マイクロソフトがMage Flowをオープンソース化：4B規模で生成と編集を両立、1秒未満で出力

マイクロソフトが公開した「Mage Flow」は、40億パラメータ（4B）規模のオープンソース画像生成・編集モデルスタックだ。テキストからの画像生成と指示による画像編集、さらに精密な制御機能をひとつの軽量アーキテクチャにまとめている。

何ができるのか

生成機能では、写実的な人物ポートレートや風景を高精度に出力できるだけでなく、テキスト描画能力にも優れている。ポスターやインフォグラフィックのような複雑なレイアウトを直接生成でき、中国語をはじめとする多言語のテキスト描画に対応する。

編集機能は、GPT ImageやNano Bananaのように自然言語のプロンプトを入力するだけで動作する。背景の変更、昼から夜への時間帯シフト、カメラアングルや被写体のポーズの変更が指示出しだけで完結する。

服のバーチャル試着や髪型・表情の微調整、構図の変更も手動マスクなしで実行できる。

さらに、ControlNet相当の制御機能を標準で内蔵している点も特徴的だ。人体のポーズ骨格やCanny輪郭線、深度マップ、セグメンテーション画像から写実的な画像を生成できるほか、既存の画像から輪郭線や骨格を抽出する逆方向の処理にも対応する。

仕組みと動作要件

Mage Flowは、ワンステップ拡散型トークナイザー「Mage-VAE」と可変解像度対応のマルチモーダルDiTで構成されている。Mage-VAEによりトークナイズの計算負荷を大幅に削減し、512ピクセルから2048ピクセルまでの自由なアスペクト比をパディングなしで扱える。

モデルはベース版、強化学習によるアライメント版、そして4ステップのTurbo版が用意されている。単一のNVIDIA A100環境かつ1024四方の解像度において、Mage-Flow-Turboは0.59秒で画像を生成し、画像編集も1.02秒で完了する。

公式ベンチマークではFLUX.1 KleinやQwen Imageを上回る生成スコアを記録し、編集性能でもFLUX.1 Kleinに迫る数値をマークした。ただしChroma 2やIdeogramといったモデルとの比較は含まれていない。

メインモデルのファイルサイズは約17.5GBで、中〜上位クラスのGPUであればローカル環境で直接稼働できる。

なぜ重要か

ローカル環境で画像生成を行うクリエイターや開発者にとって、生成・編集・ControlNetの各機能を4Bサイズに集約し、1秒未満で出力できる点は実用性が高い。複数の重い拡張機能を組み合わせる手間なく、対話的なプレビューが可能になる。

17.5GBのVRAMを確保できる環境なら、多言語テキスト入れや迅速な部分修正ツールとして今すぐ試す価値がある。スペックが限られるユーザーは、コミュニティによる量子化版やComfyUI対応の登場を待つのが現実的だ。