通义万相AIGC装置
图像与视频双能力大模型的首次公众亮相，做一个太极动作就能生成一幅自己的画作。
全文约 1,700 字 阅读约 4 分钟
通义万相是阿里自研的视觉生成大模型，图像、视频都能生成，视频生成模型也赶在本届大会前发布。展项设在 2024 云栖大会通义万相展区，是它第一次公开的大型互动装置。观众对着摄像头做一个太极动作，几秒后大屏上就会出现一幅属于自己的画作。不用讲解，也不用穿戴设备。
装置由中国美术学院与通义万相、阿里云设计中心协作完成。我在美院团队里负责从创意策划到研发落地的一小块，重点是美学方向与创意思考，具体包括视觉基调、多套画风方案、交互与界面，以及 LoRA 训练和现场调优。
展区全景
为什么需要一个现场展项
云栖大会是阿里云每年面向行业与公众的技术大会，展区人流大、观众身份各异。万相要在这样的场合第一次公开亮相。展项要把模型能力演出来，普通观众愿意停下来体验，行业客户看完能说清能力在哪。
为什么用太极
生成画作通常靠文字提示词，但现场观众很难在几秒里组织出一句合适的描述。太极动作正好绕开这一步，几乎人人都能比划两下，不用讲解，动作本身也有辨识度。动作作为输入，画作作为反馈，一次体验就是一次直接的演示。
现场流程
整个体验可以概括成一条链路。观众做一个太极动作，到姿态实时捕捉，到万相生成画作，再到大屏展示与分享。
对观众来说，要做的事只有三步。站定，做动作，看大屏。全程没有操作界面，排队的人看完前面的人怎么玩，后面的人自然就会了。
教学、生成等待、成品展示
即时反馈与多人同屏
画作生成后立刻投上大屏，旁边并排展示观众本人的照片，方便对比像不像。同一时段多位观众的画面会叠加进同一幅画作，动作轨迹连成连续的线条，屏幕上的画由一群陌生人共同完成。对排队的人来说，前面每一轮生成都是一次可见的预告。
六套 LoRA 风格，莲韵空山、竹影清幽、祥云缭绕、中式陶瓷、海底花游、春意盎然
六套画风预设
通用图像模型的生成风格不稳定，同一个动作每次出图都可能不一样。LoRA 是一种轻量微调方法，不改动大模型本身，用少量样本就能训练出特定画风。展项上线前，团队为万相设计了六套画风，先定好视觉目标，再训练、微调。
| 画风 | 视觉特征 |
|---|---|
| 莲韵空山 | 银色衣装、大莲花、薄荷绿背景 |
| 竹影清幽 | 竹林清影，素雅通透 |
| 祥云缭绕 | 祥云纹样，青蓝渐变 |
| 中式陶瓷 | 青花瓷纹样，白底釉彩 |
| 海底花游 | 水中花影，碧蓝清透 |
| 春意盎然 | 明黄底色，花间彩蝶 |
风格稳定之后，现场每次出图都落在预设的美学里，不会跑偏。
用万相视频生成能力做的动态测试
视频能力的延伸
万相还具备视频生成能力。展项之外，我们用它把现场人物的动作套上画风做成动态视频，做了快速测试。这类延伸当时只是小范围验证，没有正式上线，但展示了万相图像与视频两种能力可以串起来用。
展区人流高峰，观众排队等待
现场要解决的三个问题
- 零门槛与不拥堵。观众来来往往，体验要看了就会、玩完就走；
- 速度与质量。从动作到出画只有约 3 秒，画风还要稳定不跑偏；
- 多人同屏的秩序。画面叠加要热闹，但不能乱。
现场记录
现场数据
装置在 2024 云栖大会通义万相展区现场单日产生 2,000 多次互动，视频号相关曝光超过 60,000 次，并获得云栖大会最受欢迎展区奖项。这是万相的能力第一次被这么多人亲手用起来，行业客户也在现场直接看到了效果。
现场实拍，从动作到画作
复盘
展项把几件事验证清楚了。反馈够快，零门槛才成立，动作到出画约 3 秒，观众看完前面的人怎么玩就会了，体验区因此没有堆人。画风稳定，作品感才成立，六套画风从定视觉目标开始，一路跟到训练与现场出图，不靠出图后挑。多人同屏把个人体验变成公共画面，排队的人也有东西看，传播自然发生。
短板也清楚。链路环节多，摄像头、网络、生成、大屏任何一环不稳，体验都会打折扣，现场调试和灰度要留足时间；生成速度在高峰时段是最紧的约束，出画再慢一点，排队的人就会走。