微软发布了Mage-Flow，这是一个紧凑的4B规模生成堆栈，旨在实现高效的文本到图像生成和基于指令的图像编辑。该系统通过轻量级分词器Mage-VAE与原生分辨率多模态扩散Transformer（NR-MMDiT）的协同设计，实现了具有竞争力的顶尖质量。

  • Mage-Flow在参数量显著少于Qwen-Image 20B和FLUX.2 32B等大型开源系统的情况下，性能持平或超越它们。
  • 共享堆栈支持从512到2048像素的任何宽高比的原生分辨率生成，包括极端的4:1格式。
  • 与FLUX.2-VAE相比，Mage-VAE将每像素的编码/解码MACs分别降低了约12倍和22倍。
  • 融合CUDA内核与原生分辨率打包将训练时间从约1.93秒缩短至约0.78秒，实现了2.5倍加速。
  • 发布版本包括用于生成（Mage-Flow）和编辑（Mage-Flow-Edit）的基础版、RL对齐版以及4步Turbo变体。
  • 在单张A100显卡上以1024²分辨率运行时，Mage-Flow-Turbo的延迟为每张图像0.59秒，峰值内存占用约为18–20 GB。

该架构消除了VAE作为高分辨率瓶颈的问题，并在合理的计算预算内实现了生成和编辑任务的交互式延迟。