说实话，以前听到"AI生成海报"，我的第一反应就是——换个背景、加几个字，撑死了再换个字体。但看完美团智能创作团队用三篇顶会论文（ICLR 2026 + CVPR 2026 x 2）搭起来的那套"生成-编辑-评判"技术闭环，我承认，是我格局小了。
我们直接聊技术，不整虚的。
先说说难在哪。如果你以为 AI 做海报就是"给个 prompt 出一张图"，那估计是被市面上的生图玩具惯坏了。真正的商业海报，难点不是"能不能画出来"，而是五个字——文字不准崩。
你没有听错，商业海报里文字是零容错的。标题多一个字、少一个笔画，整张图就得废。主流的扩散模型在中文多行文字、小字号文本上翻车是家常便饭——不是缺胳膊少腿，就是糊成一团。这第一个坎，就没多少模型迈得过去。
再加上版式布局的"设计感"、色彩搭配的行业差异（餐饮要食欲感、美妆要精致感、科技要未来感）、局部编辑和全局创作的统一——单拎出来哪个都是坑。
那美团是怎么搞的？
他们搞了三板斧，分别对应"能生成、能编辑、能评判"。
第一板斧：PosterCraft（ICLR 2026）
核心思路很简单粗暴——不要流水线。之前的做法是先由视觉语言模型规划布局，再把文字叠到背景上。听起来没毛病，但问题是每个模块都有自己的短板，拼出来的东西上限就卡在那了。
PosterCraft 直接端到端训练，搞了一个四阶段级联优化：
第一阶段，搞了 200 万张图片的 Text-Render-2M 数据集，纯练文字渲染。第二阶段，筛选了 10 万张高质量海报，用"区域感知校准"机制——文字区域权重低一点，非文字区域权重高一点，平衡文字准确和整体艺术性。第三阶段，用 Best-of-N 偏好优化（DPO），让模型学会啥叫"好看"。第四阶段，微调了一个 VLM 评论家做迭代优化。
最后的效果：文字召回率和准确率已经接近 Gemini 2.0-Flash-Gen 那个级别的闭源系统。开源模型做到这个水平，说实话挺能打的。
第二板斧：PosterOmni（CVPR 2026）
现实场景里，设计师拿着参考图说"按这个风格帮我改一下布局"才是常态，而不是从零开始写 prompt。所以 PosterOmni 核心干的事是——把六类任务塞进一个模型。
哪六类？扩图、补全、比例调整、主体保持、版式迁移、风格迁移。你想想，局部编辑（换文字、补空位）和全局创作（换风格、改版式）根本就是两种能力，放在一个模型里，很容易互相打架。
怎么解决的？先分别训练两个专家——一个专攻局部编辑，一个专攻全局创作——然后用蒸馏技术合到一个学生模型里。再训练一个统一奖励模型，不仅判断好不好看，还要判断"任务做没做对"。
最后在 PosterOmni-Bench 上六类任务全面领先开源方案，甚至反超 Seedream-4.0。注意，是单一模型，不是串几个模型。
第三板斧：PosterReward（CVPR 2026）
这一步很有意思。你生成了一堆海报，怎么判断哪张好哪张不好？FID、IS 这些传统指标完全不管排版质量和文字准确性，人工评估又贵到飞起。
所以美团搞了一个专门给海报打分用的奖励模型。思路分两条线走：一条是对存量海报做结构化解析——定位里面 12 种元素（文案、价格、Logo、菜品等），然后从构图、色彩、氛围感三个维度打分。另一条是训练端到端的偏好模型 PosterReward，在专项评测上干到了 86% 的准确率——对比之下，现有基线基本都在 40%–53% 徘徊。
讲道理，这个差距属于"别人在及格线挣扎，你直接优秀"。
而且这套评估体系不是只用来打分的，它还能反向驱动生成模型进化——RL 强化学习的奖励信号就来自于它。说白了就是自循环：生成多一点→反馈多一条→模型更聪明。
最后聊聊闭环
这三个模型不是孤立存在的。PosterCraft 做基础生成 → PosterOmni 拓展编辑能力 → PosterReward 做质量守门 → 反馈信号反哺前两个模型。就像一条生产线，每一环节都跟上下游联动。
而且他们全开源了，代码在 GitHub 的 MeiGen-AI 仓库，论文也挂在 arxiv 上。感兴趣的同学直接把代码拉下来跑跑看，感受一下工业级海报生成技术到底是什么水平。
我个人觉得，这套技术体系最大的意义不在于"AI 做得有多好"，而在于它让百万量级的中小商家也能用上专业级的海报设计——这在以前，想都不敢想。
你在项目里用过 AI 生图技术吗？是踩了坑还是真香？评论区聊聊。
