AI Pulse
📡 X 信号

八轮视觉修复后,Ling-3.2-flash 复刻原创女剑客海报的实测结果

我是一名画家,也是一名 AIGC 创作者。从传统绘画到 AI 影像创作,我每天都在和不同的生成式模型打交道。对于 AI,我最感兴趣的早已不只是它能生成多么漂亮的画面,而是它能否真正进入我的创作工作流,理解需求、执行任务、发现问题,并最终交付成果。

最近,我使用百灵新发布的 Ling-3.2-flash,进行了一次真实的视觉复刻测试。我没有选择复杂的三维建模,也没有让它同时完成十几项任务,而是拿出自己原创的中国女剑客 Sharon 海报,让它完成一件看似简单、实际非常考验细节的工作:将一张完成的电影视觉海报,尽可能精确地复刻为可以在浏览器中独立运行的 HTML 页面。

这次测试经历了八轮主要视觉修复,也出现了代码修改失败、执行停顿、预览 404 等问题。最终,我确实拿到了能够在本地浏览器中打开的 HTML 文件。但整个过程远比一句“AI 成功生成网页”复杂。

Sharon 是我长期创作的一名中国女剑客。她有一个外国名字,但从人物造型、精神气质到电影视觉语言,都建立在东方美学之上。这次使用的参考图是一张 1672 × 941 像素的原创电影海报。画面中的 Sharon 手持长剑,红色织物在空中翻卷,人物背后是阴冷的东方建筑与巨大的月亮。整张图具有明显的电影叙事感,同时包含英文标题、中文竖排文字、印章和手写签名。

对于普通的图片展示来说,这些元素似乎没有什么特别。但作为画家,我知道真正困难的地方在哪里。文字的位置只要偏移两三个像素,原本稳定的视觉节奏就可能被打乱;字体笔画稍微粗一点,画面的气质就会改变;如果模型为了清除文字而破坏背景的光影,整张作品的完整性也会受到影响。

所以,我想知道:面对一张已有的艺术作品,AI 能否不只是生成一个“差不多”的页面,而是通过视觉反馈不断接近原始设计?这也是我选择 Ling-3.2-flash 的原因。根据百灵官方介绍,Ling-3.2-flash 是一款原生多模态模型,强调的不仅是文字和图像理解,还包括利用视觉反馈检查执行结果,并在遇到异常时尝试调整和继续完成任务。

官方公布的模型规格包括总参数 560B、单步激活参数 25B,以及 1M 原生长上下文支持。但这些都是官方提供的产品信息,并不是我这次测试所验证的内容。我真正要检验的,是它在一个具体任务中的实际表现。

这次我使用的是官方提供的 Ling Studio 在线入口。测试围绕 Ling-3.2-flash 的 Agent 工作流程展开。我提供的核心素材是 Sharon 的原创电影海报,并要求模型将原始视觉转换为 HTML 页面,同时对生成结果进行渲染、截图和比较。

任务重点包括:尽可能保留原始海报的构图、色彩、人物和背景;准确处理英文标题、中文文字、签名和印章的位置与比例;通过实际浏览器渲染检查视觉偏差;发现问题后继续修改,而不是只交付第一版;最终生成能够独立打开的 HTML 文件,并提供验证结果。

我特别关注最后两项。因为对于真正的创作工作来说,生成初稿只是开始。能否检查、修改和交付,才决定了工具有没有实际价值。这次测试中,Agent 使用了 Python、OpenCV、HTML、CSS、JavaScript 和 Playwright 等工具。其中,OpenCV 负责部分图像处理,Playwright 用于浏览器渲染与截图,Python 脚本负责生成页面和比较结果。这些是本次执行环境中实际使用的工具,并不代表所有 Ling Studio 会话都默认具备完全相同的配置。

模型首先分析了原始图像,并采用了一种比较务实的实现方案。它没有试图通过 CSS 从零重绘 Sharon、建筑、月亮和飞舞的红色织物。相反,它保留了原始图像作为主要视觉背景,然后尝试清除画面中的原有文字,再重新构建部分排版。

具体来说,模型使用 OpenCV 的图像修复方法,对文字区域制作遮罩,并通过 TELEA inpainting 修复被清除文字覆盖的背景。英文标题和部分说明文字,则通过真实 HTML 文本进行重建。对于中文竖排标题、印章以及手写签名,模型采用了原始图像的局部像素裁切。

这个技术选择值得说明。它并不是把整张海报简单塞进一个网页,也不是完全依靠 HTML 和 CSS 重新绘制全部内容。而是一种图像与网页排版相结合的混合复刻方式。作为创作者,我认为这种方法合理。因为本次目标不是证明 CSS 可以画出一名女剑客,而是尽可能准确地保留已有作品的视觉效果。但在评价最终精度时,必须承认原始图像复用对结果的贡献。

根据最终技术报告,模型经历了 R0 到 R7,共八轮主要修复。第一轮,问题就出现了。在清除原有文字时,图像修复算法产生了明显的光晕伪影。模型随后重新调整文字遮罩、颜色判断、膨胀范围以及边缘羽化处理。

接下来,英文文字无法正常显示。问题出在字体加载方式上。模型修正了字体资源的注册方法,结合 FontFace API 与 CSS 字体声明,才使英文排版恢复正常。之后,又接连出现新的问题:CSS 缩放表达式无效、浏览器缓存导致截图不同步、字体加载偶发失败,以及文字高度与原图不一致。这些错误并不惊天动地,却非常真实。在实际开发中,很多时间就是消耗在这种细节上。

到了后面的几轮,模型开始对字号、字距、文字边缘和颜色进行更细致的调整。例如,它发现部分文字比原图高出两三个像素,于是重新校准字体尺寸。部分英文标题宽度不一致,就逐行修改 letter-spacing。引号的位置和署名的颜色存在偏差,也被纳入比较。

最后一轮尤其有意思。模型发现,即使 CSS 使用的是 scale(1),也可能触发浏览器对画面的重新采样,从而产生轻微模糊。于是,它移除了这个不必要的变换。根据最终技术报告,这一修复使全图平均绝对误差 MAE 从 3.38 降至 0.52。这是我认为整次测试最值得关注的技术细节。因为它展示了一种不同于传统聊天式 AI 的工作方式:生成结果不是终点。模型可以通过工具观察结果、测量偏差,再决定下一步如何修改。

当然,这些修复步骤来自 Agent 的执行记录和最终报告。我并没有对每一轮进行独立的第三方像素复测。但最终页面能够正常打开,这一点是我亲自验证过的。

最终报告给出了相当详细的测量结果。原始海报与最终渲染截图均为 1672 × 941 像素。报告显示:全图平均绝对误差 MAE 为 0.52;像素差值大于 40 的比例为 0.42%;中文标题区域 MAE 为 0.0;签名区域 MAE 为 0.0;左侧英文文字区域 MAE 为 7.8;英文主标题区域 MAE 为 14.1;引文区域 MAE 为 14.2。

这里需要解释一下。MAE 是平均绝对误差,数值越低,说明参与比较的像素通道平均差异越小。但它不是一个可以直接换算成“百分之多少还原度”的指标。同时,中文标题和签名区域之所以能够达到零误差,主要是因为模型直接使用了原始图像的像素裁切。所以,我不会把这组数据解释为 AI 从零生成了与原图完全一致的所有元素。它证明的是:在采用混合复刻方案的前提下,最终网页渲染与参考海报达到了较高的像素一致性。

作为画家,我还会关注数字之外的东西。比如人物是否依然具有原来的气质,红色织物是否保持原有的视觉节奏,背景冷暖关系是否被破坏。从我最终看到的画面来说,主要视觉元素得到了保留。但报告也明确列出了一些不足:细线字体的抗锯齿效果仍有差异,一小块原始暖光在清除文字时被误删,局部背景留下了轻微修复痕迹。这说明视觉复刻虽然成功,却并非没有瑕疵。

如果只展示最终 HTML 截图,这次测试看起来会非常漂亮。但真实过程并不轻松。在任务执行中,Agent 曾经因为修改文件失败而中断。它试图使用精确文本匹配的方式替换已有代码,但目标内容与文件实际内容不一致,导致修改连续失败。我不得不进行人工干预。

我明确要求它保留当前工作空间,不要重新开始,并改变文件修改策略:先检查现有文件内容,再使用 Python 进行修补,或者直接重写相关文件。之后,Agent 才继续执行原来的任务。这件事让我意识到,所谓的 Agent 自主纠错,并不是一个非黑即白的问题。它确实具备检查和修改问题的能力,但这一次,某些关键恢复步骤仍然需要我提供明确指令。

后来,我又多次遇到长时间没有新输出的情况。界面似乎停住了。我不知道模型是在运行复杂任务,还是等待工具返回,又或者已经陷入异常。这种不透明的执行状态,对用户体验影响很大。特别是当任务已经持续很久时,最担心的并不是再等几分钟,而是不知道之前的工作是否还能保留。最终,模型完成了文件生成和内部验证。但事情仍然没有结束。

这是整次测试中最具有现实意义的一段经历。Agent 报告说,HTML 文件已经生成,服务器检查返回 HTTP 200。它还生成了最终渲染截图和技术报告。但当我尝试打开所谓的“Open exhibition page”时,发现它最初只是一段普通 JSON 文本,并不是可以点击的文件链接。

随后,我让 Agent 提供实际可用的预览方式。它启动了本地服务器,给出 127.0.0.1:8000 的访问地址。然而,预览窗口第一次显示的却是:404 — File not found。模型在自己的环境里确认文件存在,并不代表用户一定能够顺利访问。后来,在检查预览地址并继续处理后,页面终于正常显示。

我又进入 Ling Studio 的 Files 面板,找到 exhibition.html。由于文件超过 1 MB,平台文件面板无法直接显示完整预览。最后,我将它下载到自己的 Windows 电脑,在 Edge 浏览器中直接打开。这一次,Sharon 完整地出现在屏幕上。人物、长剑、红色织物、建筑背景、英文标题和签名,都正常呈现。直到这一刻,我才认为这次任务真正完成了交付。因为对于用户而言,Agent 说“我完成了”,与用户实际拿到可以使用的文件,是两回事。

答案是:能用,但必须准确界定它的功能。最终交付的是一个约 3.50 MB 的独立 HTML 文件。根据报告,字体和图像资源均已内嵌,没有外部资源引用。我将文件下载到本地电脑后,确实能够直接通过浏览器打开,画面也正常显示。因此,高精度 HTML 视觉海报复刻这个任务,最终完成了。

但是,它不是一个具有丰富交互功能的网站。在我实际检查的最终成果中,没有验证到可用的动画交互、鼠标视差或其他动态体验。因此,我不会将它称为完整的交互式电影网页。更准确的描述应该是:一张可独立运行、视觉还原度较高的 HTML 电影海报。

对于需要将视觉设计稿转为浏览器展示页面、制作静态作品展示或进行排版精度验证的创作者,这种能力有实际参考价值。但如果任务要求复杂交互、响应式布局、完整前端组件或者可以直接投入生产的网站,仅凭这次测试还不能证明模型已经具备相应的交付能力。

我并不是程序员。我是一名长期从事绘画、视觉设计和 AI 影像创作的人。因此,我评价这次测试的角度,可能和专业前端工程师有所不同。我不只关心代码是否运行,也关心最终画面是否忠实于原始作品。我不只关心模型有没有发现错误,也关心它是否知道应该保留什么、不应该破坏什么。

这次 Ling-3.2-flash 让我印象最深的,不是它最终生成了一个 HTML 文件。而是它在多轮任务中,通过渲染截图、测量误差、调整参数,不断逼近原始视觉。这是一种很有价值的能力。但我同样看到了它的边界。它仍然可能修改代码失败,仍然可能需要人工介入,仍然可能在文件已经生成之后,无法顺畅地完成交付。

而且,像素误差足够小,并不意味着模型真正理解了作品的全部审美意义。对 AI 来说,颜色可以被量化,文字位置可以被测量,像素差异可以被计算。但对于画家来说,一张画还有情绪、记忆、叙事与个人表达。这些东西不能简单地用一个 MAE 数字概括。

这次测试让我对 Ling-3.2-flash 有了比较具体的认识。它在视觉复刻方面表现出较强的执行能力。它能够使用图像处理和浏览器工具,通过多轮反馈逐步修正结果。它也最终交付了一个能够在本地独立打开的 HTML 文件。但这并不是一次完全无人干预的成功。

我需要在代码修改失败时提供恢复策略,在执行停顿时检查状态,在预览报错后继续处理文件访问问题,并亲自验证最终交付。所以,如果让我评价它,我会说:Ling-3.2-flash 已经能够在具体任务中表现出有价值的 Agent 工作能力,但距离稳定、透明、无需人工协助的复杂任务交付,还有提升空间。

我并不期待 AI 永远不犯错误。真正让我感兴趣的是,它犯错之后能否发现问题、修正问题,并继续向目标推进。从这次实测来看,它做到了其中相当重要的一部分。而对我这样的创作者来说,未来最值得期待的 AI 工具,并不是单纯生成速度越来越快的模型。而是那些能够真正理解工作目标、接受反馈、持续改进,并最终把可用成果交到创作者手中的系统。

我会继续使用自己的原创作品进行测试。因为我始终相信:技术应该帮助艺术家实现想象,而不是让艺术家放弃自己的判断。

测试信息:测试模型为 Ling-3.2-flash,使用入口为 Ling Studio,测试素材为原创中国女剑客 Sharon 电影海报,原图分辨率 1672 × 941,任务目标为视觉海报转 HTML、高精度复刻与验证,主要工具包括 Python、OpenCV、Playwright、HTML、CSS、JavaScript,主要迭代为八轮(R0–R7),最终交付约 3.50 MB 独立 HTML 文件,报告全图 MAE 为 0.52,实际验证为本地浏览器成功打开、静态视觉正常,主要局限为无已验证的交互功能、部分代码修复及交付环节需要人工介入。本文为本人真实操作体验。模型参数来自官方介绍,误差与技术细节来自 Agent 生成的 FINAL_REPORT,最终 HTML 的本地打开情况由本人实际验证。本文不将官方演示能力等同于个人实测结果。

查看 X 原帖

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新