Canva 做了个不画图的模型,靠写代码改你的图层

Canva 在 10 月 22 日发布 Craft,这是它第一个自研图像模型。七天后它发布 Brush,而 Brush 根本不生成图像。
故事就在这个时间差里。两年来所有设计工具都被问同一个问题:你能不能把图做出来,Craft 回答的是这个。Brush 回答的是另一个问题,它出现在客户方案改到第三版的时候,那时九成版式已经对了,只有标题写错。
Brush 是一个视觉语言模型,训练目标是改设计。它会先读设计是怎么搭起来的,写几行小代码执行你要的改动,然后检查结果,看改动有没有落到位。最后这一步会喂给下一步,所以整件事是一个代理循环,每一轮都基于上一轮的检查结果。
Canva 称这个模型完成常规设计编辑任务比它上一代设计代理快最多 69%,单任务成本低 46%。这些数字是拿 Brush 和 Canva 自己此前的系统比,跟 GPT Image 或 Nano Banana 无关。当成一份内部效率声明来读就对了,它本来就是。
工作单位不再是「生成一次」
多数图像模型把请求当成一次性的事:给提示词,出像素,不满意就从头再来。设计师不这么干活,他们用的工具也不这么干活。一张幻灯片有图层。一张海报有字号层级。改活动传单上的日期,就该只动日期。

Canva 的发布文章把这个当成核心论点。公司说,让模型做出好设计已经很难,改设计更难,因为模型得判断你想改哪里、设计是怎么组织的、哪些东西必须原地不动。最后这条判断错了,一个简单请求就会连锁成一堆没人要的改动。
Brush 的办法是把设计当成一个过程,每一次决定都嵌在这个过程里。它能反复评估并改进自己的产出,Canva 就是用这个来描述「从草图走到成品」。在底层,这个循环写代码、把代码跑在设计上、看页面、再决定下一步做什么。
它产出的所有东西都还能改。文字、图像、颜色、版式,连同那些更细的部分,都留给接手这个文件的人。
它是用什么训练的,这意味着什么
Canva 从一个没有公开名字的开源权重模型起步,然后在真实的设计与编辑工作上做后训练。训练信号里既有设计专业知识,也有用户匿名行为,这些用户同意用数据改进 Canva AI。大规模强化学习让模型能接手完整任务、从哪种结果有效里学习、再调整。
训练数据这部分,竞争对手买不到。Vladimir Beskorovainyi 是企业 AI 架构师,创办了 Besk Tech,他对 The New Stack 说,Canva 没打算在前沿实验室的主场上赢过它们。它挑了一个边界清楚的问题,而边界清楚的问题正是小型专用模型多年来压过大型通用模型的地方。他说护城河在产物里,因为 Canva 能拿真实设计是怎么搭的来训练。前沿实验室能追平算力。要追平这种训练信号,得先拥有那些设计。
Rodion Sorokin 是深度科技风投工作室 The Capital Index 的联合创始人,他把同一件事说得更狠:前沿模型懂互联网,Canva 懂几亿人到底拿一份幻灯片干什么。
有榜单排名的是 Craft
Brush 没有公开的基准分数。Craft 有,而且值得看一眼,因为它标出了 Canva 现在所处的位置。
在 DesignArena 这个众包对比平台上,Craft 排第四,Elo 1341,累计 1303 场对战,胜率 66.7%,平均每次生成 54.0 秒。排在它前面的三个模型都来自 OpenAI:GPT-Image-2.5 Sunburst 1415,GPT-Image-2.5 Flare 1387,GPT Image 2 1362。
Canva 对外主打的说法是,它的研究部门在图像生成上排到全球第二先进的 AI 实验室。那个排名比的是实验室,跟模型不是一回事,这个区别很重要。按模型算,Craft 是第四,而它的 Elo 大约建立在 1300 票上,Sunburst 有 14177 票。这个位置还会动。
分品类看比看总排名更有用。Canva 说 Craft 在「人物与肖像」里排 87 个模型的第一,在「风景与自然」里排 85 个的第一。到了「营销物料」这个 Canva 大量客户真正在做的品类,它排 85 个里的第六。卡通类是 87 个里的第十八。
Canva 自己的架构能解释一部分。Craft 分两段工作:先给设计做计划,把元素位置、相对尺度、视觉层级、该出现什么文字都定下来,然后才渲染,最高 2K,覆盖 30 多种画幅比。训练素材来自 Canva 的模板库,所以是海报、社交帖、演示文稿和菜单,照片不在其中。文字因此保持清晰,一个先做计划的模型在「标题要横跨自然风景顶部」这种活上也更稳。
Canva 自己点出的缺口
Brush 上线时没有 Brand Kit 支持,不能引用附件,对图片密集的版式也处理得不够好。Canva 说这三项都在做。对营销团队来说,第一条是卡点:在 Brush 认得品牌色、字体和 logo 之前,每次改完都得人工复查一遍。
两个模型都没有单独定价。它们都从 Canva 套餐里附带的 AI 额度里扣。免费账户是有限访问,Pro 每人每年 144 美元,AI 额度是免费档的十倍,Business 每人每年 250 美元,二十倍。
为什么该盯的是这个编辑模型
这个路数不止 Canva 一家。凡是手里握着一个工作流的平台,现在都在出自己的模型,让模型在那个工作流内部干活,前沿赛道上的比拼留给别人。Canva 有设计文件,所以能拿「改动」来训练。Adobe 有时间线,所以能拿片段来训练。模型本身没那么重要,重要的是它能伸进哪种文件格式。
质量论证底下还有一层成本论证。一个重新生成整页幻灯片的设计代理,会把 token 烧在没人抱怨的部分上。一个只改一个属性的代理,花的是其中很小一份,46% 这个数字其实是在说,一次典型编辑里有多少是白做的。如果这在发布文章之外也成立,那么每月跑几百次编辑的人,账要重算。
对做内容流水线的人来说,能落地的结论更小也更具体。生成已经变便宜了,也变得可替换。时间花在编辑上,而一个会写代码、会检查自己成果的模型,在这一点上比一个重画整帧的模型更有优势。
Brush 只是第一版。Canva 自己就这么说。但这个方向是能挣钱的那个。
相关文章
「宿命感拉满的橘子海剪影」:一句提示词把情绪拆成了参数
11 月 19 日到 20 日,小红书和抖音同时刷起「橘子海剪影」。点进去会发现多数人并没有站在落日下,他们把自己的一张照片交给豆包,出来的是一张 3:4 竖版情绪海报。这套氛围被拆成了十几个写得明明白白的参数。
ByteDance 的 SeedRealtime 每秒只取两帧,再自己决定什么时候开口
豆包 Seed-Realtime-1.0 把摄像头画面、屏幕画面和语音合成一个全双工会话,每秒最多推两帧。有意思的决定是帧率、主动说话,以及默认就开着的审核回复。
Cicada 直接听会议的系统音频,会议室里没有机器人
Cicada 是 Mac、Windows、Linux 和 Android 上的免费应用,从系统音频里写出双语字幕和结构化会议笔记。按住一个键,你能用自己克隆出来的声音,把回复用另一种语言说出去。整个过程里没有机器人加入通话。
一台 server、一个 AI 主播:夜间直播背后的代码
open-yoki 是一个每晚在 Binance Square 直播的 AI 主播的生产代码,人格、声音和跟钱有关的功能都拿掉了。headless Chrome 画帧,ffmpeg 推 RTMP,一个 Markdown 文件夹决定她的情绪和要发的东西。