Reve 2.0: die Wette auf Layouts statt Prompts

Am 3. Juni 2026 veröffentlichte das Palo-Alto-Forschungslabor Reve sein Modell Reve 2.0, das etwas tut, das fast kein anderer großer Bildgenerator tut. Anstatt deinen Prompt direkt in Pixel umzuwandeln, erstellt es zunächst einen strukturierten, bearbeitbaren Plan des Bildes, das sogenannte Layout, und rendert erst dann. Reve fasst das Ergebnis in drei Worten zusammen. Images you can touch.

Das ist kein Marketingslogan, der über ein gewöhnliches Diffusionsmodell gespannt wurde. Es ist die gesamte Architektur, die Reve in seiner Ankündigung darlegt. Und die Wette scheint aufzugehen. Reve 2.0 debütierte auf Platz zwei des Arena Text-to-Image-Leaderboards, vor Googles Nano Banana 2 und einem früheren OpenAI-Bildmodell, nur hinter GPT-Image-2. Das Labor behauptet, das mit rund zehnmal weniger GPUs erreicht zu haben als die Billionen-Dollar-Konkurrenz.

Dieser Artikel erklärt Reve 2.0 vollständig. Was es wirklich ist, wie sich layout-basierte Generierung von der Prompt-dann-Diffusion-Pipeline unterscheidet, die alle anderen nutzen, wie es im Benchmark abschneidet, wer es gebaut hat, was es kostet, wo der Ansatz noch an seine Grenzen stößt, und warum zwei der angesehensten Bildlabore in derselben Woche auf dieselbe Idee umgeschwenkt sind.

TL;DR

Reve 2.0 ist ein Frontier-Text-to-Image- und Bildbearbeitungsmodell, das auf einer Architektur aufbaut, die das Unternehmen Large Layout Model nennt. Drei Dinge unterscheiden es von den Modellen, die die meisten Menschen heute nutzen.

Erstens plant es, bevor es zeichnet. Ein strukturiertes Layout steht zwischen deiner Anfrage und den fertigen Pixeln und beschreibt, wo jedes Element platziert ist, wie groß es ist und was es enthält. Zweitens rendert es nativ in 4K x 4K, echte 16 Megapixel, ohne separaten Hochskalierungsschritt. Drittens, weil dieses Layout lesbar und codeartig ist, kannst du (oder ein KI-Agent) den Plan direkt bearbeiten, anstatt einen Prompt neu zu schreiben und auf das Beste zu hoffen.

Das Ergebnis ist Kontrolle. Du kannst ein einzelnes Objekt verschieben, einen Bereich umfärben oder einen Textteil korrigieren, ohne dass sich der Rest des Bildes verändert. Genau diese Fähigkeit ist seit Beginn der Bildgenerierung der große unerfüllte Wunsch.

Warum Text-Prompts an ihre Grenzen stoßen

Um zu verstehen, warum Reve diese Wette eingegangen ist, lohnt ein Blick auf die Funktionsweise eines typischen modernen Bildmodells. Du gibst einen Prompt ein. Ein Sprachmodell erweitert ihn zu einem langen, dichten Absatz, der die Szene beschreibt. Ein Diffusionsmodell liest diesen Absatz dann und rendert Pixel.

Text ist ausdrucksstark, aber auch mehrdeutig, subjektiv und verlustbehaftet. Diese Mehrdeutigkeit ist der Feind der Kontrolle. Wer ernsthaft mit Tools wie Midjourney gearbeitet hat, kennt die spezifische Frustration. Du bekommst endlich ein Bild, das du liebst, änderst drei Wörter, um ein kleines Detail zu korrigieren, und die ganze Komposition ordnet sich neu an. Bitte um einen genauen Grünton oder darum, dass ein Objekt oben links sitzt, und normales Englisch versagt regelmäßig.

Reves These ist, dass das Problem nicht die Intelligenz des Modells ist. Es ist die Darstellung. Direkt vom Prompt zu Pixeln zu gehen, so ihr Argument, ist wie eine komplette Anwendung zu generieren, ohne jemals den Code zu schreiben. Es ist schnell anzustoßen, aber undurchsichtig, kaum zu steuern, und der Schöpfer wird aus dem Prozess ausgesperrt, sobald er läuft. Das Labor nennt die ersten vier Jahre der Bildgenerierung die Feuerwerksphase. So viel Material wie möglich in die Röhre packen, anzünden und genießen, was auch immer entsteht. Beeindruckend, aber nicht steuerbar.

Die Geschichte der Technologie, so Reve, verläuft meist in zwei Phasen. Zuerst entfesselt die Menschheit eine mächtige Kraft. Dann lernt sie, sie zu kontrollieren. Der Druck existierte Jahrhunderte, bevor die Presse ihn konfigurierbar machte. Menschen bauten hundert Jahre lang Gleiter, bevor die Gebrüder Wright die Dreiachsensteuerung knackten. Die generative Bildgenerierung verlässt in dieser Betrachtung gerade ihre Feuerwerksphase und tritt in ihre Kontrollphase ein. Das Instrument der Kontrolle ist das Layout.

Was ein Layout wirklich ist

Ein Layout ist eine strukturierte, hierarchische Beschreibung eines Bildes. Jedes Element darin hat eine Position, eine Größe und eine lokale Beschreibung sowie optionale Attribute wie einen Farbwert oder ein Referenzbild. Kurz gesagt: Es ist der Bauplan des Bildes, bevor Farbe aufgetragen wird.

Die treffendste Analogie stammt von Reve selbst. Ein Layout verhält sich zu einem Bild wie HTML zu einer Webseite oder wie SVG zu einer Vektorgrafik. Es trennt die semantische Absicht, also was das Bild enthalten soll und wie es angeordnet ist, vom Pixel-Rendering, also wie es schließlich gezeichnet wird. Diese Trennung ist die wichtigste Idee des gesamten Systems.

Weil das Layout strukturiert und menschenlesbar ist, wird es zu einer gemeinsamen Schnittstelle. Eine Person kann es von Hand bearbeiten, indem sie einen Bereich verschiebt oder die Beschreibung eines Elements umschreibt. Ein KI-Agent kann dieselbe Struktur lesen und darüber nachdenken. Und das Modell kann es aus natürlichsprachlichen Anweisungen verfeinern. Du bekommst drei Wege, dasselbe Bild zu steuern: eine Anweisung schreiben, die Struktur direkt bearbeiten oder sie einem Agenten übergeben. Keiner davon erfordert, dass du die gesamte Szene neu erstellst.

Wie das Large Layout Model funktioniert

Die Arbeit mit Layouts erfordert eine neue Art von Modell, also hat Reve ein eigenes trainiert. Das System läuft in drei konzeptuellen Phasen.

1. Eingabe. Das Modell akzeptiert jede Kombination aus Layouts, natürlichsprachlichen Anweisungen und Referenzbildern. Du kannst alle drei angeben oder nur eines davon.
2. Denken. Es leitet ein Layout aus einer internen Reasoning-Spur ab und plant die gesamte Komposition, bevor ein einziger Pixel existiert. Das ist der visuelle Denkschritt.
3. Rendering. Ein separater, leistungsstarker Renderer wandelt das fertige Layout in ein natives 4K-Bild um.

Das Trainingsrezept ist bemerkenswert. Reve baute eine Datenpipeline auf Milliarden von Bildern auf, anfänglich aus dichten menschlichen Annotationen, um dem System beizubringen, wie gute Layouts aussehen. Dann führte es weiteres Pretraining und Post-Training auf Open-Source-Sprachmodellen der Qwen-Familie durch, den Modellen, die Alibabas Qwen-Team veröffentlicht hat, um räumliches Denken rund um seine Layout-Darstellung einzubauen. Im Klartext: Das Planungshirn von Reve 2.0 ist ein Sprachmodell, das darauf trainiert wurde, über Raum nachzudenken, und der Renderer ist eine separate Engine, die ausschließlich für Bildqualität und Geschwindigkeit optimiert ist.

Diese Trennung ist das architektonische Herzstück von Reve 2.0. Diffusionsmodelle erzeugen schöne Bilder, sind aber schwer zu steuern. Autoregressive Sprachmodelle sind hochintelligent, aber langsam und nicht besonders ästhetisch, und ihre native Modalität ist Text, keine Pixel. Indem Reve Planung und Rendering trennt, nutzt es jede Modellart für das, was sie wirklich kann, anstatt eine zu zwingen, beide Aufgaben schlecht zu erledigen.

Die Belege dafür, dass Layouts gewinnen

Eine clevere Idee ist nur so gut wie ihre Ergebnisse. Daher führte Reve eine groß angelegte Ablationsstudie durch, in der Layout-Modelle gegen gleich große Prompt-basierte Generatoren verglichen wurden. Das Labor berichtet, dass die Layout-Modelle in allen Bereichen gewannen und deutlich bessere Bilder lieferten. Zwei konkrete Befunde tragen den größten Teil der Beweislast.

Die Rekonstruktion verbessert sich mit jeder zusätzlichen Region. Ein einfacher Text-Prompt kann ein echtes Foto nie vollständig rekonstruieren, egal wie lang und detailliert die Beschreibung ist. Das Ergebnis weicht immer vom Original ab. Ein Layout verhält sich anders. Mit steigender Anzahl beschrifteter Regionen rekonstruiert Reve 2.0 immer feinere Details, und das ganz ohne Eingabepixel, allein aus der Struktur. Mit Pixeln werden Layouts noch mächtiger, weil du genau festlegen kannst, was sich ändert und wo.

Skalierungsgesetze gelten auch für Layouts. Die Bildqualität steigt mit dem Modell, was zu erwarten ist. Sie steigt aber auch, wenn das Modell mehr Regionen ausgeben darf, was seinen visuellen Denkkontext effektiv erweitert. Mehr Planungsdetail ergibt ein besseres Endbild. Das ist eine nützliche Eigenschaft, denn es bedeutet, dass Qualität mit Struktur erkauft werden kann, nicht nur mit roher Modellgröße.

Natives 4K und das Ende des Upscaling-Roulettes

Reve 2.0 rendert nativ in 4K x 4K, was das Labor zum schnellsten 4K-Bildmodell der Welt macht. Bei 16 Megapixeln ist die Ausgabe direkt aus dem Modell druckfertig, ohne separaten Hochskalierungsschritt.

Dieses Detail ist wichtiger, als es zunächst erscheint. Hochskalierung war immer der letzte Würfelwurf am Ende einer langen Würfelwurfserie. Du verbringst eine Stunde damit, ein Bild genau richtig zu bekommen, schickst es durch einen Upscaler und siehst zu, wie subtile Details sich still und leise verschieben. Reves Antwort ist kein besserer Upscaler. Die Idee ist, von Anfang an in voller Auflösung zu arbeiten, sodass das, was du während des kreativen Prozesses siehst, am Ende auch das ist, was du bekommst. Für physische Medien und hochwertige Druckarbeiten, bei denen 16 Megapixel wirklich nützlich sind, beseitigt das eine regelmäßige Quelle von Frustration.

Bearbeiten ohne Qualitätsverlust

Bei der Iteration offenbart der Layout-Ansatz einen zweiten großen Vorteil, der ein Problem löst, das jeden Diffusions-Workflow still und leise plagt.

Normale Bildmodelle bestrafen Iteration. Jedes generierte Bild trägt kleine Diffusions- und Kompressionsartefakte. Wenn du dieses Bild als Referenz für die nächste Generation wieder einspeist, werden diese Artefakte weitergegeben, und eine neue Schicht kommt oben drauf. Über eine lange Bearbeitungssitzung summieren sie sich nicht nur, sie potenzieren sich, und das Bild verkommt langsam zu einem verschwommenen Durcheinander. Reve 2.0 bekämpft das auf zwei Wegen.

Der zweite Fall ist der bemerkenswertere. Weil das Bild effektiv durch Code definiert wird, ist das Regenerieren aus dem Layout wie das erneute Ausführen desselben Programms. Dieselbe strukturierte Eingabe liefert dieselbe festgelegte Ausgabe, ohne Drift. Reve argumentiert, dass das generatives Bearbeiten von einer Abfolge von Glücksspielen in einen echten iterativen kreativen Prozess verwandelt, der eher dem entspricht, wie Design tatsächlich funktioniert.

Ein konkreter Nutznießer ist Text und Typografie. Weil Komposition, Positionierung und Abstände vor dem Rendering im Layout definiert werden, kann Reve 2.0 Text präzise platzieren und Umgebungstypografie, Schilder, Verpackungen, Etiketten, Menüs, Nummernschilder, auf eine Weise behandeln, die weit weniger synthetisch aussieht als die verzerrten Schriften, für die Bildmodelle bekannt wurden, eine der einfachsten Methoden, um zu erkennen, ob ein Foto KI-generiert ist. Grafikdesign und layoutintensive Arbeiten sind die klarsten frühen Gewinner.

Wie Reve 2.0 im Benchmark abschneidet

Im Arena-Leaderboard für Text-to-Image vom 3. Juni 2026 erzielte Reve 2.0 einen Score von 1.280, plus/minus 11 Punkte, aus 3.455 Stimmen. Das platzierte es insgesamt auf Platz zwei und entspricht einem Sprung von rund 125 Punkten gegenüber dem vorherigen Reve 1.5.

Der Kontext ist genauso wichtig wie der Rang. Reve bezeichnet sein Ergebnis als das beste Bildmodell eines Unternehmens mit einer Bewertung unter einer Billion Dollar, erzielt mit rund zehnmal weniger GPUs als die größeren Konkurrenten. Googles neuestes Bildmodell und ein früheres OpenAI-Bildmodell in einem Blind-Humanpräferenz-Leaderboard bei diesem Rechenbudget zu schlagen, ist der Teil, der für Aufsehen sorgte. Arena-Scores basieren darauf, dass Menschen zwischen zwei Bildern wählen, ohne zu wissen, welches Modell sie erstellt hat, sodass eine hohe Platzierung widerspiegelt, was echte Nutzer tatsächlich bevorzugen, nicht eine synthetische Metrik.

Das Ergebnis sollte in den richtigen Rahmen gesetzt werden. Reve 2.0 ist Nummer zwei, nicht Nummer eins, und GPT-Image-2 führt das Leaderboard noch immer deutlich an. Aber der Abstand zwischen einem kleinen Labor und der Frontier war selten so gering.

Das Labor hinter dem Modell

Reve ist ein Palo-Alto-Forschungslabor, das 2023 von einem Team aus ehemaligen Adobe- und Stability-Forschern gegründet wurde. Zu den Gründern zählen Michaël Gharbi, ehemaliger Research Scientist bei Adobe Research mit einem Doktortitel vom MIT CSAIL, und Taesung Park, ebenfalls früher bei Adobe Research mit einem Doktortitel von der UC Berkeley, der in der Branche für grundlegende Arbeiten zur Bild-zu-Bild-Translation bekannt ist. Christian Cantrell, ehemaliger VP of Product bei Stability AI, gehört ebenfalls zur Gründungsgruppe, unterstützt von Sutter Hills Mike Speiser.

Diese Herkunft ist kein Nebenpunkt. Parks Forschungsgeschichte dreht sich genau darum, strukturierte Darstellungen in Bilder zu transformieren, was exakt das Problem ist, das Layouts stellen. Ein Team, das durch Adobes Bildforschung und Stabilitys Produktwelt gewachsen ist, ist ungewöhnlich gut dafür geeignet, darauf zu wetten, dass die Zukunft der Bildgenerierung eher wie Design-Werkzeuge aussieht als wie eine Prompt-Box.

Das Labor ist für seine Größe gut finanziert. Reve sammelte im November 2025 rund 350 Millionen Dollar bei einer Bewertung von nahezu 1,9 Milliarden Dollar in einer Runde ein, die von Top Harvest Capital angeführt wurde, mit früherer Unterstützung von Investoren wie Basis Set Ventures. Sein erstes Modell, Reve Image 1.0, mit dem Codenamen Halfmoon, erschien im März 2025 und erreichte schnell Platz eins in der Image Arena, mit einem Ruf für starke Prompt-Treue und ungewöhnlich saubere Typografie. Entscheidend: Reve 1.0 wurde bereits auf detaillierten Datenstrukturen statt auf einfachen Bildunterschriften trainiert, was die Layout-These erstmals bewies. Reve 2.0 skaliert diese Idee mit rund dreimal so vielen Parametern, deutlich mehr Daten und dem dedizierten 4K-Renderer.

Preise und wie du es ausprobieren kannst

Reve 2.0 ist unter reve.com verfügbar, das gleichzeitig als Editor dient. Das ist so beabsichtigt. Weil Modell und Produkt gemeinsam rund dieselbe Layout-Darstellung aufgebaut wurden, ist jeder Teil eines Bildes adressierbar, sodass Reve direkte Bearbeitungswerkzeuge auf genau der Struktur aufbauen konnte, die das Modell generiert. Das Modell ist der Code, und reve.com ist der Editor für diesen Code.

Web-Abonnements sind nach monatlichen Credits gestaffelt.

Eine Entwickler-API ist in der Beta-Phase über Reves Konsole für Teams verfügbar, die das Modell in ihre eigenen Pipelines integrieren möchten. Weil die zugrunde liegende Darstellung codeartig ist, positioniert Reve das Modell als agentennativ: Automatisierte Systeme können die Bilder nicht nur empfangen, sondern auch ihre Struktur einsehen und darüber nachdenken.

Wo Layouts noch an ihre Grenzen stoßen

Eine faire Einschätzung muss auch die Kompromisse benennen, und davon gibt es einige.

Die Schlagzeilen-Performance-Behauptungen, wenigste GPUs, schnellster 4K-Renderer, bestes Modell unter einer Billion Dollar Bewertung, stammen alle aus Reves eigener Ankündigung und wurden noch nicht unabhängig geprüft. Sie sind plausibel und das Arena-Ranking ist von Drittanbietern, aber die Rechen- und Geschwindigkeitszahlen sollten vorerst als Aussagen des Labors gelesen werden.

Layouts fügen auch eine konzeptuelle Schicht hinzu. Für einen Gelegenheitsnutzer, der einfach schnell ein Bild möchte, ist es immer noch einfacher, einen Prompt einzugeben als in Regionen und Strukturen zu denken. Die Stärke des Layouts zeigt sich am deutlichsten, wenn du Präzision und Iteration brauchst, also bei professioneller Arbeit und Design, nicht unbedingt für ein einmaliges Bild für einen Social-Media-Post, wo ein kostenloser KI-Fotogenerator und -editor ausreichen mag.

Und das Modell liegt auf Platz zwei, nicht auf Platz eins. GPT-Image-2 führt das Leaderboard nach wie vor deutlich an, was daran erinnert, dass eine bessere Darstellung den Abstand zur Skalierung verringert, ihn aber noch nicht beseitigt hat.

Die Branche bewegt sich in dieselbe Richtung

Reve 2.0 erschien nicht im Vakuum. In derselben Woche veröffentlichte Ideogram Ideogram 4, das auf einer eng verwandten Idee aufbaut: Bounding Boxes und strukturelle Kontrolle statt immer dichterer Prompts. Zwei der angesehensten Bildlabore kamen unabhängig voneinander zu dem Schluss, dass der Weg zur steuerbaren Generierung über strukturierte, bearbeitbare Darstellungen führt, dasselbe Rennen, in das neue chinesische Modelle wie Seedream eingestiegen sind, die dieselbe Bildqualitätsfrontier anstreben.

Diese Konvergenz ist das eigentliche Signal. Reve sieht Layouts als ersten Schritt hin zur Behandlung von Bildgenerierung als Programmsynthese, einer Welt, in der Menschen und Agenten über eine gemeinsame, codeartige semantische Schicht lesen, schreiben und nachdenken. Der nächste Schritt auf seiner Roadmap ist die Skalierung der Sprachmodelle, die die Planung übernehmen. Wenn die Wette hält, könnte die Prompt-Box eines Tages wie eine Übergangs-Schnittstelle aussehen, so wie es einmal Lochkarten waren, und strukturiertes visuelles Bearbeiten könnte zur Standardmethode für ernsthafte Bildarbeit werden.

Was das bedeutet, wenn du KI täglich nutzt

Für die meisten Menschen ist die praktische Erkenntnis, dass echte visuelle Kontrolle endlich kommt. Text genau dort platzieren, wo er hingehört. Ein einzelnes Objekt korrigieren, ohne die Szene neu zu generieren. In hoher Auflösung iterieren, ohne zuzusehen, wie Details still und leise verschwinden. Wer Design, Marketing, Produkt-Mockups oder Druckarbeiten erstellt, findet hier genau die Fähigkeit, die bisher gefehlt hat.

Der Launch unterstreicht auch, wie schnell sich die Modell-Landschaft verändert. An einem einzigen Tag stellte ein kleines Labor eine neue Architektur vor und mischte ein Leaderboard auf, das von OpenAI, Google und Microsoft dominiert wird. Das beste Modell für eine bestimmte Aufgabe ändert sich ständig, manchmal wöchentlich, und kein einziger Anbieter bleibt lange an der Spitze.

Genau dieses Problem löst Fello AI auf der Sprachseite. Anstatt separate Abonnements für jedes Frontier-Modell zu verwalten, bündelt Fello AI Claude, GPT, Gemini und andere in einer einzigen nativen App für Mac, iPhone und iPad, sodass du jederzeit zu dem Modell wechseln kannst, das diese Woche gewinnt, ohne fünf Logins oder fünf Rechnungen zu verwalten. Da sich Bild- und Sprachmodelle gegenseitig überholen, ist es am einfachsten, an einem Ort auf alle zugreifen zu können, um immer auf dem neuesten Stand zu bleiben, ohne deinen Workflow auf ein einziges Labor zu setzen.

Fazit

Reve 2.0 ist eine Erinnerung daran, dass es an der Frontier nicht nur um Skalierung geht. Ein kleines Team aus ehemaligen Adobe- und Stability-Forschern, das mit einem Bruchteil des Rechenaufwands trainierte, erreichte Platz zwei weltweit, indem es die Darstellung änderte statt nur Parameter hinzuzufügen. Ihre Wette ist, dass Bilder besser als Code verstanden werden als als Prosa, und dass Menschen und KI-Agenten über eine gemeinsame, bearbeitbare Struktur zusammenarbeiten sollten, statt Ratespiele durch eine Prompt-Box zu spielen.

Ob layout-basierte Generierung zum Industriestandard wird oder schlicht ein starker Ansatz unter mehreren bleibt, Reve 2.0 hat bereits den wichtigeren Punkt bewiesen. In einem Bereich, der oft wirkt, als gehöre er einer Handvoll Giganten, kann eine bessere Idee das Leaderboard immer noch an einem einzigen Tag verändern.