Microsoft ha lanzado Mage-Flow, una pila generativa compacta de escala 4B diseñada para la generación eficiente de texto a imagen y la edición de imágenes basada en instrucciones. El sistema alcanza una calidad competitiva con el estado del arte mediante el co-diseño de un tokenizador ligero, Mage-VAE, y un Transformador de Difusión Multimodal de Resolución Nativa (NR-MMDiT).

  • Mage-Flow iguala o supera a sistemas abiertos más grandes como Qwen-Image 20B y FLUX.2 32B mientras utiliza significativamente menos parámetros.
  • La pila compartida admite generación de resolución nativa desde 512 hasta 2048 píxeles en cualquier relación de aspecto, incluidos formatos extremos 4:1.
  • Mage-VAE reduce los MACs por píxel de codificación/decodificación en ~12x y ~22x respectivamente en comparación con FLUX.2-VAE.
  • Los núcleos CUDA fusionados y el empaquetado de resolución nativa reducen el tiempo de entrenamiento de ~1,93 s a ~0,78 s, una aceleración de 2,5x.
  • El lanzamiento incluye variantes Base, alineadas con RL y Turbo de 4 pasos tanto para generación (Mage-Flow) como para edición (Mage-Flow-Edit).
  • En una sola A100 a resolución 1024², Mage-Flow-Turbo logra una latencia de 0,59 s/imagen con ~18–20 GB de memoria pico.

La arquitectura elimina el VAE como un cuello de botella de alta resolución y permite una latencia interactiva para tareas tanto de generación como de edición dentro de presupuestos de cómputo realistas.