es gibt einen Effekt zweiter Ordnung der Planungsstufe, den Canva nicht bewirbt und der mehr zählt als jede Platzierung auf einer Rangliste: Ein Plan ist bearbeitbar, ein Latent nicht. Sobald die Komposition als strukturierte Beschreibung vorliegt, lassen sich Markenregeln auf diese Beschreibung anwenden statt auf die Pixel. Logo unten rechts, minimale Versalhöhe, zwei Markenfarben plus Schwarz. Das sind Vorgaben, die man einem Planungsmodell sagen kann. Ein Diffusionsmodell kann man nur höflich bitten.

Es ist dasselbe Argument, das Adobe für template-getriebene Generierung vorbringt, und der Grund, warum ein Designunternehmen, das ein Modell ausliefert, ein anderes Ereignis ist als ein Labor, das eines ausliefert. Canvas Burggraben ist nicht der Checkpoint. Es sind die Millionen Templates und das Brand Kit, das jeder seiner Nutzer schon ausgefüllt hat.

Wer fotorealistische Produktrenderings braucht oder ein bestimmtes Objekt in eine bestimmte Szene setzen muss, hat hier noch nicht das richtige Werkzeug. Canva sagt, Referenzbilder kommen. Bis dahin ist Craft genau dort am stärksten, wo seine Trainingsdaten am stärksten sind: bei Layouts, in denen die Wörter das Design sind und das Layout beim ersten Versuch sitzen muss.

Was, wenn Canvas gesamtes Geschäft Layouts sind, kein Zufall ist. Es ist der am besten zu verteidigende Ort, an dem ein Designunternehmen ein Modell ansiedeln kann.