剛剛，龍蝦學會畫畫了！阿里甩出Wan2.7生圖王牌，捏臉精確到骨相

新智元報道

編輯：好困 桃子

【新智元導讀】龍蝦終于會畫圖了！阿里Wan2.7-Image剛剛上線，捏臉到骨相級、首創「調色盤」、3K超長文本寫滿A4不崩，還能接入OpenClaw一句話出圖。

養蝦人狂喜！ 今天，龍蝦終于學會生圖了。

捏臉捏到骨相級別，調色精確到HEX色號，文字渲染一口氣寫滿一頁A4紙，編輯指哪改哪，9張參考圖喂進去臉都不崩。

炸不炸？先看這組。

同一段提示詞，只改外貌描述，出來五張完全不同的臉——

Prompt：

正面半身人像，一位【外貌的設定】的男性樂隊主唱在舞臺上演出，單手握住立麥，頭微微后仰嘶吼，汗水從額頭滑到下頜線，汗濕的黑色碎發貼在前額和鬢角，穿一件被汗浸透的黑色背心，鎖骨和手臂肌肉線條清晰，舞臺頂光從正上方打下來形成強烈的明暗對比，背景是模糊的彩色舞臺燈光和煙霧，搖滾現場抓拍風格，高ISO顆粒感，85mm鏡頭。

從滿臉的絡腮胡、稚嫩的娃娃臉，到微胖的身材、深棕黑色的皮膚，主體保持了驚人的一致性。

左右滑動查看

同一個舞臺，同一束頂光，但是五張完全不同的臉！

背后的狠角色，是阿里4月1日剛上線的Wan2.7-Image，一個把生圖和編輯能力統一在一起的新模型，同步支持作為Skills接入OpenClaw。

翻譯成人話：你的龍蝦，現在不光能聊天、寫代碼、跑自動化，還能畫圖了。而且畫得，相當能打。

千人千面，告別AI臉

「活人感」，一種微妙的真實，恰恰是AI生圖最難駕馭的地方。

打開任何一個圖文平臺，滿眼皆是同質化的「塑料AI臉」。不偏不倚的五官比例，毫無瑕疵的雞蛋肌，以及一雙空洞呆滯的眼睛。

這些被算法喂出來的「標準臉」，美得毫無破綻，卻像流水線上批量生產的偶像練習生。

千人一面，毫無靈魂。

Wan2.7-Image的解法，是把生成粒度下鉆至「骨相」與「皮相」的微觀層級。一句簡單的提示，便可做到從骨骼結構、眼眸深淺到五官細微處的全方位定制。

你可以精準要求生成鵝蛋臉、圓臉、方臉或長方臉。

Prompt：

正面半身人像，一位25歲的東亞女性，【臉型的設定】，自然光線，眼神直視鏡頭，黑色直發披肩，穿白色圓領T恤，背景純色淺灰，寫實攝影風格，35mm鏡頭，淺景深。

鵝蛋臉、圓臉、方臉

這種「捏臉」還可以進一步延伸到眼部細節的微調。杏仁眼、圓眼、丹鳳眼，動動嘴就能定制。

Prompt：

一張超近距離面部特寫，畫面只截取眉毛到鼻尖的范圍，一位25歲東亞女性，【眼睛的設定】，皮膚細膩有毛孔質感，自然光從正面柔和打入，沒有妝容，素顏，睫毛根根分明，虹膜深棕色可見紋理，眼角有一顆小痣，背景完全虛化為奶白色，微距攝影風格，100mm微距鏡頭，超高清。

杏仁眼、丹鳳眼、瞇縫眼

整個人的全臉拿捏，僅憑一句話即可完成。千人千面，盡在一語之間。

這正是「活人感」的本質：不完美，但真實。

首創「調色盤」，色彩不再是盲盒

在設計師眼里，顏色就是精準的空間坐標。

一句「暖橙色調」，對于不同的AI可能產生差異懸殊的結果：有時是莫蘭迪的土橙，有時是梵高向日葵的明黃，有時又會滑向秋日夕陽的深紅。

這種「色彩盲盒」式的隨機性，設計師根本沒法交差。在嚴苛的品牌視覺系統面前，1%的色差即是無效產出。

由此，Wan2.7-Image在業內首創「調色盤」功能，將色彩控制權交還給創作者。

用戶可通過HEX色號，一鍵提取或輸入參考圖的各種顏色和占比，自由調控顏色的數量和比例，自定義配色方案。

從馬蒂斯濃郁的紅色系、梵高明媚的黃色系，到畢加索清冷的藍色系，都能參考生成同色系的圖片。

萬相網頁版已經內置了完整的調色盤交互，三步搞定：

第一步，點擊底部工具欄的「調色盤」按鈕，彈出配色面板。系統預置了「藍調」「熱情」「馬卡龍」「莫蘭迪」等多種推薦配色方案，選一個直接用也行。

第二步，想自定義？

點「新增配色方案」，然后點「從圖片提取配色」，上傳任意參考圖，系統自動提取主色和占比。

顏色數量可以用加減號增刪，比例可以拖動色塊邊界自由調整。

第三步，確認配色后回到主界面，調色盤已經掛載到工具欄上。輸入場景描述，點生成，出來的圖就嚴格遵循你定義的色彩方案。

有了這套流程，世界名畫的靈魂色彩，從此觸手可及。

梵高《星月夜》中，那抹熱烈奔放、盤旋交織的藍黃撞色，讓Wan2.7-Image提取八種顏色，并重構于現代都市。

可以看到，在這座燈火通明的城市中，點綴的正是星月夜中的色調。

Prompt:

一座現代城市的天際線夜景，高樓大廈的燈光倒映在平靜的江面上，遠處有一座跨江大橋，天空中有幾朵流動的云，電影感構圖，寬幅畫面，油畫質感。

又或是，將莫奈《日出·印象》中藍灰色調與太陽爆發出的柔和橙黃，映射到另一個物理空間中。

Wan2.7-Image把莫奈的色彩DNA植入到每一個元素中，讓江南水鄉也有了一種印象派的濾鏡。

Prompt：

一座江南水鄉古鎮的清晨，石拱橋橫跨窄河，兩岸是白墻黛瓦的老房子，河面有薄霧彌漫，一條烏篷船靜泊在橋下，柔和的晨光從東方透過來，攝影質感，35mm鏡頭。

同樣，還可以把一張AI藝術畫的色調，一鍵遷移至「大褲衩」的建筑藝術構圖中。

Prompt：

A surreal 3D installation of the CCTV Headquarters building in Beijing, the building is made of translucent blue crystalline glass with a diamond grid texture, adorned with oversized colorful vibrant flowers and pom-poms in pastel pink, orange, and blue, lush flower garden at the base, bright blue sky with fluffy white clouds, dreamy and romantic atmosphere, soft natural lighting, C4D rendering, Octane render, high detail, 8k, cinematic composition.

3K超長文本，生圖告別「文盲」時代

在AI圖像生成的「頑疾清單」上，文本渲染始終盤踞榜首。

一旦字數超過幾個詞，AI的表現便開始失控：字母變形、筆畫斷裂、漢字錯位，甚至整段文字莫名消失。

Wan2.7-Image對這一頑疾發動了正面進攻。它實現了對超長文字、表格、復雜公式的印刷級渲染，支持業內最長的3K Tokens文字輸入，可以寫滿一頁A4紙。

Prompt：

一張大學高等數學期末考試試卷，白色紙張，印刷體黑色文字，包含以下內容：

一、選擇題（每題5分，共20分）

函數 f(x) = (x2-1)/(x-1) 在 x=1 處的極限為： A. 0 B. 1 C. 2 D. 不存在

若 ∫?1 f(x)dx = 3，則 ∫?1 2f(x)dx = A. 3 B. 6 C. 9 D. 12

二、計算題（每題15分，共30分）

求不定積分 ∫ x2·e? dx

計算二重積分 ?_D (x2+y2) dxdy，其中D為 x2+y2≤4

三、證明題（25分） 用ε-δ語言證明：lim(x→2) (3x-1) = 5

四、應用題（25分） 設曲線 y = x3 - 3x + 2，求該曲線在區間[-2, 2]上與x軸圍成的面積。

標準A4紙排版，頁眉印「XX大學 2024-2025學年第一學期期末考試」，頁腳印「第1頁 共2頁」。

積分號、求和號、ε-δ語言，一個沒崩。

再來一張豎版書法卡片：

Prompt：

一張豎版宣紙質感的書法卡片，毛筆楷體風格，居中排列，內容為蘇軾《水調歌頭》全文： 明月幾時有？把酒問青天。不知天上宮闕，今夕是何年。我欲乘風歸去，又恐瓊樓玉宇，高處不勝寒。起舞弄清影，何似在人間。轉朱閣，低綺戶，照無眠。不應有恨，何事長向別時圓？人有悲歡離合，月有陰晴圓缺，此事古難全。但愿人長久，千里共嬋娟。 背景淡米色宣紙紋理，右下角一枚紅色印章。

對比之下，ChatGPT和Gemini都有明顯的錯字。

但真正讓我們倒吸一口涼氣的，是下面這組。

Wan2.7-Image直接生成了帶有完整圖表、公式、分欄排版的學術論文頁面。

說實話，這個場景日常用到的概率不高，背后的提示詞長到離譜，塞滿了論文標題、正文段落、圖注、參考文獻格式等海量細節。

普通用戶大概率不會這么用。但這恰恰是秀肌肉的時刻。

能把這種極端長文本、多層級排版、圖文混排的任務吃下來，說明Wan2.7-Image的文本理解和渲染引擎在底層就是按「印刷級」的標準做的。

日常寫個菜單、出張海報，對它來說只是降維打擊。

甚至是多語言文字同屏輸出，也難不倒Wan2.7-Image。

Prompt：

一張極具電影感的寫實照片，展示一位優雅的中國女子，身穿精致的漢服風格深藍色提花夾克（金絲祥云刺繡）和米色褶皺長裙，頭發整齊地盤在腦后，插著一根精致的發釵。她正坐在一張古樸的深色木桌前，專注地閱讀一本封面標有「WORLD LITERATURE」和中文「世界文學」古籍。 桌上堆放著兩摞多語言書籍，書脊清晰可見，標有「Oxford English Dictionary」、「現代漢語詞典」、和「DEUTSCHE GRAMMATIK」等字樣。在她面前，一本打開的筆記本上擺放著一支精致的鋼筆，筆記本上寫滿了手寫筆記。在桌子的左側，兩個古董地球儀（一個顯示歐洲，一個顯示亞洲）擺放有序。 背景是兩個巨大的、堆滿數千本多語言書籍的實木書架，書籍擺放整齊。一個大型的中式木窗位于左側，透過窗戶可以看到一個寧靜的竹林花園和遠處的樹葉。窗玻璃旁墻上清晰地貼著一個掛軸，上面寫著四個中文大字：「學無止境」。 自然的晨光從窗戶灑進來，照亮了場景，營造出溫暖、寧靜的氛圍。視角是眼平視，捕捉了女子和環境的豐富細節。電影級畫質，自然膠片顆粒。

Prompt：

一位面帶微笑的、不同族裔的五人小組，在阿姆斯特丹繁忙的、鋪有石板的步行市場街道上，面向鏡頭，肩并肩站成一排。從左到右：一位老年中國女性，穿著傳統的絲綢圖案夾克，雙手拿著一個木牌，上面用白色漢字寫著「你好！」；一位年輕的日本男性，戴著眼鏡，穿著米色連帽衫，拿著一個紙板標志，上面用黑色日文寫著「こんにちは」；一位年輕的法國女性，戴著黑色貝雷帽，穿著條紋襯衫，拿著一個紙板標志，上面用黑色法文寫著「bonjour!」；一位年輕的印度男性，戴著深藍色頭巾，穿著米色突尼克衫，拿著一個紙板標志，上面用黑色印地語寫著「??????!」；一位年輕的非裔女性，留著蓬松的卷發，穿著色彩鮮艷的圖案上衣，拿著一個紙板標志，上面用黑色葡萄牙語寫著「Olá」。背景是典型的荷蘭運河房屋、一輛行駛中的阿姆斯特丹有軌電車、色彩鮮艷的街道旗幟和繁忙的市場攤位，柔和的日光，景深較淺。

AI繪圖的「文盲」時代，由此終結。

交互式編輯，指哪打哪

生圖能力再強，創作者最終還是需要編輯。而AI的編輯能力，長期以來是一塊燙手的短板。

用過傳統AI修圖的人，或許都經歷過一種絕望：改一下背景顏色，主體人物的服裝也變了；稍微調整一下嘴角，整個面部結構崩塌重建。AI不理解「局部修改」的邊界，把不想改的地方也改了，妥妥的「效率黑洞」。

Wan2.7-Image用「精準框」的交互方式解決了這個問題。在指定區域內完成元素添加、對齊、移動元素或logo，框外的內容紋絲不動。

舉個栗子，精準框選圖中的大雁，并輸入指令：將圖中框選的大雁移動到虛框位置，并且姿勢變成站在屋檐上。

被框選的大雁，已經落到了屋檐上，圖中的其余部分都被「完美鎖定」，未受任何干擾。

更驚嘆的是，Wan2.7-Image智能地將大雁縮小，讓其符合透視原理，完美融入遠景建筑物的比例。

大雁的姿態也從「展開雙翼飛翔」切換為「收起翅膀直立棲息」，整個畫面過渡非常自然。

萬相網頁版已經內置了完整的編輯交互，操作也很直覺：

第一步，在圖片生成頁面，底部工具欄將模式切換為「底稿」，上傳要編輯的原圖。

第二步，點擊已上傳的圖片縮略圖，彈出操作菜單，選擇「框選」。也可以選「更換」或「刪除」，對應不同的編輯需求。

第三步，在圖上拖出一個矩形框，圈住你要編輯的區域（支持框選1-2個區域）。支持消除、修改、添加、移動、尺寸變換等操作，確認后回到主界面。

第四步，在輸入框里寫上你的編輯指令，比如「框選的位置加個薯餅」，點生成，搞定。

這種指哪打哪的「交互式編輯」，讓AI終于從「不可控的藝術家」變成了「聽話的執行搭檔」。

最多9圖參考，主體統一不走形

多人場景一直是AI生圖的重災區。角色一多，臉就崩，風格就飄。

Wan2.7-Image支持最高9張圖片作為參考源，多張參考圖喂進去，人物長相、風格、光影全鎖死，輸出結果在視覺上高度統一。

做電商的朋友們真的有福了。只需上傳一張參考圖，Wan2.7-Image就能帶著同一個模特在全球各地「瞬移」，不管環境怎么變，主體人物的長相、神態都穩如老狗。

上一秒身著波西米亞長裙，漫步在馬爾代夫的細軟沙灘，下一秒已身處巴黎街頭慵懶地喝著咖啡。

從高級商務范到東京潮流街拍，再到健身房的運動風，切換得游刃有余。

左右滑動查看

不止人物。

五雙完全不同的鞋子，Wan2.7-Image也能完美揉進同一張畫幅，無變形、無違和。這才是電商人夢寐以求的生成器。

更狠的是，Wan2.7-Image還能一口氣吐出多達12張邏輯連貫圖像序列。

下面這個測試中，它連續生成八張圖，構成了一個完整的小故事，角色特征始終如一，幾乎毫無偏差。

Prompt：

請生成一組8張邏輯連貫的電影分鏡序列，講述以下故事：一個穿黑色風衣的年輕女性深夜走進一家無人便利店，她從貨架上拿了一杯泡面，坐在窗邊等熱水，窗外開始下雨，她看著雨發呆，手機屏幕亮了一下她沒接，泡面泡好了她開始吃，最后一張是她吃完走出便利店撐開傘消失在雨夜街道盡頭。全程無對白，電影感構圖，每張畫面的機位和景別有變化（遠景、中景、特寫交替），統一冷青色調，35mm膠片質感。

左右滑動查看

從「單幀」到「時序」，分鏡腳本、PPT系列配圖、電商模特套圖、多視角建筑方案，都可以批量交付。AI生成從「逐張抽卡」躍入「序列化生產」。

六邊形戰士是怎么練成的

實測看完了，拆底層。

Wan2.7-Image憑什么做到上面這些？五大功能的背后，每一項都指向算法架構與訓練數據上的深層變革。

先看硬指標。

在人類偏好盲測中，Wan2.7-Image的文生圖能力超過GPT Image 1.5和國內主流模型，在文本渲染、照片級成像和世界知識三個指標上，逼近Nano Banana Pro，可謂國內最強生圖模型。

再看能力面。

Wan2.7-Image支持交互式編輯（文字編輯、空間變換、內容生成和替換），多圖像生成能力覆蓋時尚美容、平面設計等多領域，堪稱六邊形戰士。

那關鍵問題來了：它為什么不只會生圖，還更懂圖？

答案藏在三層技術棧里。

第一層，數據。

超大規模的異構數據底座，不僅涵蓋全域品類的視覺素材，還整合了理解類數據。模型不是只看過圖，它還「讀」過圖。

第二層，架構。

Wan2.7-Image采用生成與理解統一的模型架構，在共享的潛在空間內完成語義映射。文字緊挨著畫面，模型不需要費力去猜文字對應的畫面，它本來就知道。

第三層，訓練。

訓練流程中引入了多模態指令（文字+圖片混合輸入），讓模型實現了從單純的像素擬合到底層語義認知的跨越。配合多維精細標注體系（按布局、文字、光影、拍攝角度、用途等維度標注）和分階段訓練策略，模型在長尾場景下依然穩得住。

同步上線的還有Wan2.7-Image-pro，基于更大規模數據和模型尺寸訓練而成，構圖更穩，語義理解更精準。追求極致效果的用戶，可以直接上Pro版。

三步接入龍蝦，讓它替你畫圖

這一次，Wan2.7-Image同步支持作為Skills接入OpenClaw。

那么，具體該怎么接？

萬相網頁版左下角已經掛上了「龍蝦」圖標，簡單三步一鍵完成接入——

第一步，在你的「龍蝦」里通過對話安裝Skills，直接發一句：

幫我安裝Wan-skills https://github.com/Wan-Video/Wan-skills

第二步，按照提示告訴「龍蝦」阿里云百煉API Key。

第三步，用對話開啟「龍蝦」生圖體驗。

接入之后，即可立刻體驗Wan2.7-Image生圖魔法了。

上面實測中，捏臉、調色、長文本渲染、精準編輯、多主體一致性，全部可以通過龍蝦的對話界面觸達。

這才是AI生圖真正該有的樣子：深度嵌入你已有的工作流，成為一個隨叫隨到的「設計師」。

每個人手里，都握著遙控器

回看Wan2.7-Image的五項核心能力，它做的事說到底就一件：把創作的控制權，從算法的隨機性里奪回來，交還給人。

一個十人規模的短劇團隊，過去最頭疼的是「預生產」階段。角色長什么樣，分鏡怎么畫，特效預演怎么做，每一步都是時間和錢。現在，千人千面的捏臉加上組圖生成，角色設定、動作參考、視覺方案可以在正式開機前全部跑通。試錯成本從「天」壓縮到「小時」。

一個做穿搭號的自媒體博主，日常最大的消耗不是選品，而是配圖。封面圖的風格要統一，OOTD的場景要多變，系列內容的視覺調性不能跑偏。現在一段精確的提示詞加一個調色盤，品牌視覺的一致性就有了底。

一個中小電商商家，一件商品需要數十張素材圖。傳統攝影外包的成本和周期讓人望而卻步。多主體一致性加上組圖生成，單張模特圖可以裂變為覆蓋不同場景、不同賣點的完整素材庫，上新周期大幅縮短。

從「千篇一律」到「千人千面」，從「盲盒抽卡」到「精準微操」。

AI生圖這件事，第一次真正由你說了算。

即日起，用戶可在https://tongyi.aliyun.com/wan/、wan.video網站和阿里云百煉體驗Wan2.7-Image，千問App也即將接入。