昨天，Google 正式发布了两项重要的 AI 生成模型重大更新：Veo 2 视频生成模型与 Imagen 3 图像生成模型。
坦白而言，Google 在图像生成与视频生成大模型领域的发展步伐并不算特别迅速。经过实际上手测试后，最直观的感受是“达到了合格水准”。具体到图像生成方面，虽与 Midjourney 相比仍存在一定差距，但若横向对比市面上其他主流的 AI 绘画大模型，其综合表现已基本处于同一梯队。
至于视频生成大模型，目前仍处于内测阶段，用户需排队申请，名额相对有限，因此暂时难以全面评估其最终的成片效果。不过，一个直观的判断是：其表现至少优于 Sora。尽管 Sora 已面向公众发布，但实际生成效果确实不尽如人意，与 10 个月前那支令人惊艳的预告片相比差距显著，甚至在多个维度上已被国产视频大模型实现反超。
接下来，我们详细解读这两款模型的核心亮点。
Veo 2 —— 这是一款相当先进的 AI 视频生成模型。其最大的亮点在于，对真实世界的物理规律以及人类的面部表情、动作细节拥有相当深入的理解。不仅如此，它还能理解电影摄影的专业术语与镜头语言。例如，用户可以直接要求模型生成“低角度跟拍镜头”或“特写镜头”，模型即可根据指令输出具备特定镜头角度与景深效果的专业级视频内容。输出分辨率最高支持 4K，视频时长可达数分钟。相较于市面上其他同类模型，Veo 2 还有一个显著优势：出现“幻觉”的概率明显更低——比如生成多余的手指或本不存在的物体——这使得视频内容的真实感实现了质的提升。
Imagen 3 则是图像生成模型的一次重大升级。这一版本的图像整体亮度更高，构图也更加讲究。它的一个突出特色是能够精准驾驭多种艺术风格，从写实主义到印象派，从抽象艺术到动漫风格，均能实现高度还原。此外，Imagen 3 在提示词理解能力上提升了一个台阶，能够渲染出更丰富的细节和更细腻的纹理。在基于人工评分的对比测试中，Imagen 3 在主流图像生成模型中取得了最优异的表现。
在应用落地层面，Veo 2 主要通过 VideoFX、YouTube 以及 Vertex AI 等平台对外提供服务。其目标用户群体非常明确，例如需要快速生成短视频背景的 YouTube 创作者，或希望优化创意工作流程的企业团队。
而 Imagen 3 则通过 ImageFX 向全球 100 多个国家的用户开放，基本涵盖了所有需要高质量图像生成的场景。
为了检验 Imagen 3 的真实水平，下面展示一组实际测试的样本，覆盖了 10 种截然不同的风格与指令：
1、提示词：Coca-Cola 标志和可乐瓶在纸上，以大胆海报风格、Minolta Hi-Matic 7SII 相机风格、线性插画风格呈现。
2、提示词：超逼真的图片展示了一块非凡的橙子果肉，被精心雕刻成精致的猫头鹰形状。这块突出的果肉应成为中心焦点，其猫头鹰般的轮廓和特征应得到精致的界定。果肉的纹理应该非常细腻，展现出橙子果肉天然的纤维质感，颜色应该是鲜艳逼真的橙色，是新鲜柑橘的象征。猫头鹰形状的果肉必须生动而明显，背景应柔和而不突兀，以增强其引人注目的形状。图像应将自然水果的纹理与猫头鹰的雄伟外形完美融合，同时保持栩栩如生的外观。
3、提示词：倒置视角，三分法构图，夜景，湖边流动形态的建筑，未来太空船设计风格，浅红色和浅靛蓝色，V-ray 渲染，马岩松，雾气，背景是蘑菇森林。
4、提示词：在重庆火锅餐厅，一只熊猫正在吃蒸汽腾腾的辣火锅，以纪实风格，秋山亮二的风格，富士胶片镜头 32K 高清
5、提示词：一只熊猫，全副武装，就像是钢铁侠一样，骑着摩托，在城市的街道，高清，电影级，迪士尼风格
6、提示词：以Nick Veasey风格呈现的，一个线框全息图，X光下的反射露水在郁金香上，全息图中以发光的金色线条形成复杂图案围绕其标志性结构，背景为孤立的暗色背景，内部结构可见。
7、提示词：一个中国女性站在田野中，留着短发波波头，穿着白色连衣裙，形象清新，正面看向镜头，远景拍摄，电影感。
8、提示词：一个可爱的小女孩和她的巨型白猫，快乐的样子，涂鸦插画风格，混合图案和文字，简单的色彩，简单的细节，黄色背景，极简主义
9、提示词：水彩插画，森系风格，水彩透叠，在绿草上用拖车和车辆做广告，商品在车里，可爱风格的小卖部，梦幻般的视觉效果，大胆的形状，阳光明媚，明亮的色彩，大胆配色，超高质量，营造出一种宁静的氛围，金黄色柔和的背景，植物，花朵，温馨，淡雅
10、提示词：一个古风中国传统美女，在竹林中，穿着半透明的薄纱衣服，在空中翩翩起舞。高清，电影级，特写镜头
从这批生成结果来看，客观而言，Imagen 3 的综合表现与当前主流 AI 绘画大模型大致处于同一水平。不过，如果非要与 Midjourney 进行比较，在风格化呈现、艺术感染力及细节把控方面，确实仍存在一定的差距。