Vyb：Coco Labs 的首个设计模型以可编辑图层构建营销图形

Coco Labs 于 2026 年 10 月 20 日发布了 Vyb：这是一款逐元素构建营销图形的设计模型，而不是绘制一张扁平图像。它的卖点聚焦而具体。只需向 Vyb 提供一次品牌的网站或资产文件，它产出的每份设计都会以可编辑图层堆栈的形式返回——标题是可重新输入的文本对象，徽标是矢量图，产品照片是全分辨率的原始像素。更改标题，文件中的其他内容不会移动。设计工具发布时很少公布其流程在生产中如何失败，而已记录在案的事件被收录在 OrcaRouter AI Incident Archive 中，每条记录都带有自己的来源、严重程度、置信等级和争议标记。

最后那句话就是整个产品的精髓。任何尝试过修改 AI 生成广告中错别字的人都知道另一种做法：重新运行提示词，得到一个略有不同的设计，并丢掉你已经确认过的版式。Vyb 是 Coco Labs 阻止这一循环的尝试，也是该公司首次发布任何类型的模型。

实际发布的内容

这篇发布文章由 David Zats 和 Anusha Ramesh 撰写，将 Vyb 描述为“首个理解用户品味的设计模型”。机制比口号更重要。Vyb 使用 Coco Labs 称为Cocolang的内部格式来构建设计——这是一种简洁、结构化的设计描述，人类和模型均可阅读和编辑。文本、矢量形状和图像在该结构中保留各自的原生格式，而不会被扁平化为单一栅格。由于输出是结构化的，因此可以“无损”导出到 Figma 等外部设计工具，其中每个元素都会落在各自的图层上。

Vyb 在遇到自己无法绘制的任务时，还可以调用图像生成器和编辑工具，这是一种合理的分工：先生成照片，再将其作为图层置入，同时让周围的文字和版式保持清晰利落。

没有发布的内容几乎同样重要。没有价目表。没有公开 API。没有公布参数数量，没有架构说明，也没有训练数据披露，除了这样一个事实：Coco Labs 构建了一条专有的分层设计流水线，因为可用于训练的公开分层设计很少。访问采用候补名单制，加入后可获得 10 美元的生成额度。截至撰写本文时，该产品已公布且仅限邀请，尚未全面开放。

Coco Labs 主打的三组数字

Coco Labs 发布了一项名为 VybBench 的基准测试，涵盖 145 种 Google 字体、100 种颜色和 200 项编辑，并与三个竞争对手进行对比：ChatGPT Image (gpt-image-2.5)、Muse (muse-image) 和 Recraft v4.1。下文所有数据均为厂商报告。Coco Labs 之外无人运行过这些测试，而且该基准测试的作者正是其模型获胜的公司。

• 字体保真度——与同一单词的程序化渲染进行形状匹配的得分：Vyb 90.3%，ChatGPT Image 76.0%，Muse 50.9%，Recraft 46.2%。Coco Labs 通过将相同的渲染结果相互评分，测得噪声上限为 94.4%，因此 90.3% 已接近该测试的实际最大值。

• 色彩保真度——每通道最大误差均值（满值 255），越低越好：Vyb 0.00、ChatGPT Image 3.94、Muse 5.67、Recraft 27.19。这里出现字面意义上的零是可能的，因为颜色可以写成数值，而不必被"画"出来；这是分层格式在起作用，而非画得更好。

• 编辑局部性——在 200 条编辑指令中，平均更改的像素占比：Vyb 11.9%，ChatGPT Image 95.5%，Muse 91.8%，Recraft 98.9%。一个独立的 LLM 评审还针对每项请求的编辑是否实际完成进行了评分：Vyb 94.7%，ChatGPT Image 100%，Muse 98.0%，Recraft 50.3%。

请仔细阅读第三行，因为正是这一行决定了产品是否名副其实。像素差异模型不可能无意中改变图像的 11.9%；它会改变几乎一切，因为它几乎重新生成了所有内容。Vyb 改动很少，因为它在编辑一份文档。与 ChatGPT Image 的 100% 相比，94.7% 的接受率就是这一点的真实代价：Vyb 偶尔会拒绝它认为设计糟糕的指令，例如会让文字无法阅读的改动，而评判器把这种拒绝算作一次未命中。

Coco Labs 披露了其自身基准测试中的一处方法学不对称：在编辑测试中，Vyb 收到的是分层 SVG 输入，而另外三个收到的是扁平化 PNG，因为它们无法接受图层。这并不是什么花招——这正是被测的差异——但这确实意味着该比较测试的是两种不同的输入契约，而不是两个被赋予相同工作的模型。

基准测试背后的论点

Vyb 的发布文章用了整整一段来抨击竞争对手的方案，值得引述的是这段论述的骨架，而非其具体措辞。其主张是：把一张已完成的扁平图像重新转换回图层——也就是“去图层化”——无法还原出真正的文本层或矢量层，因为扁平图像中的文本不过是像素，而任何被其他元素遮挡的区域都只能靠猜测。Coco Labs 的论点是，要得到真正的图层堆栈，唯一办法就是直接生成它；而事后分解只是一个演示，一接触品牌的实际文件便站不住脚。

这是一个站得住脚的立场，同时也是销售替代方案的那家公司的一种营销立场。没错，被栅格化成平面图像的文本确实无法以完全忠实于原始字体度量的方式重新输入。同样属实的是，大多数营销团队已经拥有一批经过批准的平面素材库，他们非常希望这些素材能够被编辑，而 Vyb 对这类文件无能为力。这两种方法解决的是不同的问题，而发布文章的口吻却仿佛只有其中一种才算数。

它在真实工作流中的落点

分层设计模型并不会取代流程中的其他环节。仍然需要有人撰写标题、确定优惠方案，并核查宣传主张在其投放市场中是否合法。Vyb 改变的是接下来的环节：文案以文本形式、使用品牌字体放入版式中，而版式可由设计师调整，而不是通过提示词重新生成。

这条流水线中负责文本的那一半，也是路由器能够提供服务的那一半。OrcaRouter 通过一个 API 覆盖 200 多个模型，并按提供商标价以 0% 加价原样透传，因此，撰写标题的模型和依据品牌规范检查标题的模型可以共用同一个密钥，而无需再签一份合同。自动故障转移在这里很重要，原因很朴素：文案生成步骤如果在批次中途失败，就会让设计任务留下一个空白图层，而备用模型的成本低于队列停滞的代价。Vyb 本身无法通过任何路由器调用——它没有公开 API——所以在 2026 年末，务实的架构是：用文本模型负责文字，等获得访问权限后，再用 Vyb 负责视觉素材。

什么仍然未被证实

四件事，按它们对购买决策应有影响的程度从高到低排列。

• 价格。 没有报价单。Coco Labs 向加入等候名单的人发放 10 美元额度，但这完全无法说明一个已完成营销活动的费用是多少。

• 独立测试。本文中的每一个数字都来自厂商。字体基准测试仅涵盖公开可用的 Google 字体；Coco Labs 表示，预计定制品牌字体的差距会更大，但他们并未对这些字体进行测量，而这恰恰是品牌真正关心的情况。

• 实践中的文件保真度。“无损导出到 Figma”只是对导出器的宣称，并不涉及生成的图层树是否便于设计师在其中工作。公司外还没有人打开过其中任何一个文件。

• 覆盖范围。本次发布展示了海报、广告、引语卡片和公告。截至目前已发布的材料中，多页文档、包装刀模图以及任何带有印刷色彩配置文件的内容均未涉及。

这一切都不意味着产品是空谈。一个输出文档而非图片的设计模型，与图像生成器确实是不同的品类，而编辑局部性指标正是只有这种架构才能产生的那类结果。但一份等候名单加上厂商基准测试只是公告，不是实绩；对营销团队来说，有用的问题不是 Vyb 在字体方面是否胜过 ChatGPT Image，而是它产出的文件为设计师节省的时间，是否超过手动重做版式本来要付出的时间。这个问题要等等候名单开放时才有答案，在此之前不会。

看什么

三个信号会让 Vyb 从“有意思”走向“被采用”。公布按设计或按积分的价格，让成本可以与自由职业者的时薪相比较。一个自定义字体基准，因为每个真正的品牌至少会使用一种不在 Google Fonts 上的字体。以及一个 API，因为一旦 Vyb 可被调用，它就不再是一个工具，而会成为一个组件，可以与内容流水线中的其他一切一起被路由。在那之前，10 美元额度是弄清图层树是否像基准所暗示的那样干净的最便宜方式。