Reve 2.0 深度評測：AI 影像生成的下一次進化，是「佈局」而非「運氣」

一場沉默革命的開端

去年這個時候，絕大多數人甚至沒聽過 Reve 這個名字。但就在 2025 年 6 月 3 日，這家新創公司丟出了代號 2.0 的全新影像生成模型，直接空降 Arena 文字轉影象排行榜第二名——僅次於 OpenAI 的 GPT Image 2，領先 Google 的 Nano Banana 2。

如果你以為這只是一場數字遊戲，那麼你錯過了真正重要的東西。這間公司宣稱，他們用不到巨頭十分之一的 GPU 運算資源，做出了足以與萬億美元市值企業並肩的影像模型。

而達成這一切的關鍵，不是更多的算力，而是一個極其簡單卻徹底顛覆遊戲規則的概念：佈局（Layout）。

當 AI 學會「畫草圖」

想像一下，你走進一間電影製片廠。一般的 AI 影像模型，就像一個從沒看過分鏡表的畫家，你給他一段描述，他憑著感覺在畫布上揮灑顏料，最後端出一張似是而非的作品。

但 Reve 2.0 不一樣。它會先拿到你的描述，然後像一個經驗豐富的導演，先在腦海裡畫出一張「佈局圖」——每個物件在哪裡、佔多大面積、旁邊寫什麼字，全部井然有序。這不只是普通的文字描述，而是類似 HTML 之於網頁的結構化標籤：<object name="女人" x="100" y="200" width="80" height="160"> 這樣的概念。

這就是他們所說的「思考軌跡（thinking trace）」——模型會先「想」一遍這張圖的空間配置，然後才動手渲染畫素。而且是原生 4K 解析度，真正的 1600 萬畫素。

為什麼「佈局」這麼重要？

讓我告訴你一個小故事。

有一次，我需要一張概念圖：一個穿著米色風衣的女人，站在曼哈頓天際線的屋頂上，金色時刻的陽光從後方灑落。我給了同一個指令給 Reve 和其他三個主流模型。

結果出來，其他模型確實給了我一張漂亮的照片——但當我放大建築物的窗戶時，那些燈光糊成一團；而風衣肩帶只有一邊有，另一邊消失了。

Reve 2.0 的版本呢？皮膚有毛孔的質感，圓框眼鏡自然地架在鼻樑上，陽光灑在背景大樓的玻璃上，產生真實的淺景深效果。最重要的是——我可以移動她。我把她的位置從畫面左邊移到右邊，背景的曼哈頓天際線完全不需要重新生成，因為這些物件在最初的「佈局」裡就已經被定義為獨立的圖層。

這就是傳統 AI 做不到的事：區域性編輯。過去你要修改一張圖的某個細節，唯一的辦法是重新生成整張圖，然後期待運氣站在你這邊。現在？你只需要改一行佈局引數。

壓力測試：文藝復興天文學家的複雜場景

但真正的考驗才剛開始。

我給了 Reve 2.0 一個堪稱「酷刑測試」的指令：一個文藝復興時期的天文學家，駝背著身子調整一個黃銅星象儀。現場有三個光源同時作用——蠟燭的暖光、月亮的冷光、一個發綠光的玻璃罐。旁邊有頭骨書擋、砂漏、星圖、還有一隻白爪子搭在窗臺上的黑貓。

這是一個充滿十一個需要精準定位的元素的複雜場景。

結果？三個光源各自獨立照明自己的區域，沒有互相干擾。蠟燭的暖光從左邊打過來，月光透過窗戶維持一貫的冷調，綠光玻璃罐在右側發光。黃銅星象儀真的在他手裡，砂漏和星圖在正確的位置，頭骨在左邊。

當然不完美——他的中指渲染有問題，黃銅儀器看起來更像是渾天儀而非星象儀，書上的拉丁文是裝飾性的胡言亂語。但在這個充滿十一個定位元素的場景裡，這已經是一個不可思議的透過。

文字生成：硬體材料行的噩夢

說到文字生成，這一直是 AI 影像模型的痛點。

這次，我找了一個硬體材料行的角落，塞滿了各種招牌、海報、塗鴉。我把同樣的指令分別送給 Reve 2.0 和 ChatGPT 的 GPT Image 2。

Reve 2.0 完美呈現了所有大字招牌：「KELLERMAN’S HARDWARE & SUPPLY CO. SINCE 1931」、「TOOLS, ROPE, PAINT」、「STILL HERE」塗鴉、「NO PARKING 7AM-6PM」——全部清晰可讀、拼字正確。

GPT Image 2 在大字方面表現相若，但在小字細節上更勝一籌，它在電話亭上塞滿了可讀取的小貼紙。然而代價是：GPT 生成的門不見了，而 Reve 還記得幫材料行畫了一扇門。

有趣的是，當我請 Reve 2.0 把同一個場景改成中午時刻，它的結果準確到幾乎無法察覺有任何不同。

風格轉換：機器人與梵谷的融合

接下來是風格測試。

我請 Reve 2.0 畫一個拿著 Decrypt 書籍的機器人，但要用梵谷《星夜》的風格。真正的困難點在於：在這種濃鬱的漩渦筆觸下，如何保持品牌文字可讀？

結果？梵谷標誌性的厚塗筆觸、藍金色調、漩渦狀的天空，全部完美重現。Reve 甚至在機器人身後的牆上掛了一幅真正的《星夜》——有柏樹、村莊、漩渦天空——這是一個聰明的彩蛋。

更難的是在這種瘋狂的筆觸下維持文字可讀，而它做到了——書本封面的「Emerge」清晰可辨。機器人胸口有 Decrypt 的主要 Logo，頭部則是 Decrypt University 的標誌（這是模型自己在網路上搜尋後做出來的判斷）。

代理式生成：比特幣歷史的童趣時間軸

這是我覺得最有趣的一個測試。

我給了一個極度模糊的指令：「幫我畫一條比特幣歷史的時間軸，童趣蠟筆風格。」沒有指定任何事件、沒有佈局。

Reve 2.0 自己做了研究，畫了一條從 2008 到 2025 年的蠟筆風格時間軸，選擇了這些里程碑：比特幣白皮書、創世區塊、披薩日、比特幣漲到 1,000、漲到 20,000、公司機構買入、薩爾瓦多將比特幣定為法定貨幣、2022 年崩盤、ETF 批准比特幣突破 70,000。

厲害的是，這些事件的時間順序完全正確——這是「規劃」而非「裝飾」。童趣的愛心、塗鴉風格貫穿整條時間軸，標籤文字全部可讀。

當然不完美——披薩日寫成了「10,0000 BTC」多了一個零，某些事件被簡化成一句話。它把 2025 年標記為「今天」（這並不精確），也漏掉了一些重要時刻像是比特幣突破 100K、減半事件等。

但作為一個「代理式佈局」任務——自己決定內容、排列順序、加上標籤、維持風格一致——它大部分完成了這個挑戰。

多主體編輯：月球上的情侶寫真

這是測試中最困難的編輯案例。

我拿了兩張真實照片——一個在商場自拍的男子，另一個在另一個商場的女子——然後請 Reve 把他們放在一起，但場景是「月球上的海灘」。

身份保留是最困難的部分，而 Reve 做到了。兩張臉孔都能辨識，但不如 Nano Banana 2 或 Seedream 4.5 那樣精確。男子的淺色皮膚和女子的深色皮膚維持了區別，紅洋裝和栗色上衣沒有在傳送過程中融化或混合。姿勢——臉貼臉的擁抱——看起來很自然。

更令人驚艷的是，模型理解了在月球上沒有水這個事實，於是生成了月球土壤的質感、地球在背景中、還有看起來像水的地形差異。

唯一的缺點是：這對情侶被柔和的攝影棚光線照亮——這跟站在月球上會收到的光照完全不同。

內容邊界：血漿與審查的灰色地帶

最後，我們來談談那個大家不敢談的話題：內容審查。

我請三個模型生成一個血腥的決鬥場面——兩個宿命的敵人，其中一個即將給出致命一擊。

Reve 2.0 毫無遲疑地渲染了出來，命名為「最終清算」：兩個滿身泥濘的戰士在雨中，刀鋒抵達心臟，倒地男子臉上有血，致命一刀凍結在半空中。唯一的阻礙是系統通知我幾乎達到了每日使用限制——沒錯，免費方案不夠你做什麼正經事。

GPT Image 2 直接拒絕了血腥內容，然後在我同意刪除明顯血跡後，提供了一個「黑暗、電影般」的戰場。Nano Banana 2 根本沒有談判空間：「抱歉，我無法生成不安全內容。」

Reve 的血漿是電影般的而非過度的，這讓差距更加明顯：一個指令在 Reve 上產出了一個完整場景，在 OpenAI 上是一個縮水的妥協，在 Google 上是一個直接的拒絕。

在 NSFW 內容上，Reve 也相對寬鬆。我們之前測試生成一個「火辣的老師在未來教室」——Reve 直接生成，GPT 生成了一個平坦胸部的女人然後警告它無法生成性化內容，Gemini 根本拒絕考慮這個指令。

誰應該買單？

Reve 2.0 是那種「把生成當作一個過程，而非一臺吃角子老虎機」的人的最佳選擇。如果你經常迭代、需要精準的文字、希望編輯佈局而非重新生成提示、而且需要高解析度輸出做印刷——那麼這個「佈局優先」的方法是真正的優勢。

而且它也是目前最便宜的選擇。Reve 的 API 生成一張圖大約只要幾分錢，而 Nano Banana 2 大約是 7 到 13 分錢，OpenAI 的 GPT Image 2 更是貴上許多。在大量使用的情況下，那個差距就是整個預算的差別。

如果你沒有本地端影像生成所需的硬體，像是 Ideogram v4 或 Z-Image，那麼 Reve 2.0 在價格與效能的比價上，是目前最好的選擇。

然而，它並不是適合每一個人。如果你生活在 Google 或 OpenAI 的生態系統裡，方便性可能超過價格。Reve 也會安靜地忽略提示的某些元素，所以你必須校對它的輸出並重新提示。它在編輯或代表人類參考資料方面，也不是最精確的模型。

但每月不到 20 美元的 Pro 方案，或是透過 API 每張圖不到一分錢，Reve 2.0 買到了一個 Google 和 OpenAI 目前都沒有販賣的控制與編輯等級。對於一家用十分之一 GPU 訓練的公司來說——這筆賭注正在回收。

結語：一個新正規化的開始

Reve 2.0 給我們的不是另一個更會畫畫的 AI。它給我們的是一個全新的工作流程——從「碰運氣」到「規劃」，從「整張重來」到「區域性編輯」，從「貴桑桑的單次消費」到「低成本的迭代迴圈」。

或許這就是未來的樣子。當 AI 學會先「畫草圖」再「上色」——這一切才剛開始。