用完这次更新的豆包，我想把PS卸了。

有一说一，前几天就已经立冬了，眼瞅着又快到年底了现在。

搁往年的情况，到了年底这才到各大厂商纷纷发力的时候，年关将近嘛，总得搞出点啥新东西，给大家涨涨眼界。

虽然说最近关于 AI 的新消息不是很多，但是人家这段时间肯定也没闲着，这不，一个多月前，也就是 925 那天我们才跟大家说了豆包的视频生成，这两天，豆包又又又上新了新功能。

简单来说，这回豆包支持 “ 一句话编辑修改图片 ” 了。

虽然文生图已经搞了两三年，但这回，我敢说真算是国产 AI 文生图里的新突破了。

可能不少差友还觉得， AI 生图不是已经挺厉害的了嘛，怎么还不能修改图片？

实际上，我们这几年也测了不少文生图大模型了，支持图片精确修改的还真没有，目前做的最好的真就是豆包。

就比如说 ChatGPT-4o ，你让他画个打篮球的人还可以，但是你要想改动一下，把环境换成沙滩，不好意思，整张图都变了。

不止 OpenAI 的不行，谷歌的 Gemini 也一样。

本来说让它把图中的鸡变成鳄鱼，结果不仅没变成，还把背景给全改了，两次的篮球也完全不一样。

拿 AI 自己生的图搞都这样，更别说本地上传的照片了。

就拿最简单的给图像换颜色来说，即使在豆包以前的版本里，这种效果也不理想。

比如我们直接把 925 活动里，给脖子哥拍的照片传上去，然后告诉豆包，你给我把脖子哥抱着的小白狗换成小黄。

结果就是，整张图都变了，风格大变就算了，构图也不一样。

但是现在，这回用上这个上新了的豆包，同样的照片同样的提示词，你再看看：

滑动查看AI效果

虽然有一点点小瑕疵，但要跟前面的一比，是不是高下立判！

不但保留了脖子哥的动作，表情，小狗的形状也跟上传的图差不多，说换成黄色就换黄色，一点不含糊。

再来试试图像消除，效果也不错。

Prompt:

发现没，这个文生图变得智能了，它能识别出照片里的内容，你想修改啥他就只改啥，哪里不对改哪里， so eazy!

而且不仅能做到识别，修改颜色，消除物品这些基本功能，你想整点复杂的也一样可以。

比如更换图片的背景。

我们把差评硬件部视频里，米罗的照片传上去，然后叫豆包把我们的拍摄间背景改成上海陆家嘴。

Prompt:

哎嘿！还真就换成了，纸张的折痕还都一点没变。

你甚至可以分得清背景里，哪个是 “ 开瓶器 ” 环球金融中心；哪个是 “ 注射器 ” 金茂大厦；哪个是 “ 打蛋器 ” 上海中心大厦，陆家嘴三件套安排的明明白白。不知道的故意第一眼看去，还真以为我们公司搬到浦东了。

除了这些现实中存在的场景，科幻作品中想象的东西，这回豆包也能够生成。

我们让豆包把米罗改造成战锤 40K 风格，结果也是相当的 amazing 啊，虽然换了个人种，但是五官还算依稀能看出米罗的影子，要是戴上头盔，真就跟星际战士一样了。

Prompt:

更重要的是，虽然人物的着装和风格变了，但图片前面的桌子，跟背景的墙壁、窗帘、挂画可都是一点没动。

就这个效果，你要不跟别人说，谁知道这到底是 AI 生成还是 PS ，一眼望去是真分不清。

不过，在人物测试中我们还发现，如果你拿AI 生成的图进行修改，效果比用照片还要强上不少。

你比如就说，我们先生成一张屏幕前各位彦祖的日系写真，然后告诉豆包，把彦祖的衬衣换换颜色。

Prompt:

你瞅瞅，脸部的细节，头发的细节，甚至背后墙砖上的纹理，远处的电线杆子，都一点没动，说换装就换装，那叫一个干净利落。

当然了，用人像演示还是为了测试它在人脸细节上的把握能力，毕竟人脸这玩意，一但生成的不好，就会产生恐怖欢乐谷效应，一眼盯真的事。

戴珍珠耳环的少女都见过吧，世界名画，我们让豆包给你把人脸换成猫脸版本，来看看它对跨物种的面部融合做的咋样。

Prompt: 帮我生成图片：把人脸换成猫

结果整体瞅下来，表现还是相当不错。不但保留了头饰、衣服纹理的细节，小猫耳朵这块也处理的很好，没穿模，直接能拿去当微信头像用了。

除了照片人像这些，物品啥的理论上会更容易，但是我们还得测，比方说汽车。

我们把一张大众 CC 的照片传上去，让它给换成奔驰。

Prompt:

结果也还行，前脸一套都改成了奔驰 C260 ，还是现款的，其他的像车身颜色，周围的环境，也都没变。

但遇上了多人物，复杂场景的情况下，豆包又会表现成啥样呢？

就像刘华强买瓜这段，咱今天就把这个换成刘华强买炸鸡和棉花。

结果效果还怪好嘞，瓜贩子衣服上的图案都一模一样，所有的西瓜都改掉了，特聪明。

Prompt:

还有一个重点是，如果同时给豆包不同的修改要求，它能不能全部完成。

就比如，西游记里的唐三藏，我想给改成战地版唐三葬，给的提示一句话里有三个指令，同时要完成戴墨镜，拿机枪，换背景，三样任务。

滑动查看AI效果

Emmm ，结果还是全部都完成了，效果也可以。墨镜一戴谁也不爱，身处战场手拿机枪，六根清净贫铀弹，一息三千六百转，杀生为护生，斩业非斩人，主打一个物理超度。

综合来看的话，不止照片、视频截图，包括在制作梗图表情包这一块，豆包都能够手到擒来，即便细节上还能发现可以提高的地方，但话又说回来，不怕人比人，就怕货比货嘛。

就目前来说，比起以前的文生图模型，确实是高的不知道哪里去了。

看到这可能有差友就要问了，世超鸽鸽，为啥豆包这次突然就跟换了个妈妈生的一样，比之前聪明了这么多？

该说不说，这里面确实有门道。

这么说吧，我们以前用的文生图模型，基本用的都是 Diffusion 技术，是先把图片一步步变糊，然后反向分析怎么从糊到清晰，从而产生新的图像。

但问题是，在这个过程中，模型生成图像是基于全局信息的，要想局部修改，不好意思，整体全都要重来，所以每次生成的都不一样，也没法在细节上再调整。

我们这两年也测了不少文生图模型，咋说呢，东西是没问题，可以生成，但都没法一模一样的，准确还原出想象中那个样子，就比如这种：

而那些 AI 艺术家们，搞出来的都是下面这种，细节拉满，跟电影截图似的。

是不是感觉跟人家用的都不是一个软件？

图源：Mac Baconai ， “Al 的异星 cult 幻想之城 ”

可要实现人家这种效果，提示词弄的就得巨复杂，还要微调很久很久，甚至他们还编纂了专门的提示词辞典。大伙要是没训练过这个，实际上就很难做好图，更别说把自己的照片传上去编辑了。

如果能像画画一样，哪里不对改哪里，逐渐成型就好了。

而豆包这次更新的，正是这个方向。为了实现图片编辑的效果，豆包这次的文生图采用的是 SeedEdit 模型。

相比只是通过文字生成，这玩意更微操，它会把图片的理解和生成融合到一个统一的大模型框架里，从而在生成和编辑图像的时候，可以事无巨细的参考咱传上去的图像，完事儿控制的就相对精准，而且出来的图片也更自然。

打个比方，如果说以前的文生图模型是无情泼墨画匠， SeedEdit 就更像画笔精巧，有创造力的画家。实际我们上面用下来，可以说效果确实相当不错。

实际上， SeedEdit 这样的技术，目前行业内也刚开始用，能集成在 AI 助手里的，豆包其实是第一家。

而像 AI 编辑图片这种方向，现在早就已经是是图片编辑行业的标配，各种修图软件、剪辑软件甚至手机相册里都在做。

但是先不说效果，起码现在其实大多数产品都还是要手动涂抹修改，或者自己在上面 P 图，加配饰，不知道大伙怎么觉得，我反正每次 P 背景，消除人物，都得花不少功夫。。。

至于 AI 直接出的图嘛，咱上面也说了，跟抽卡似的，很难一次就有理想的图，还没法再二次修改。

这也就是为啥咱开头就说，由 AI 直接控制的编辑修改图片，会是一个技术突破了。

换句话说，这个技术不仅改变的是 AI 文生图，其他的照片修改、视频剪辑啥的，基本全都能用得到。

到时候，直接跟语音助手说一声给我出图！AI 就帮你往你想的方向调整，美美当甲方，想想都爽。

撰文：纳西

编辑：江江 & 面线

美编：萱萱

图片、资料来源：

arXiv: A Survey of Multimodal-Guided Image Editing with Text-to-Image Diffusion Models[J].

豆包官网，部分图源网络