Microsoft telah merilis Mage-Flow, tumpukan generatif skala 4B yang ringkas, dirancang untuk generasi teks-ke-gambar yang efisien dan pengeditan gambar berbasis instruksi. Sistem ini mencapai kualitas yang bersaing dengan state-of-the-art melalui desain bersama antara tokenizer ringan, Mage-VAE, dan Native-Resolution Multimodal Diffusion Transformer (NR-MMDiT).
- Mage-Flow menyamai atau mengungguli sistem terbuka yang lebih besar seperti Qwen-Image 20B dan FLUX.2 32B sambil menggunakan parameter yang jauh lebih sedikit.
- Tumpukan bersama mendukung generasi resolusi asli dari 512 hingga 2048 piksel pada setiap rasio aspek, termasuk format ekstrem 4:1.
- Mage-VAE mengurangi MACs per piksel untuk enkode/dekode masing-masing sebesar ~12x dan ~22x dibandingkan dengan FLUX.2-VAE.
- Kernel CUDA yang digabungkan dan pengemasan resolusi asli memangkas waktu pelatihan dari ~1,93 s menjadi ~0,78 s, percepatan 2,5x.
- Rilis ini mencakup varian Base, RL-aligned, dan 4-step Turbo untuk generasi (Mage-Flow) dan pengeditan (Mage-Flow-Edit).
- Pada satu A100 dengan resolusi 1024², Mage-Flow-Turbo mencapai latensi 0,59 s/gambar dengan memori puncak ~18–20 GB.
Arsitektur ini menghilangkan VAE sebagai hambatan resolusi tinggi dan memungkinkan latensi interaktif untuk tugas generasi dan pengeditan dalam batas komputasi yang realistis.