Koniec dyktatury promptu? Reve 2.0 stawia na układ zamiast słów

Wrzucasz tekst, dostajesz losowość. Tak od lat wygląda generowanie obrazów przez AI, gdzie zmiana jednego przymiotnika potrafi zrujnować całą kompozycję. Startup Reve AI z Palo Alto postanowił to zmienić, ogłaszając 3 czerwca 2026 roku model Reve 2.0. Zamiast walczyć z kaprysami języka naturalnego, system stawia na strukturę, którą można edytować jak kod.

Dlaczego to ważne? Rynek ma dość nieprzewidywalności „promptowania” i szuka inżynieryjnych narzędzi do kontroli grafiki. Reve 2.0 wpisuje się w ten trend, oferując natywne 4K bez sztucznego powiększania oraz drastyczne obniżenie kosztów operacyjnych. To sygnał, że dominacja tekstowego interfejsu w graficznym AI właśnie dobiega końca na rzecz podejścia „images as code”.

Problem z definicją obrazu

Obecne modele generatywne opierają się na fundamencie, który z natury jest wadliwy: na tekście. Standardowy proces, w którym LLM rozwija krótkie polecenie użytkownika w opis, a model dyfuzyjny próbuje przełożyć go na piksele, zawsze generuje szum informacyjny. Tekst jest wieloznaczny. W projektowaniu graficznym ta dwuznaczność oznacza brak kontroli. Niemożliwe staje się precyzyjne osadzenie obiektów czy zachowanie spójnej typografii bez dziesiątek prób.

Zespół Reve 2.0 rzucił wyzwanie temu podejściu. Zamiast polegać na płynnej prozie, model wykorzystuje strukturalną, hierarchiczną reprezentację obrazu. „Layout jest dla obrazu tym, czym HTML dla strony internetowej lub SVG dla grafiki wektorowej. Oddziela intencję semantyczną od renderowania pikseli” – tłumaczą twórcy w technicznym opisie na łamach Fello AI. Każdy element posiada tutaj ściśle zdefiniowaną lokalizację i rozmiar.

Sztuczna inteligencja z wyobraźnią przestrzenną

Kluczem do zmiany reguł gry jest Large Layout Model. Zespół wytrenował go na miliardach obrazów z gęstymi adnotacjami, wykorzystując jako bazę modele z rodziny Qwen. Dzięki temu system nabył unikalną zdolność rozumowania przestrzennego. Mike Speiser, inwestor Reve, zauważa na LinkedIn: „Zastąpiliśmy tekst lepszą, kodopodobną reprezentacją semantyczną. Layout to powód, dla którego możemy wygrywać z modelami trenowanymi na dziesięciokrotnie większej mocy obliczeniowej”.

Praktyka potwierdza te deklaracje. Reve 2.0 generuje obrazy w natywnej rozdzielczości 4K×4K (16 megapikseli) bez osobnego etapu upscalingu. Co więcej, im bardziej złożony jest układ i im więcej regionów model musi przetworzyć, tym wyższa jest wierność detali. To czysta matematyka kompozycji zamiast zgadywania intencji użytkownika.

Nowy standard interfejsu

To podejście zmienia sposób edycji. Layout jest formatem czytelnym dla człowieka – użytkownik może korygować wynik, dosłownie przesuwając bloki w strukturze drzewa elementów (element tree). Jest to szczególnie istotne w typografii, która do tej pory była piętą achillesową modeli dyfuzyjnych. W Reve 2.0 renderowanie czytelnych napisów w 4K staje się powtarzalnym procesem inżynieryjnym.

Ambicje startupu są wymierne. Reve 2.0 dąży do pełnej automatyzacji w workflowach biznesowych. Jak podaje Trilogy AI, bazowa cena w API wynosi około 0,0067 USD za obraz. To sygnał dla studiów kreatywnych: generowanie obrazów przestaje być zabawą w „zaklinacza promptów”, a staje się świadomą syntezą wizualnego programu.