Microsoft a publié Mage-Flow, une pile générative compacte à échelle 4B conçue pour la génération texte-vers-image efficace et l'édition d'images basée sur des instructions. Le système atteint une qualité compétitive avec les meilleurs résultats grâce à la co-conception d'un tokenizeur léger, Mage-VAE, et d'un Transformateur de Diffusion Multimodale à Résolution Native (NR-MMDiT).
- Mage-Flow égale ou dépasse les systèmes ouverts plus grands comme Qwen-Image 20B et FLUX.2 32B tout en utilisant significativement moins de paramètres.
- La pile partagée prend en charge la génération à résolution native de 512 à 2048 pixels sur n'importe quel ratio d'aspect, y compris les formats extrêmes 4:1.
- Mage-VAE réduit les MACs par pixel pour l'encodage/décodage d'environ 12x et 22x respectivement par rapport à FLUX.2-VAE.
- Les noyaux CUDA fusionnés et le regroupement à résolution native réduisent le temps d'entraînement de ~1,93 s à ~0,78 s, soit une accélération de 2,5x.
- La publication inclut les variantes Base, alignées par RL et Turbo en 4 étapes pour la génération (Mage-Flow) et l'édition (Mage-Flow-Edit).
- Sur un seul A100 à une résolution de 1024², Mage-Flow-Turbo atteint une latence de 0,59 s/image avec ~18–20 Go de mémoire pic.
L'architecture supprime le VAE en tant que goulot d'étranglement haute résolution et permet une latence interactive pour les tâches de génération et d'édition dans des budgets de calcul réalistes.