Canva发布首个自研图像模型Craft：先规划构图再渲染出图，两大类目登顶全球第一

10月22日，设计平台Canva正式发布首款完全自研的图像生成模型Canva Craft，由公司内部AI实验室Canva Research从零构建并训练。这款专为设计场景打造的模型，上线即在权威评测DesignArena的图像模型排行榜空降第四名，也让Canva Research一跃成为全球第二大先进的图像生成实验室。目前Craft已向所有Canva用户开放，开发者也可通过公开API调用。

与谷歌、OpenAI、字节跳动、Meta等同类模型同台竞技，一家以"人人都能做设计"起家的公司为什么一定要自研模型？答案藏在它与众不同的工作方式里。

两段式架构：先想清楚，再动笔

市面上大多数图像模型的做法，是把提示词直接变成像素。Craft选择了另一条路：把"构图规划"和"图像渲染"拆成两个阶段。

第一阶段由一个图像规划模型负责。它先解读用户的提示词，写出一份详细的构图方案：画面里有哪些元素、彼此的空间关系如何、相对比例多大、视觉层级怎么排、需要出现哪些文字。第二阶段再由一个专门的渲染模型，把这份方案翻译成最高2K分辨率的成图，支持超过30种画幅比例，也可以自定义尺寸。

这种先规划后渲染的设计，带来的直接好处是复杂版面更稳：文字清晰可读、物体位置准确、元素之间的关系保持一致。同时，因为模型对每个元素有明确的建模，用户可以只改画面中的某一部分，而不必动 其他内容。生成的图像还能通过Canva的Magic Layers功能直接转成可编辑的分层设计元素，JSON边界框让"图像变设计"的转换更快更准。

用设计师的模板训练，而不是照片

Craft与同类模型最大的差别在训练数据。多数图像模型主要靠照片训练，学的是"成品图片长什么样"；Craft的训练集里是数百万份Canva素材库中由人类设计师制作的模板——海报、社交图文、演示文稿、信息图、菜单，以及大量排版密集的版式。

这些模板教会模型的不是一张图好不好看，而是版式、层级和文字排版如何配合。换句话说，Craft学到的是设计背后的原理，而不只是模仿最终效果。

预训练之后，Canva又通过监督微调和强化学习继续打磨，让Canva的专业设计师和数十名研究人员一起，对25000多组图像做了与主流模型的成对盲评。当自动评估和人的判断不一致时，以设计师的意见为准。

成绩单：人物肖像和风景自然类全球第一

根据DesignArena——全球最大的人工智能设计众包评测平台——的排名，Craft首发即位列图像生成模型第四名，在多个子类目表现突出：人物与肖像类在全球87个模型中排名第一，风景与自然类在85个模型中排名第一，抽象与图案类排名第二，产品类排名第四。

为了让2.5亿用户每秒创建的400多个设计都能快速出图，Canva在工程侧做了两手优化：一是通过模型蒸馏把Craft的推理步数压缩到原来的一小部分；二是为规划阶段自研了一个专用推理引擎，让Craft比第一个内部版本快了一个数量级。在此基础上，两款更快更省的版本Craft-fast和Craft-ultrafast已在开发中，官方称将很快推出。

全员可用，还会接入ChatGPT和Gemini

Craft的入口是Canva编辑器左下角的Dream Lab面板，所有用户现在就能用。它支持任意语言的提示词，图内文字可以用55种语言书写。开发者可以通过Canva公开API调用craft_v1_2k模型（目前处于预览阶段，消耗账户的AI额度），接下来Craft还会进入Canva的MCP服务器，让ChatGPT、Gemini等第三方对话产品也能调用它生成图像。

自研模型的商业逻辑并不复杂：此前Canva一直在平台内调用多种外部图像模型，自研之后既能省下可观的API成本，也能把生成质量和速度的主动权握在自己手里。值得注意的是，Canva在2024年收购了媒体生成平台Leonardo.ai，其研究人员深度参与了Craft的研发；去年Canva还发布过一款能理解设计结构与图层关系的自研模型，此次的Craft补上了"生成"这一环。

不过，Canva自身的处境也在发生变化：去年营收有望达到40亿美元的Canva，已下调2026年增长预期，外部分析师估计其估值从420亿美元降至350亿美元。在这个节点上押注自研模型，既是产品能力的补强，也是对AI时代设计平台护城河的一次重注。

从先出图再修图的旧流程，到先规划、可编辑、能分层的新流程，Craft想改变的不只是出图质量，而是"生成一张图"和"完成一个设计"之间的那道鸿沟。这条路能不能走通，接下来要看用户在Dream Lab里给出的答案。