MS, 3.8B 이미지 생성 모델 'Lens' 가중치 공개…0.84초 만에 이미지 생성

Lens는 마이크로소프트가 오픈소스로 공개한 38억(3.8B) 파라미터 규모의 텍스트-투-이미지 모델입니다. 학습 비용을 획기적으로 줄이면서도 대형 모델 수준의 품질을 갖췄으며, 증류 모델을 통해 1초 미만의 초고속 생성을 지원하는 점이 특징입니다.

이번에 공개된 가중치는 Base, 기본 Lens, 그리고 Turbo 버전까지 포함합니다. 개인 개발자나 소규모 팀이 자체 인프라에서 고해상도 이미지 생성 파이프라인을 운영하기에 매우 적합한 구성입니다.

작지만 강력한 성능을 내는 원리

Lens는 여러 벤치마크에서 6B 이상의 파라미터를 가진 기존 주요 모델들과 대등하거나 이를 뛰어넘는 결과를 보여줍니다. 그러면서도 학습에 필요한 연산량은 Z-Image 모델의 약 19.3%에 불과합니다.

이러한 효율성의 핵심은 데이터 밀도에 있습니다. 마이크로소프트는 GPT-4.1이 생성한 8억 개의 상세 캡션 데이터셋인 Lens-800M을 구축했습니다. 각 캡션은 평균 약 109단어에 달해, 기존의 짧은 태그 기반 데이터보다 훨씬 풍부한 의미적 맥락을 모델에 학습시킵니다.

학습 배치 역시 다양한 해상도와 1:2부터 2:1까지의 화면비를 혼합해 최대 1440x1440 해상도까지 자연스럽게 처리합니다. 시맨틱 VAE와 강력한 언어 인코더를 결합해 영어 중심의 사전 학습만으로도 여러 언어의 프롬프트를 이해하며, 사후 학습 단계에서는 Lens-RL-8K 기반의 강화학습을 적용해 시각적 왜곡을 줄였습니다.

4단계 추론과 0.84초 생성 속도

실무 환경에서 가장 눈에 띄는 부분은 추론 속도입니다.

단일 NVIDIA H100 GPU 기준으로 3.8B 기본 모델은 1024x1024 이미지를 3.15초 만에 생성합니다. 반면 지식 증류를 적용한 Turbo 버전은 단 4단계 추론만으로 0.84초 만에 이미지를 만들어냅니다.

일부 보도에 따르면 FLUX.2 VAE 및 GPT-OSS 관련 기술 요소들이 결합되었으며, 별도의 학습 없이 시스템 프롬프트를 탐색해 사용자 입력을 최적화하는 추론 모듈도 탑재되었습니다.

왜 중요한가

최근 이미지 생성 모델들이 점점 거대화되면서 독립 개발자가 자체 서버에서 최신 모델을 구동하기가 점점 까다로워졌습니다. Lens는 고밀도 데이터 큐레이션을 통해 3.8B 크기로도 6B급 성능을 충분히 낼 수 있음을 보여줍니다.

특히 0.84초 만에 고해상도 결과물을 내놓는 Turbo 버전은 실시간 대화형 서비스나 빠른 렌더링이 필요한 웹 애플리케이션에 즉시 적용할 수 있습니다. 운영 비용을 아끼면서 빠른 속도와 품질을 동시에 확보하고 싶은 팀에게 매력적인 선택지입니다.