機器之心報道

作者：楊文、杜偉

最近，一個長相酷似韓國影星河正宇的博主，在TikTok上發(fā)視頻吐槽：「老婆總是喜歡亂P我睡覺的照片，咋整？」

本以為是撒狗糧，沒想到還真撞上了P圖界的邪修大神。她總能把千奇百怪的睡姿，恰到好處地融進各種場景，腦洞大得能隨機笑死一個路人。

視頻來源：https://www.tiktok.com/@awakesoul3

這看似沙雕的P圖背后，其實揭示出了一個趨勢：圖像編輯的需求正變得越來越個性化，也對工具的智能化程度提出了更高的要求。

就在今天，火山引擎整個大活，發(fā)布了豆包?圖像編輯模型SeedEdit3.0，并上線火山方舟

體驗地址：https://console.volcengine.com/auth/login/

作為豆包家族的重要成員，圖像編輯模型3.0主打一個「全能且可控」。

具體來說，它有三大優(yōu)勢：更強的指令遵循、更強的主體保持、更強的生成質量，特別是在人像編輯、背景更改、視角與光線轉換等場景中，表現更為突出，還在多項關鍵編輯指標之間取得了極佳平衡。

舉個例子。它能一鍵更換雜志封面文字，同時保持其他元素不變：

Prompt：Change'MORE'to'MAGAZINE'

或者隨意調整打光、畫面氛圍：

Prompt：保持畫面不變，室內黑暗，KTV氛圍，球形燈，五顏六色燈光

甚至一句模糊指令就能讓電商產品海報替換背景：

Prompt：根據圖中物品的屬性替換背景為其適合的背景場景

接下來，咱們就實測一把，看看升級后的圖像編輯模型3.0到底有多硬核。

一手實測

AI修圖，看不出「科技與狠活」

AI圖像編輯模型的出現，讓許多手殘黨都成了P圖達人，不過問題也隨之而來：用嘴P圖固然方便，但這些AI往往會出現「誤傷」。

比如你只想改個背景，結果人物的面部和姿勢卻變了；你明明下達了精準的指令，它們卻偏偏聽不懂「人話」，對著原圖一頓亂改；好不容易搞對了主體和背景，畫面又丑得別具一格。

現在好了，豆包?圖像編輯模型3.0已經解決這些「通病」，只需一句簡單的提示詞，就能針對畫面元素增、刪、改、替。

打字P圖，指哪改哪

日常生活中，大概每個人都會遇到這些抓狂的瞬間：出門旅游拍照，忍著羞恥心凹好造型，卻半路殺出個路人甲亂入鏡頭；想用明星美照當壁紙，但正中間打著又大又丑的水印，裁剪都無從下手。

這時，AI消除功能就派上用場。

比如在泰勒?斯威夫特的街拍場景中，豆包?圖像編輯模型3.0可以精準鎖定黃衣女生和水印，完成雙重清除，同時還不傷及主體人物和背景細節(jié)。

提示詞：刪除穿黃衣服的女生，刪除水印，其他要素保持不變。

它還能同時處理消除路人、雨傘變色兩項復雜任務。路人消失后背景自然補全，毫無PS痕跡；雨傘變色也嚴格鎖定目標物體，未波及人物服飾或環(huán)境。

提示詞：消除后面兩個路人，雨傘變成紅色，其他元素保持不變。

如果感覺畫面平平無奇，想增加點元素提升視覺沖擊，同樣只需一句指令，就能讓安妮?海瑟薇體驗一把「房子著火我拍照」的刺激。

提示詞：后面的房子著火了。

再來試試AI替換功能。什么換文字、換背景、換動作、換表情、換風格、換材質……豆包?圖像編輯模型3.0通通可以搞定。

比如，把汽水瓶上的文字「夏日勁爽」改為「清涼一夏」，它不僅沿用原有字體設計，還保留了所有的背景元素。

提示詞：圖中文字“夏日勁爽”改為“清涼一夏”。

再比如，把梅西和C羅自拍照的背景，從上海外灘瞬移至悉尼歌劇院，看來以后只要動動嘴就能打卡全球各大熱門景點了。

或者將人物動作替換為「懷抱小狗」，畫面沒有出現穿幫或者比例失調的情況。

提示詞：這個女生抱著一只小狗。

此外，豆包?圖像編輯模型3.0還能轉換風格，比如水彩風格、吉卜力風格、插畫風格、3D風格等。

圖1為原圖；圖2為水彩風格；圖3為吉卜力風格；圖4為新海誠風格

除了以上常規(guī)功能，豆包?圖像編輯模型3.0還有不少進階玩法，包括光影變化、黑白照片上色、商業(yè)海報制作、線稿轉寫實等。

在完整保留海邊靜物原始構圖的基礎上，該模型精準重構黃昏暖色調光影，使藍白格子桌布、玫瑰花與海面均自然鍍上落日余暉。

提示詞：保持原畫面內容不變，更改光影黃昏風格光影。

給黑白照片上色時，我們還可以自定義風格，比如輸入「日系風格」，直出膠片感大片，氛圍感拉滿。

提示詞：給這張照片上色，日系風格。

我們還可以制作商業(yè)產品海報，比如讓它根據物品的屬性替換為適合的背景，并在海報上添加字體。這下電商老板們該狂喜了，畢竟一年也能省不少設計成本。

提示詞：根據圖中物品的屬性替換為其適合的背景場景，畫面中自然融入以下文案文字：主標題為“清新自然靜謐之選”副標題為“感受肌膚的舒緩之旅”字體設計感高級，排版自然協調，不添加任何邊框、裝飾線、圖框或圓角，僅保留通透畫面與內容構圖，適合作為品牌宣傳海報，瓶身其他元素保持不變

提示詞：將圖中背景換成沙灘

或者把服裝和建筑設計的線稿轉成寫實風格。

提示詞：根據線稿改為真實人物、真實服裝

提示詞：把這個線稿圖改為真實的場景

一番體驗下來，我們也摸到了提示詞撰寫的門道：

每次編輯使用單指令會更好；盡量使用清晰、分辨率高的底圖；局部編輯時指令描述盡量精準，尤其是畫面有多個實體的時候，描述清楚對誰做什么，能獲取更精準的編輯效果；發(fā)現編輯效果不明顯的時候，可以調整一下編輯強度scale，數值越大越貼近指令執(zhí)行。

與GPT-4o、Gemini2.5Pro掰掰手腕

目前，市面上有不少模型可以執(zhí)行圖片編輯功能，比如曾在全球刮起「吉卜力熱」的GPT-4o、谷歌大模型扛把子Gemini2.5Pro，它們的P圖效果究竟如何，還得來個橫向對比。

Round1：文字修改

在針對商業(yè)海報文字編輯任務的測試中，通用大模型暴露出了文字生成短板。

GPT-4o將畫面中的文字替換為無法辨認的亂碼，Gemini2.5Pro則未嚴格遵循替換指令，而是在原海報文字的下方進行了文字添加。

只有豆包?圖像編輯模型3.0精準完成「店家推薦」文字替換，還保留了原字體材質與背景元素，也沒有出現「鬼畫符」等缺陷。

圖1:原圖；圖2:豆包?圖像編輯模型3.0；圖3:GPT-4o；圖4:Gemini2.5pro；提示詞：把文字「金絲酥單品」改成「店家推薦」，其他元素不變

Round2：風格轉換

我們讓這三款大模型把寫實人物攝影照片轉成涂鴉插畫風格，豆包?圖像編輯模型3.0嚴格遵循雙重約束指令，生成的畫面審美也在線。

相比之下，GPT-4o和Gemini2.5Pro改出來的圖看起來更像隨意畫的兒童涂鴉，女孩的五官有些模糊走樣，背景的細節(jié)也丟失不少。

圖1:原圖；圖2:豆包?圖像編輯模型3.0；圖3:GPT-4o；圖4:Gemini2.5pro；提示詞：保持背景結構，保持人物特征，風格改成涂鴉插畫風格

Round3：物體、文字消除

再來對比下AI消除功能。

原圖元素較多，路人、店招，還有一行淺淺的水印，豆包?圖像編輯模型3.0成功消除畫面中所有路人及文字，包含店鋪招牌，同時精準修復背景空缺區(qū)域。

而GPT-4o和Gemini2.5Pro的消除功能總是「丟三落四」，GPT-4o忘記刪除店招，Gemini2.5Pro則只P掉了水印，其他指令要求一概忽視。

圖1:原圖；圖2:豆包?圖像編輯模型3.0；圖3:GPT-4o；圖4:Gemini2.5Pro；提示詞：保留滑板男孩，刪除畫面中所有路人，并刪除所有文字，其他元素不變

整體而言，相較于GPT-4o和Gemini2.5Pro，豆包?圖像編輯模型3.0理解指令更到位，改圖效果更精準自然，尤其是「文字生成」功能，幾乎不用抽卡，完全可以達到商用的程度。

技術揭秘

從模型架構到推理加速，全方位進化

煉成這樣一個超級實用、易用且好玩的P圖神器，豆包?圖像編輯模型3.0（以下統(tǒng)稱SeedEdit3.0）依托的是一整套技術秘籍。

作為AIGC領域的重要分支，可編輯的圖像生成要解決結構與語義一致性、多模態(tài)控制、局部區(qū)域精細編輯、前景背景分離、融合與重建不自然、細節(jié)丟失與偽影等一系列技術難題。

基于豆包文生圖模型Seedream3.0，SeedEdit3.0很好地解決了上述難題，在圖像主體、背景和細節(jié)保持能力上進一步提升。在內部真實圖像測試基準測試中，SeedEdit3.0更勝其他模型一籌。

定量比較結果如下所示，其中左圖利用CLIP圖像相似度評估模型編輯保持效果，SeedEdit3.0領先于前代1.0、1.5、1.6以及其他SOTA模型Gemini2.0、Step1X和GPT-4o，僅在指令遵循方面不如GPT-4o；右圖顯示SeedEdit3.0在人臉保持方面具有明顯優(yōu)勢。

下圖為部分定性比較結果，直觀來看，SeedEdit3.0在動作自然度、構圖合理性、人物表情與姿態(tài)還原性、視覺一致性、清晰度與細節(jié)保留等多個維度上表現更好。

為了達成這樣的效果，SeedEdit3.0團隊從數據、模型和推理優(yōu)化三個層面進行了深度優(yōu)化與創(chuàng)新。

首先是數據層面，一方面引入多樣化的數據源，包括合成數據集、編輯專家數據、傳統(tǒng)人工編輯操作數據以及視頻幀和多鏡頭數據，并包含了任務標簽、優(yōu)化后的描述和元編輯標記信息（下圖）。而基于這些數據，模型在真實數據與合成的「輸入-輸出編輯空間」中進行交錯學習，既不損失各種編輯任務的信息，又提升對真實圖像的編輯效果。

另一方面，為了有效地融合不同來源的圖像編輯數據，團隊采用了一種多粒度標簽策略。對于差別比較大的數據，通過統(tǒng)一任務標簽區(qū)分；對于差別較小的數據，通過加入特殊Caption區(qū)分。接下來，所有數據在重新標注、過濾和對齊之后進行正反向的編輯操作訓練，實現全面梳理和整體平衡。

可以說，更豐富的數據源以及更高效的數據融合，為SeedEdit3.0處理復雜圖像編輯任務提供了強大的適應性和魯棒性。

其次是模型層面，SeedEdit3.0沿用了SeedEdit的架構，底部視覺理解模型從圖像中推斷出高層次語義信息，頂部因果擴散網絡充當圖像編碼器來捕捉細粒度細節(jié)。此外，視覺理解與擴散模型之間引入了一個連接模塊，將前者的編輯意圖（比如任務類型和編輯標簽等）與后者對齊。

在此基礎上，團隊將文生圖模型Seedream2.0中的擴散網絡升級為Seedream3.0，無需進行任何細化便可以原生生成1K至2K分辨率圖像，并增強了人臉與物體特征等輸入圖像細節(jié)的保留效果。得益于此，模型在雙語文本理解與渲染方面的能力也得到了增強，并可以輕松擴展到多模態(tài)圖像生成任務。

SeedEdit3.0模型架構概覽

而為了訓練出現有架構，團隊采用了多階段訓練策略，包括預訓練和微調階段。其中，預訓練階段主要對所有收集的圖像對數據進行融合，通過圖像多長寬比訓練、多分辨率批次訓練，使模型從低分辨率逐步過渡到高分辨率。

微調階段則主要優(yōu)化輸出結果以穩(wěn)定編輯性能，過程中重新采樣大量精調數據并從中選出高質量、高分辨率樣本；然后結合模型過濾器和人工審核對這些樣本二篩，兼顧高質量數據和豐富編輯類別；接下來利用擴散損失對模型進一步微調，尤其針對人臉身份、美感等對用戶價值極高的屬性，引入特定獎勵模型作為額外損失，提升高價值能力表現；最后對編輯任務與文本到圖像任務聯合訓練，既提升高分辨率圖像編輯效果，又增強泛化性能。

為了實現更快的推理加速，SeedEdit3.0采用了多種技術手段，包括蒸餾、無分類器蒸餾、統(tǒng)一噪聲參照、自適應時間步采樣、少步高保真采樣和量化。一整套的方案，讓SeedEdit3.0大幅縮短了從輸入到輸出的時間，并減少計算資源的消耗，節(jié)省更多內存。

最終，在蒸餾與量化手段的多重加持下，SeedEdit3.0實現了8倍的推理加速，總運行時長可以從大約64秒降至8秒。這樣一來，用戶等待的時間大大降低。

想要了解更多技術與實驗細節(jié)的小伙伴，請參閱SeedEdit3.0技術報告。

技術報告地址：https://arxiv.org/pdf/2506.05083

也許AI圈的人已經注意到了，最近一段時間，包括圖像、視頻在內AIGC創(chuàng)作領域的關注度有所回落，尤其相較于推理模型、Agent等熱點略顯安靜。然而，這些賽道的技術突破與產品演進并沒有停滯。

在國外，以Midjourney、BlackForestLabs為代表的AI生圖玩家、以Runway、谷歌DeepMind為代表的AI視頻玩家，繼續(xù)模型的更新迭代，推動圖像與視頻生成技術的邊界，提升真實感與創(chuàng)意性。而國內，以字節(jié)跳動、阿里巴巴、騰訊為代表的頭部廠商在圖像、視頻生成領域依然高度活躍，更新節(jié)奏也很快，從技術突破與應用拓展兩個方向發(fā)力。

這些頭部廠商推出的大模型產品還通過多樣化的平臺和形態(tài)廣泛觸達用戶，比如App、小程序等，為創(chuàng)作者提供了便捷的內容創(chuàng)作工具。這種「模型即產品」的能力既提升了易用性，也激發(fā)了用戶的參與感與創(chuàng)造力。

就拿此次的豆包?圖像編輯模型3.0來說，它在國內首次做到了產品化，無需像傳統(tǒng)圖像編輯軟件一樣描邊涂抹、修修補補，輸入簡單的自然語言指令就能變著花樣P圖。我們在實際體驗中已經感受到了它的魔力，換背景、轉風格以及各種元素的增刪與替換，幾乎無所不能。

該模型的出現無疑會帶來圖像創(chuàng)作領域的一次重大轉型，跳出傳統(tǒng)圖像編輯的桎梏，邁入到自動化、智能化、創(chuàng)意化的階段。這意味著，沒有專業(yè)化技能的C端普通用戶得到了一個強大的圖像二創(chuàng)工具，在大幅提升創(chuàng)作效率的同時還能解鎖更多創(chuàng)意空間。

當然，豆包?圖像編輯模型3.0的應用潛力不局限于日常的修圖需求，隨著更加深入地挖掘廣泛的行業(yè)特定需求，未來它也有望在影視創(chuàng)作、廣告設計、媒體、電商、游戲等AIGC相關的B端市場激發(fā)新的應用潛力，助力企業(yè)提高內容生產效率，在競爭中用AI搶占先機。

利用該模型，影視制作團隊可以快速調整鏡頭畫面、添加特效、替換背景等，從而簡化制作流程、縮短制作周期；電商商家可以快速定制化產品圖像和宣傳圖，并根據消費者偏好和市場需求進行個性化創(chuàng)作；游戲開發(fā)者可以快速調整角色、場景的設計元素，節(jié)省時間。這些看得見的應用前景，顯然會帶來顛覆性的變化，推動行業(yè)朝著高效、便捷的方向演進。