用完万相2.7,我悄悄卸载了电脑上的修图软件……

4 月 1 日，阿里巴巴正式发布图像生成与编辑统一模型 Wan2.7-Image，引起了很多网友的关注。

一直以来，AI 生图都有很多痛点问题，比如人物生成同质化严重，“AI 标准脸”让人审美疲劳；还有色彩不可控，让专业创作者难以对齐创作意图等等，很头疼。

而 Wan2.7-Image 主打的“千人千面”捏脸能力、“调色盘”精准色彩控制，恰好直击这些痛点。

基于更大规模数据训练的 Wan2.7-Image-Pro 版本也同步上线，在构图稳定性与语义理解精度上实现了进一步的提升。

作为 AI 生图的高频用户，小编在知道 Wan2.7-Image Pro 上线后，第一时间就进行了体验，现在小编把自己的体验感受给大家汇报一下，看看是否值得大家深度使用（下文测试使用的都是 Wan2.7-Image Pro，统一简称为“Wan2.7-Image”）。

01.

千人千面：捏出真正的“活人感”

由于小编在工作中经常需要生成各种人物的配图，不过之前无论是用国内的还是国外模型，图生多了总觉得人物长得都差不多，用久了就不太爽。

所以这次体验中，小编首先针对 Wan2.7-Image Pro 主打的“千人千面”捏脸功能进行了多轮测试。

我们先尝试了基础定制需求，让它帮我生成一个中国女性生活照，其中对五官的要求比较细致，包括“鹅蛋脸”、“柳叶眉”、“带点肉感的秀鼻”“M 唇”、“梨涡”等特征。Wan2.7-Image 一次生成 4 张。

我们选择比较好的一张为例，可以看到，人物生成很自然，要求的特征都呈现出来了。

这里小编还使用之前常用的谷歌 Nano Banana Pro 进行对比，Nano Banana Pro 一次可生成 1 张。

仔细看 Nano Banana Pro 生成的也不错，唯一就是梨涡有点太突出了，不那么自然。

接着为了测试 Wan2.7-Image“千人千面”的捏脸能力，小编让它对图片中女生的样貌进行修改，要求它将这个女生的脸型修改为瓜子脸，眼睛改为丹凤眼，眉毛更淡一些，嘴唇改为嘟嘟唇。

Wan2.7-Image 很快给出了结果，果然，女生的样子真的变了，五官的更改符合要求，不过有个小问题就是脸上的梨涡没了。

Nano Banana Pro 这边，对女生的五官修改整体也不错，不过“嘟嘟唇”这一项修改得不太明显，至少没有 Wan2.7-Image 明显。

整体来说，Wan2.7-Image 确实能做到比较细致的人物五官定制化生成能力，大家可以直接用 AI 来“捏脸”了，这对于一些短剧与影视创作团队、或者虚拟偶像行业等大有用处，用它来做前期的人物造型、分镜预览设计等等，会很高效，或者对于电商、自媒体创作者来说，无论是定制专属的模特形象，还是打造个人 IP 的虚拟分身，都能通过这项功能快速实现，无需再依赖真人拍摄与后期修图。

02.

精准调色盘：终结色彩盲盒

除了人物的生成，过去 AI 生图还有一个很严重的痛点，就是没法对色彩进行细致的自定义，你想要的唯美色彩，往往生成不出来，而生成出来的图片色彩往往不是你理想中的感觉，甚至有时候会比较“土”。

Wan2.7-Image 全新上线的“调色盘”功能，正是针对这一痛点给出的解决方案。

在实际使用过程中，如果你想要你的照片有某些独特的色彩艺术质感，就可以点击对话框右上方的“调色盘”功能，点开后，你就可以指定你想象中的颜色。Wan2.7-Image 默认给我们推荐了几种经典风格的色调，小编先从这些推荐的开始。

具体测试时，小编让 Wan2.7-Image 帮我生成一张具有“梦核”意境的阴天刮风老街的图片，然后选择推荐的“回忆”色调，这里面提供了 8 组颜色，生成的图片确实有我想象中的那种色彩艺术感。

接着同样的提示词小编再选择“蓝色”的色调，从淡蓝到黑的 8 种色号，生成的图片也遵循你指定的画面色调，满足小编想象中那种“梦幻”的感觉。

除了推荐的色彩，你也可以自己在调色盘里调整这 8 种色彩，比如小编自己调了一套色彩，调色的时候，你可以选择颜色的色号、色彩占比。

重新生成如下，面中的每一种颜色都完全贴合我指定的 HEX 参数，没有出现多余的杂色，也没有因为色彩的强制指定出现画面崩坏的问题。

而 Banana Pro 这边，虽然画面更精细，但色彩的风格就不可控，比如小编让它的画面风格偏孔雀蓝，而它生成多次也只能输出下面这种风格的蓝色。

另外 Wan2.7-Image 的调色盘还支持根据参考图色彩提取功能，还是上面这个画面，你想让它的色彩风格类似梵高的“星空”，那么就可以上传一张梵高《星空》的图片，Wan2.7-Image 会自动提取色彩。

这样，生成的画面风格就有梵高的《星空》的感觉了。

体验完之后，小编还是很喜欢“调色盘”这项功能的，它这是直接打通了 AI 生图从“能生成”到“可商用”的壁垒。比如对于商业设计师来说，无论是品牌海报、线下物料还是电商详情页的设计，都能通过调色盘功能精准对齐品牌 VI 规范，无需再经过后期软件的反复调色，又或者是对于艺术创作者而言，也可以快速复刻经典艺术作品的色系风格，完成不同色调的创作尝试。

03.

超长文本渲染：实现印刷级 A4 纸全页输出

文本渲染能力，一直是 AI 生图模型的传统短板。过去绝大多数生图模型都只能处理简短的标题类文字，一旦输入长文本，就很容易出现文字模糊、内容错乱、缺字漏字，甚至是乱码的问题。

而凭借长上下文文本编码（Long Context Text Encoder）解析超长序列，Wan2.7-image 对超长文字、表格和复杂公式的渲染可达印刷级，支持 12 种语言，最高 3K tokens 的超长文字输入，可输出一页 A4 纸的论文。

测试时，小编让 Wan2.7-image 生成一张“书桌上一个笔记本上写着《Wish You Were Here》歌词的原文”的图片，重点看笔记本上歌词的原文，Wan2.7-image 生成的图片中，笔记本上的歌词没有错误，并且还有合理的排版。

Nano Banana Pro 这边生成的图片相对不那么美观，不过文字渲染也是正确的，没有错误。

接着小编又提升了测试难度，加入了复杂的数理公式、不同语言的文字。具体来说，小编让 Wan2.7-image 生成数学老师上课的黑板板书，板书上分别是等差数列、等比数列的定义和三个基本公式。在提示词中，小编没有将这些具体的内容写出来，而是让 Wan2.7-image 根据自己掌握的知识来生成。

先看 Wan2.7-image 生成的结果，整体来看，板书的内容还是非常丰富的，数学公式也能写出来，内容基本上也是对的，其中也有一些小错误，比如等比数列的前 n 项公式，第一个应该是当“q≠1”。

Nano Banana Pro 生成的板书内容则有点简单，定义的描述比较模糊，等比中项公式只给出了基本公式。两者算是各有千秋吧。

04.

交互式编辑：哪里不对改哪里

很多时候 AI 生图都不是“一次生成就完事”的工作，还需要根据生成的内容修改调整到满意的效果。

但在过往的 AI 生图体验中，局部修改一直是比较困难的：往往只是想调整画面中的一个小元素，结果整个画面的风格、内容都发生了改变，想要实现精准的局部修改，几乎只能依靠专业的后期软件。

Wan2.7-Image 原生搭载的交互式编辑功能，就解决了这个痛点。在体验过程中，小编上传一张有序摆放各种物品的办公桌的照片。

然后小编在图像生成对话框左上角的选项中选择框选，然后点开图片进行框选，目前单次支持框选 1-2 个需要编辑的区域，支持消除、修改、添加、移动、尺寸变化等指令，整个交互体验很直观。

接着，小编在《高等数学》课本和手机上进行框选。

然后给出指令，让它将框选的物品互换位置。Wan2.7-Image 很快进行了修改，改后如下：

可以看到，修改后的图片手机和课本确实互换了位置，图片中其他的元素没有变化。

而 Banana Pro 这边，只能通过提示词指定明确的途中物品元素然后进行修改，改过后，虽然手机和课本的位置互换了，但课本挡住了笔记本，也算是对画面其他元素产生的修改。

在多轮测试中，无论是元素的添加、删除、移动，还是内容的替换、对齐，Wan2.7-Image 都能实现像素级的意图对齐，完全不会出现“一改全崩”的问题。

这种“哪里不爽点哪里”的编辑体验，无限贴近了专业设计软件的操作逻辑，却大幅降低了操作门槛，哪怕是没有设计基础的普通用户，也能快速完成画面的细节调整。

这下，像小编这样经常需要简单修图的人群，基本上可以告别各种修图软件了，直接用 Wan2.7-Image 就能快捷地满足日常工作地改图所需。

05.

组图生成

Wan2.7-Image 还具备强大的组图生成能力，支持的图像数量可生成多达 12 张，用于批量制作同风格系列图、PPT 配图、分镜脚本、电商模特套图及多视角建筑图。

在测试中，小编将组图最大数量调节至 12，然后给它一段《卖火柴的小女孩》的开头部分的文本，让它帮我生成一组 12 张图片构成的电影分镜脚本。

可以看到 Wan2.7-Image 生成的分镜脚本还是非常不错的，12 张图人物高度一致，有全景有特写，故事逻辑也连贯，还有一定的台词，基本上可以作为分镜脚本参考了。

再看 Nano Banana Pro 生成的组图，整体表现也不错，不过在故事逻辑上存在一些问题，比如小女孩先是赤脚，然后才出现鞋子跑掉的画面，逻辑顺序反了，还有火柴竟然是擦墙点燃的，不符合逻辑。

06.

多主体一致性：系列创作不翻车，最高支持 9 图参考

在复杂图片的创作中，多主体一致性一直是 AI 生图的核心难题。无论是制作影视分镜、海报，还是多人合影，都需要保证每个主体在不同画面中的一致性。过去的模型在面对多主体时，往往会出现注意力分散，换个图片，形象就变了的问题。而在 Wan2.7-Image 上，它的多主体一致性最高支持输入 9 张图片作为参考源。对于合影、电影海报及家具组合图等，可保持风格与特征的统一。

比如测试时小编找来 7 张西游记中的人物穿着现代衣服的照片让它作为参考图，然后让 Wan2.7-Image 以这 7 个人物为主体设计一张《西游商战篇》的电影海报。

可以看到，Wan2.7-Image 生成的海报还是比较出色的，7 个人物形象都保持了一致，海报的风格也满足小编的要求。

而 Nano Banana Pro 这边也可以将参考图合并成电影海报，优势是画面元素更丰富精致，但是在人物一致性上，女儿国国王的形象出现了偏差。

可见在多主体的一致性上，Wan2.7-Image 确实展现出不俗的表现。对于 IP 创作者来说，无论是虚拟形象、潮玩 IP 的多视角延展，还是系列漫画的创作，都能保证 IP 形象的一致性；而对于办公场景，系列化的 PPT 配图、企业宣传物料的制作，也能通过这项能力实现风格的统一，提升内容的专业度。

最后值得一提的是，对于时下大火的“龙虾热”，Wan2.7-image 现已支持 skill 调用，让龙虾画画。

具体步骤也不复杂，你只需在你的龙虾里通过对话安装 SKills，告诉他“帮我安装 SKills：https://github.com/ Wan-Video / Wan-skills”。

然后按照提示告诉龙虾你的阿里云百炼 API Key。

然后就可以用龙虾开启你的对话生图体验，比如小编在测试时让它生成了一个年轻女性的照片，龙虾很快就帮我完成了图像的生成。

07.

总结

经过多轮的深度体验，Wan2.7-Image 给我们带来的最大感受，是它真正跳出了传统 AI 生图模型“重生成、轻理解，重效果、轻可控”的固有框架，从底层技术架构出发，解决了当前 AI 生图领域的多个核心痛点。

而这种体验上的飞跃，源于模型底层的技术重构。

Wan2.7-Image 采用了生成与理解统一的模型架构，通过共享隐空间实现语义映射，让文字与画面实现了深度绑定，模型无需再去猜测文字对应的画面内容，大幅提升了语义理解的精准度。

同时，模型在训练流程中引入了多模态指令训练，实现了从单纯的“像素拟合”到“底层语义认知”的本质飞跃。

除此之外，超大规模的异构数据底座，覆盖了全域品类的视觉素材与理解类数据，配合多维度的精细标注体系与分阶段训练策略，让模型即便是在复杂的长尾场景中，也能保持极高的生成稳健度。

在权威的人类偏好盲测中，Wan2.7-Image 的文生图能力已经超过了 GPT-Image1.5 与国内主流模型，在文本渲染、照片级成像、世界知识三大核心指标上，已经无限接近 Nano Banana Pro，同时整体的人类偏好盲测评分位列国内第一。

小编在上面和 Nano Banana Pro 的对比体验中也有这个感觉，Wan2.7-Image 在许多项目和体验上已经很接近天花板级别的 Nano Banana Pro 上，在人物捏脸、图像编辑等某些体验上还能有更好的生成效果。说它是国内目前最顶尖的生图模型，不为过。

整体来说，Wan2.7-Image 已经构建起了“文生图、图生组图、图像指令编辑、交互式编辑”的完整能力闭环，无论是普通用户的日常创作，还是专业创作者的商用级需求，都能得到全面的满足。

也许很快，我们传统的各种修图 PS 软件，真的就统统都不需要了……