Vyb：Coco Labs 首款設計模型以可編輯圖層製作行銷圖像

Coco Labs 宣布 Vyb 於 2026 年 10 月 20 日：一款設計模型，它逐一建構行銷圖像的每個元素，而不是繪製成一張平面影像。這個賣點範圍狹窄且具體。只要把品牌的網站或資產檔案提供給 Vyb 一次，它產出的每份設計都會以可編輯圖層堆疊的形式回傳——標題是可重新輸入的文字物件，標誌是向量圖，產品照片是全解析度的原始像素。更改標題，檔案中其他任何內容都不會移動。設計工具的發布很少公開其管線在生產環境中如何失敗，而記錄在案的事件則收錄於OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心評級與爭議標記。

{{1}}最後那句就是整個產品的核心。{{/1}}{{2}}任何試過修正 AI 生成廣告中錯字的人，都深知另一條路的代價：重新執行提示詞，得到略有不同的設計，卻失去你早已核准的版面配置。{{/2}}{{3}}Vyb 是 Coco Labs 為了終止這種循環所做的嘗試，也是該公司首度推出的任何形式模型。{{/3}}

實際發佈的內容

這篇發布文章由 David Zats 與 Anusha Ramesh 撰寫，並將 Vyb 描述為「第一個能理解使用者品味的設計模型」。機制比口號更重要。Vyb 以 Coco Labs 稱為 Cocolang 的內部格式來組成設計——這是一種簡潔、結構化的設計描述，人類與模型都能閱讀和編輯。文字、向量形狀與圖片在該結構中保留其原生格式，而非被壓平成一張點陣圖。由於輸出是結構化的，因此可以「無損」匯出到 Figma 等外部設計工具，其中每個元素都會各自位於一個圖層上。

Vyb 在工作需要它自己無法繪製的內容時，也能呼叫影像生成器與編輯工具，這正是合理的分工：生成照片、將其置入為圖層，並讓周邊的文字與版面保持清晰銳利。

尚未推出的部分幾乎同樣重要。目前沒有費率表。沒有公開 API。沒有公布參數數量、沒有架構說明，也沒有訓練資料揭露，除了 Coco Labs 因為可供訓練的公開分層設計很少，而為分層設計打造了專有管線這件事。存取方式是候補名單，加入可獲得 10 美元的生成額度。截至撰寫時，該產品已發布並採邀請制，尚未全面開放。

Coco Labs 主打的三個數字

Coco Labs 發布了一套名為 VybBench 的基準測試，涵蓋 145 種 Google 字型、100 種顏色與 200 項編輯，對比三個對手：ChatGPT Image（gpt-image-2.5）、Muse（muse-image）與 Recraft v4.1。以下所有數字皆由廠商自行提報。Coco Labs 以外沒有任何單位實際執行過這些測試，而這套基準測試的作者，正是旗下模型在測試中勝出的那家公司。

• 字型保真度——與同一詞語的程式化算圖進行形狀匹配評分：Vyb 90.3%、ChatGPT Image 76.0%、Muse 50.9%、Recraft 46.2%。Coco Labs 透過將相同算圖彼此評分，測得 94.4% 的雜訊上限，因此 90.3% 已接近此測試的實際最高值。

• 色彩保真度——以 255 為基準的平均每通道最大誤差，數值越低越好：Vyb 0.00、ChatGPT Image 3.94、Muse 5.67、Recraft 27.19。這裡可能出現字面上的零，因為顏色可以寫成數值，而不必實際塗繪出來；這是分層格式在發揮作用，並非因為繪圖者更優秀。

• 編輯局部性——在 200 條編輯指令中，平均像素變更比例：Vyb 11.9%、ChatGPT Image 95.5%、Muse 91.8%、Recraft 98.9%。獨立的 LLM 評審也針對每項要求的編輯是否確實完成進行評分：Vyb 94.7%、ChatGPT Image 100%、Muse 98.0%、Recraft 50.3%。

請仔細讀第三行，因為正是這一行決定了這款產品是不是玩真的。像素差異（pixel-diff）模型不可能不小心只改動影像的 11.9%；它幾乎把一切都改了，因為它幾乎把一切都重新生成。Vyb 只改動一點點，因為它是在編輯一份文件。相較於 ChatGPT Image 的 100%，緊鄰在旁的 94.7% 接受率，就是這件事誠實的代價：Vyb 偶爾會拒絕它判定為糟糕設計的指令，例如會讓文字變得難以閱讀的改動，而評審把這次拒絕計為一次失誤。

Coco Labs 在其自家基準測試中揭露了一項方法論上的不對稱：在編輯測試中，Vyb 收到的是分層的 SVG 輸入，而另外三個收到的是扁平化的 PNG，因為它們無法接受圖層。這不是什麼花招——這正是被測量的差異所在——但這確實意味著該比較所測試的是兩套不同的輸入契約，而不是兩個被賦予相同工作的模型。

基準底下的論點

Vyb 的發布文章用了一整段攻擊競爭對手的做法，值得引述的是其論述輪廓而非具體措辭。其主張是，將完成的平面影像轉回圖層——即去圖層化——無法還原真正的文字或向量圖層，因為平面影像中的文字只是像素，而任何被其他元素遮住的區域都只能靠猜測。Coco Labs 主張，取得真正圖層堆疊的唯一方式就是生成一個，而事後拆解只是個一碰到品牌實際檔案就撐不住的展示。

那是個站得住腳的立場，同時也是販售替代方案的公司所做的行銷表態。確實，文字一旦點陣化為平面影像，就無法以完全符合原始字體度量的方式重新輸入。同樣確實的是，大多數行銷團隊早已有核准過的平面素材庫，也很希望能讓這些素材變得可編輯，而 Vyb 對這些檔案無能為力。這兩種做法解決的是不同問題，但發布文章寫得彷彿只有其中一種才算數。

它在真實工作流程中的定位

分層設計模型並不會移除流程中其餘的環節。仍然得有人撰寫標題、決定優惠方案，並確認該宣稱在其營運市場中合法。Vyb 改變的是之後的步驟：文案會以文字形式、使用品牌字型置入版面，而且版面可由設計師調整，而非靠提示詞重新生成。

那條流程中負責文字的那一半，也是路由器能提供服務的那一半。OrcaRouter 以單一 API 串接 200 多個模型，並以 0% 加價直接傳遞供應商牌價，因此撰寫標題的模型和依品牌規範檢查標題的模型，可以共用同一把金鑰，不必另外簽一份合約。自動容錯在這裡之所以重要，原因很單純：文案生成步驟若在中途失敗，會讓設計工作留下空白圖層，而備援模型的成本比佇列停滯更低。Vyb 本身無法透過任何路由器呼叫——它沒有公開 API——所以在 2026 年下旬，務實的架構會是用文字模型負責文字，並在取得存取權後用 Vyb 負責視覺作品。

什麼仍未被證實？

四件事，按它們應該影響購買決定的程度由高到低排列。

• 價格。目前沒有價目表。Coco Labs 向候補名單加入者發放 10 美元抵用金，但這完全無法說明完成一個活動的費用是多少。

• 獨立測試。本文中的每一個數字都來自廠商。字型基準測試僅涵蓋公開可用的 Google 字型；Coco Labs 表示，預期在自訂品牌字型上差距會擴大，但並未測量這些字型，而這正是品牌所關心的情況。

• 實務中的檔案保真度。「無損匯出至 Figma」這句話講的是匯出工具本身，而不是所產生的圖層樹究竟是不是設計師願意在其中作業的結構。公司以外的人從未打開過這些檔案中的任何一個。

• 涵蓋範圍。此次發佈展示了海報、廣告、引述卡與公告。迄今發佈的素材中，尚未涵蓋多頁文件、包裝刀模線，以及任何帶有印刷色彩設定檔的內容。

這些都不會讓產品成為空談。一個輸出是文件而非圖片的設計模型，與圖像生成器是真正不同的類別；而編輯局部性（edit-locality）的數字，正是只有那種架構才可能產生的結果。但一份等候名單和一份廠商基準測試，只是一項公告，不是實績；對行銷團隊來說，有用的問題不是 Vyb 在字型方面是否勝過 ChatGPT Image，而是它產出的檔案，能否比設計師手工重做版面所花費的時間，替設計師省下更多時間。這個問題要等到等候名單開放時才會有答案，在此之前不會有。

看什麼

有三個訊號能讓 Vyb 從「有趣」變成「真正被採用」。公開的每份設計或每點數價格，讓成本可以和自由工作者的時薪相比。自訂字型基準測試，因為每個真正的品牌至少會用一款不在 G​oogle Fonts 上的字體。還有一個 API，因為 Vyb 一旦可被呼叫，就不再只是工具，而會成為能在內容管線中與其他一切一同路由的元件。在那之前，10 美元額度是找出圖層樹是否真如基準測試所暗示那般乾淨的最便宜方式。