マイクロソフト、3.8B画像生成モデル「Lens」公開　4ステップ・0.84秒で高速生成

Lensは、米マイクロソフトがオープンソース化した38億（3.8B）パラメータの画像生成モデルです。計算コストを大幅に削減しながら大型モデル並みの品質を実現し、蒸留版では1秒未満の超高速生成を可能にしています。

今回公開されたのは、Base、標準のLens、そしてTurboの各重みです。自前のサーバーやローカル環境で高品質な画像生成ワークフローを構築したい個人開発者にとって、手軽に導入できる選択肢が登場しました。

高画質と省リソースを両立した仕組み

Lensは複数のベンチマークにおいて、6B以上のパラメータを持つ最先端モデルと同等以上の性能を示しています。一方で、学習に要した計算量は比較対象となったZ-Imageのわずか19.3%に抑えられています。

この高い効率性を支えているのが、データ密度の向上です。同社はLens-800Mと呼ばれる8億件の画像・テキスト対データセットを構築しました。GPT-4.1によって生成されたキャプションは平均約109語に及び、従来の短いラベルよりもはるかに濃密な意味情報をモデルに与えています。

さらに学習バッチには多様な解像度と1:2から2:1のアスペクト比が混在しており、最大1440×1440ピクセルまでの生成に対応します。アーキテクチャ面では意味的VAEを採用し、強力な言語エンコーダにより英語主体の学習データから多言語プロンプトの理解を可能にしました。学習後にはLens-RL-8Kを用いた強化学習を行い、ノイズや破綻を抑制しています。

4ステップ・0.84秒の高速推論

Lensの最大の強みは、実用性の高い生成速度にあります。

単一のNVIDIA H100 GPUを使用した場合、標準の3.8Bモデルは1024×1024の画像を3.15秒で出力します。さらに蒸留技術を適用したTurbo版では、わずか4ステップの推論により0.84秒で画像を生成できます。

一部の報道では、FLUX.2 VAEやGPT-OSS関連の技術要素の統合も言及されています。また、プロンプトの意図を自動で調整する推論モジュールも備えており、複雑な呪文を入力しなくても狙い通りの構図を得やすくなっています。

なぜ重要か

近年の画像生成モデルは巨大化が進み、高品質な出力を得るには膨大なGPUリソースが必要でした。Lensはデータの質を極限まで高めることで、3.8Bという扱いやすいサイズでも6B級の性能が出せることを実証しています。

特に0.84秒で動くTurboモデルは、リアルタイムな編集ツールやインタラクティブなアプリへの組み込みに最適です。運用コストを抑えつつ高速な画像生成環境を自前で持ちたい開発者にとって、今すぐ試す価値のあるモデルといえます。