微软开源3.8B文生图底座Lens，4步推理仅0.84秒，媲美6B+级效果
· ME 快讯
ME News 消息，5 月 25 日（UTC+8），据 动察 Beating 监测，微软开源 3.8B 参数文生图底座模型系列 Lens。在保持与超越主流 6B 级模型性能的前提下，Lens 实现了极致的训练效率。在峰值 BF16 TFLOPS 算力归一化测试中（排除 caption 重生成成本），训练仅消耗阿里巴巴通义实验室 Z-Image 约 19.3% 的算力。 数据与架构的双重优化是削减训练成本的核心。训练数据集 Lens-800M 包含 8 亿图像-文本对。不同于传统短文本标注，样本全部由 GPT-4.1 生成，提示词平均长度达 109 个单词，具有极高的语义信息密度。模型架构采用 48 个 MMDiT blocks 与 FLUX.2 语义 VAE。文本特征来自 GPT-OSS，通过拼接第 4、12、18、24 层特征表示，增强了提示词遵循与多语言泛化表现。 针对不同运行环境，微软发布了三种权重版本。默认版 Lens 采用 RL-tuned 强化学习微调，在单张 NVIDIA H100 GPU 上用 20 步生成 1024x1024 图像耗时 3.15 秒。蒸馏极速版 Lens-Turbo 可在 4 步内完成推理，生成同等分辨率图像仅需 0.84 秒。底座版 Lens-Base 则是无 RL、无蒸馏的纯底座，默认运行 50 步进行生成。系列模型原生支持 1:2 至 2:1 任意宽高比与最高 1440x1440 混合分辨率生成。 相关模型权重已上架 Hugging Face，提供 Safetensors 与 Diffusers 格式入口，采用 MIT 许可协议。推理代码也已同步托管至 GitHub。高数据密度与极速推理相结合，降低了个人开发者与学术界部署、复现大型扩散 Transformer（Diffusion Transformer）模型的门槛。 （来源：BlockBeats）