Canva stellt eigenes Bildmodell Craft für designorientierte KI-Generierung vor
Mindverse News
KI-gestützt erstellt 3 Quellen Originalmeldung: the-decoder.com Arbeitsweise
Das Wichtigste in Kürze
- Canva hat Craft als erstes eigenes Bildgenerierungsmodell vorgestellt; laut Unternehmen wurde es von Canva Research von Grund auf trainiert. [1]
- Craft plant Komposition, Proportionen und Text zunächst in einem separaten Schritt und rendert das Bild anschließend mit bis zu 2K Auflösung. [1][2]
- Canva nennt Unterstützung für mehr als 30 Seitenverhältnisse und Text in 55 Sprachen; diese Angaben sind Unternehmensangaben, keine unabhängigen Testergebnisse. [1][3]
- Das Modell ist laut Canva in Dream Lab und über die öffentliche API verfügbar. Eine Integration über MCP wurde als geplant, nicht als bereits verfügbar beschrieben. [1][2][3]
- Canva verweist auf gute Platzierungen bei DesignArena; belastbare Aussagen zur Eignung für konkrete Unternehmens-Workflows lassen sich daraus allein nicht ableiten. [1][3]
// Inhalt · 8 Abschnitte
- Ein eigenes Modell für die Designplattform
- Zwei Schritte statt direkter Umsetzung des Prompts
- Vorlagen als Trainingsbasis und Design als Schwerpunkt
- Magic Layers soll Ergebnisse weiterbearbeitbar machen
- Verfügbarkeit und angekündigte Erweiterungen
- Benchmarks: gute Platzierung, begrenzte Aussagekraft
- Strategischer Nutzen für Canva ist noch nicht quantifiziert
- Was Unternehmen vor einem Einsatz prüfen sollten
- Quellen
Ein eigenes Modell für die Designplattform
Canva hat am 22. Oktober 2026 Craft vorgestellt, das erste unternehmenseigene Bildgenerierungsmodell der Designplattform. Nach Angaben des Unternehmens entwickelte Canva Research das Modell von Grund auf. Für das Training sollen vor allem Millionen von Designvorlagen und nicht primär Fotografien verwendet worden sein. [1][2]
Damit positioniert Canva Craft nicht nur als weiteren Generator für visuelle Motive, sondern als Modell für Aufgaben, in denen Bildaufbau und Typografie Teil des Ergebnisses sind. Die Ankündigung betont entsprechend Layout, Proportionen und die Platzierung von Text. Das ist zunächst eine Produktpositionierung: Die verfügbaren Quellen belegen Canavas Angaben zur Entwicklung und zum vorgesehenen Einsatz, nicht eine unabhängige Prüfung der Trainingsdaten oder der Qualität in realen Produktionsumgebungen. [1][2]
- Canva nennt Poster, Social-Grafiken, Präsentationen, Infografiken und Menüs als Beispiele für die Vorlagen, die in das Training eingeflossen seien. [2]
- An dem Projekt waren laut The Decoder auch Forschende von Leonardo.ai beteiligt, das Canva 2024 übernommen hatte. [1]
Zwei Schritte statt direkter Umsetzung des Prompts
Craft arbeitet laut Canva mit einer Planungs- und einer anschließenden Renderphase. Zunächst übersetzt ein Planungsmodell die Eingabe in eine Beschreibung der vorgesehenen Komposition: Es legt unter anderem fest, welche Elemente erscheinen, wo sie platziert werden, wie groß sie sind und welche Wörter im Bild stehen sollen. Ein zweites Modell setzt diesen Plan in ein Bild um. [1][2][3]
Der technische Unterschied liegt darin, dass die Anordnung der Inhalte vor dem eigentlichen Rendern als eigener Zwischenschritt behandelt wird. Canva zufolge soll das präzisere Layouts und eine kontrolliertere Textdarstellung ermöglichen. Die Architektur allein belegt jedoch nicht, wie zuverlässig das Modell diese Ziele bei unterschiedlichen Prompts, Sprachen oder wiederholten Änderungen erreicht. In den vorliegenden Quellen finden sich dazu keine unabhängigen systematischen Tests. [2][3]
Canva gibt eine maximale Auflösung von 2K und Unterstützung für mehr als 30 Seitenverhältnisse an. Text soll sich in 55 Sprachen darstellen lassen. Diese Spezifikationen stammen aus Canavas Produktkommunikation und sind deshalb als Herstellerangaben einzuordnen, nicht als unabhängig bestätigte Leistungsmessungen. [1][3]
Vorlagen als Trainingsbasis und Design als Schwerpunkt
Die Nutzung von Designvorlagen statt eines primären Fokus auf Fotos passt zu Canavas erklärtem Ziel, Craft auf typische Gestaltungsaufgaben auszurichten. Vorlagen enthalten bereits organisierte Elemente wie Überschriften, Bildbereiche und unterschiedliche visuelle Gewichtungen. Daraus lässt sich als Analyse ableiten, dass Canva Layoutentscheidungen stärker in den Generierungsprozess einbeziehen will als bei einem Modell, das vor allem ein einzelnes Bildmotiv erzeugt. Die Quellen legen allerdings weder die genaue Zusammensetzung des Trainingsmaterials noch dessen Gewichtung offen. [1][2]
Für Unternehmen ist diese Ausrichtung vor allem dann relevant, wenn eine Grafik bereits im Generierungsschritt Text und eine bestimmte Struktur enthalten soll. Im Unterschied zu einem reinen Bildmotiv wird damit die Frage wichtiger, ob Beschriftungen korrekt wiedergegeben und Elemente in einer für den vorgesehenen Kanal brauchbaren Anordnung platziert werden. Dass Craft solche Aufgaben zuverlässig löst, ist eine Zielsetzung des Produkts; eine unabhängige Bestätigung dieser Zuverlässigkeit liegt in den bereitgestellten Berichten nicht vor. [2][3]
Magic Layers soll Ergebnisse weiterbearbeitbar machen
Canva verknüpft Craft mit Magic Layers. Mit dieser Funktion sollen sich generierte Ergebnisse in bearbeitbare Ebenen aufteilen lassen, statt als ein einziges, flaches Bild vorzuliegen. [1] Das adressiert einen praktischen Schritt nach der Generierung: Teams müssen Entwürfe häufig anpassen, etwa Texte austauschen, Bildformate ändern oder einzelne Elemente neu positionieren. ContentGrip beschreibt die Funktion als Möglichkeit, Bildinhalte in editierbare Designelemente zu überführen, weist aber ebenfalls darauf hin, dass unabhängige Daten zur Verlässlichkeit solcher Bearbeitungen fehlen. [2]
Für einen professionellen Einsatz reicht es daher nicht, ein überzeugendes Einzelbild zu erzeugen. Entscheidend ist auch, ob Änderungen am Text oder Layout möglich sind, ohne dass andere Teile des Entwurfs unerwünscht verändert werden. Das ist eine analytische Prüffrage für Anwender und keine durch die verfügbaren Quellen bereits nachgewiesene Craft-Eigenschaft. Ob Magic Layers bei unterschiedlichen Motiven und Korrekturen konsistente Ergebnisse liefert, sollte deshalb in einem eigenen Test geprüft werden. [2]
Verfügbarkeit und angekündigte Erweiterungen
Canva erklärte Craft zum Zeitpunkt der Ankündigung für Nutzer über Dream Lab verfügbar zu machen und nannte zusätzlich die öffentliche API als Zugang für Entwickler. [1][3] Damit richtet sich das Angebot neben der direkten Nutzung in Canva auch an Teams, die Bildgenerierung in eigene Anwendungen oder Abläufe einbinden wollen. Welche konkreten Nutzungslimits, Preise oder Zugangsbedingungen für die API gelten, geht aus den ausgewerteten Informationen nicht hervor. [2]
Eine Anbindung über MCP an Chatbots wie ChatGPT und Gemini wurde als spätere Erweiterung angekündigt. Sie sollte daher nicht mit einer bereits verfügbaren Integration gleichgesetzt werden. Auch die Varianten Craft-fast und Craft-ultrafast waren laut The Decoder für die Zukunft angekündigt; konkrete Angaben zu Leistung, Kosten oder Veröffentlichungsterminen enthalten die verfügbaren Quellen nicht. [1][2]
Für Unternehmen, die einen API-Einsatz prüfen, bleiben somit wichtige Betriebsfragen offen: Welche Kontingente gelten, wie wird die Verfügbarkeit gesteuert und welche Kosten entstehen bei wiederholter oder umfangreicher Nutzung? Die Launch-Berichte beantworten diese Fragen nicht. Das ist keine Aussage darüber, welche Vertragsbedingungen Canva außerhalb der vorliegenden Informationen anbietet, sondern eine Begrenzung des hier belegbaren Kenntnisstands. [2]
Benchmarks: gute Platzierung, begrenzte Aussagekraft
Canva verweist auf eine Platzierung von Craft auf der DesignArena-Rangliste: Das Modell habe dort insgesamt Rang vier erreicht und bei Porträts sowie Landschaften jeweils den ersten Platz belegt. Diese Ergebnisse werden in den vorliegenden Berichten als Angaben Canavas wiedergegeben. [1][3] Canva bezeichnete zugleich sein KI-Labor in einem Social-Media-Beitrag als das weltweit zweitfortschrittlichste für Bildgenerierung. Das bezieht sich auf das Labor, während die Rang-vier-Angabe das Modell betrifft; die Aussagen verwenden also unterschiedliche Bezugsgrößen. [3]
Die Rankings liefern einen Anhaltspunkt für die Einordnung des Modells, ersetzen aber keine Prüfung anhand konkreter Unternehmensanforderungen. Aus einer Platzierung in Kategorien wie Porträt oder Landschaft folgt nicht automatisch, dass ein Modell Produktmerkmale korrekt darstellt, Markenrichtlinien zuverlässig einhält oder Text für eine Kampagne fehlerfrei setzt. Die Quellen enthalten keine unabhängigen Vergleichstests zu solchen Anwendungsfällen. [1][2][3]
Strategischer Nutzen für Canva ist noch nicht quantifiziert
Canva nennt mehr Kontrolle über Qualität und Geschwindigkeit sowie geringere Kosten als Vorteile eines eigenen Modells. [1] Auch ContentGrip sieht in der stärkeren Kontrolle über die eigene KI-Infrastruktur einen möglichen strategischen Anreiz, hält aber fest, dass konkrete Einsparungen für Kundinnen und Kunden nicht beziffert wurden. [2] Die verfügbaren Informationen belegen daher eine strategische Absicht, aber weder die Höhe möglicher Kostensenkungen noch deren Weitergabe an Nutzer.
Analytisch betrachtet kann die Entwicklung eines eigenen Modells einem Plattformanbieter mehr Einfluss auf die Anpassung seiner KI-Funktionen an die eigene Software geben. Im Fall von Craft betrifft das insbesondere die Verbindung von Bildgenerierung, Layoutplanung und Weiterbearbeitung in Canva. Ob dieser Integrationsvorteil im Alltag zu weniger Arbeitsschritten oder geringeren Kosten führt, hängt jedoch von der tatsächlichen Qualität, der API-Ausgestaltung und der erforderlichen menschlichen Nachbearbeitung ab. Zu diesen Ergebnissen liefern die Quellen noch keine belastbaren Produktionsdaten. [1][2]
Was Unternehmen vor einem Einsatz prüfen sollten
Für Marketing- und Designteams ist Craft zunächst ein Werkzeug, dessen Eignung anhand typischer Aufgaben bewertet werden sollte. Sinnvoll ist ein Vergleich mit dem bestehenden Prozess, nicht nur die Beurteilung eines einzelnen gelungenen Ergebnisses. ContentGrip empfiehlt, unter anderem textreiche Werbemittel, Produktdarstellungen, mehrere Formate einer Kampagne und Varianten für unterschiedliche Sprachräume zu testen. [2]
Dabei sollten Teams dokumentieren, ob Texte unverändert übernommen werden, wie oft Korrekturen nötig sind, ob Markenbestandteile und Abstände erhalten bleiben und ob Magic Layers tatsächlich brauchbare Einzelbearbeitungen ermöglicht. Solche Prüfpunkte sind besonders wichtig, weil die Quellen zwar Funktionen und Herstellerangaben beschreiben, aber keine unabhängigen Daten zur Wiederholbarkeit oder zu den Ergebnissen in konkreten Produktionsabläufen vorlegen. [2]
Vor einer breiten Einführung sollten Unternehmen außerdem die für ihren Einsatz relevanten Bedingungen klären. Die bereitgestellten Informationen machen keine belastbaren Angaben zu Preisen, Nutzungslimits oder den konkreten kommerziellen Nutzungs- und Freigaberegeln. Das bedeutet nicht, dass Canva hierzu keine Angaben bereitstellt; diese Punkte sind lediglich durch die vorliegenden Quellen nicht belegt. [2]
Craft erweitert Canavas Angebot damit um ein eigenes, auf Designaufgaben ausgerichtetes Bildmodell, das in Dream Lab und über eine öffentliche API verfügbar sein soll. Für B2B-Anwender liegt der entscheidende nächste Schritt nicht in der Ranglistenposition, sondern im kontrollierten Praxistest: Erst dabei lässt sich feststellen, ob Planungsarchitektur und editierbare Ebenen den Aufwand bis zu einem freigegebenen, markenkonformen Ergebnis tatsächlich verringern. [1][2][3]
Quellen
- [1] Canva launches Craft, its first in-house image model — https://the-decoder.com/canva-launches-craft-its-first-in-house-image-model (abgerufen am 2026-10-23)
- [2] Canva Craft brings AI images into editable design — https://www.contentgrip.com/canva-craft-image-model (abgerufen am 2026-10-23)
- [3] Introducing Canva Craft Extraordinary image generation is now available ... — https://x.com/canva/status/2113348707223753165 (abgerufen am 2026-10-23)
//Nächster Artikel
Bild & Video
RTAformer soll Beziehungswechsel in Videos besser erkennenRTAformer trennt stabile Objektidentitäten von wechselnden Beziehungen in Videos. Die Studie berichtet Vorteile auf Action Genome, aber keine Praxiserprobung.

// Artikel teilen
Mehr zu Bild- & Video-KI
Alle Bild & Video-News- Future Chunk Prediction soll Videomodelle auf längere Abläufe trainieren
Ein neues Trainingsziel für autoregressive Videomodelle soll physikalische Abläufe besser abbilden. Was FCP ändert, zeigen Tests und offene Grenzen.
- Forschungsmodell erzeugt Video und 3D-Rig-Bewegung gemeinsam
Ein Forschungsmodell erzeugt Video, 3D-Rig-Bewegung und Kamerapassung gemeinsam. Was der Ansatz kann – und welche Grenzen für den Praxiseinsatz bleiben.
- MOSS-Image erhält eine auf vier Schritte ausgelegte Turbo-LoRA
Eine neue MOSS-Image-LoRA soll Bildgenerierung auf vier Schritte reduzieren. Was v2.0 technisch ändert, welche Grenzen die Doku nennt und was Unternehmen prüfen sollten.
- BridgeWAM soll Robotersteuerung mit einem kompakten Video-Action-Übergang beschleunigen
BridgeWAM nutzt 32 latente Queries statt dichter Video-Action-Kopplung. Die Autoren berichten Benchmarkwerte, Robotik-Latenzen und Grenzen.
// Dranbleiben
Mindverse News folgen
Neue Meldungen erhalten Sie über unseren RSS-Feed oder auf LinkedIn.
Passend dazu in Mindverse Studio
- Eigene Modelle und Assistenten trainierenBilden Sie einen digitalen Marken-Experten auf Ihrem Wissen aus.
- Studio mit Ihren Tools verbindenIntegrationen für Microsoft 365, Google Workspace, Slack, Notion und mehr.
- KI-Chat mit allen führenden ModellenGPT, Claude und Gemini in einer Oberfläche — mit Websuche und Quellenangaben.
Recherchieren Sie KI-News wie diese selbst — mit Mindverse Studio.
7 Tage kostenlos testen — ohne Kreditkarte, mit 200 Credits. Für Fragen zur Umsetzung buchen Sie eine persönliche Demo.
//Chronik
Rund um den 23. Oktober 2026
← Davor erschienen