A Microsoft lançou o Mage-Flow, uma pilha gerativa compacta de escala 4B projetada para geração eficiente de texto em imagem e edição de imagens baseada em instruções. O sistema alcança qualidade competitiva com o estado da arte por meio do co-design de um tokenizador leve, Mage-VAE, e um Transformer de Difusão Multimodal de Resolução Nativa (NR-MMDiT).
- O Mage-Flow iguala ou supera sistemas abertos maiores como Qwen-Image 20B e FLUX.2 32B, utilizando significativamente menos parâmetros.
- A pilha compartilhada suporta geração em resolução nativa de 512 a 2048 pixels em qualquer proporção de aspecto, incluindo formatos extremos de 4:1.
- O Mage-VAE reduz os MACs por pixel para codificação/decodificação em ~12x e ~22x respectivamente, comparado ao FLUX.2-VAE.
- Kernels CUDA fundidos e empacotamento de resolução nativa reduziram o tempo de treinamento de ~1,93 s para ~0,78 s, um aumento de velocidade de 2,5x.
- O lançamento inclui variantes Base, alinhadas por RL e Turbo de 4 passos tanto para geração (Mage-Flow) quanto para edição (Mage-Flow-Edit).
- Em uma única A100 na resolução 1024², o Mage-Flow-Turbo alcança latência de 0,59 s/imagem com ~18–20 GB de memória de pico.
A arquitetura remove o VAE como um gargalo de alta resolução e permite latência interativa para tarefas de geração e edição dentro de orçamentos de computação realistas.