字节推出 DreamLite：3.9 亿参数端侧模型，手机离线生图编辑只要 3 秒

很多人在手机上修图时最烦的其实不是效果，而是等待：选完指令后手机开始转圈，有时要等上好几秒甚至十几秒，一旦走进地铁或者地下车库没信号，AI 功能就直接罢工。

字节跳动发布了一项名为 DreamLite 的研究。他们做出了一个参数量仅有 3.9 亿的超轻量扩散模型，不仅能完全跑在手机本地，而且同时把文生图和图像编辑装进了一个模型里。

在 iPhone 17 Pro 上实测，本地离线生成一张 1024×1024 分辨率的「年轻女子与花朵」肖像图大约只需要 3 秒。如果换到小米 14 上，配合 4 步去噪蒸馏技术，生成或编辑一张同等规格图片的时间甚至被压到了 1 秒以内。

3.9 亿参数塞进手机，还能边生图边修图

此前跑在手机端的小模型大多只能做单纯的文生图，一旦涉及局部修改或者风格重绘，就得依赖体积更大的模型或者直接连云端。

DreamLite 改变了这一点。它不仅能无中生有地画图，还能根据文字提示修改已有画面。比如直接把一张普通风景图换成油画风或水彩风，或者把画面中的白昼改成冰封雪湖的冬日景象，几秒钟就能给出结果。

在局部编辑上，它也支持移除画面中的鸟类、给天空加一道彩虹、替换仙人掌照片的背景，或者整张图改成赛博朋克风。

当然，受制于仅 3.9 亿的体量，它在写实照片的人物皮肤纹理、动物毛发等极限微距细节上，和云端动辄几十亿参数的顶级模型相比依然有差距。但放在同等体量甚至稍大一些的端侧模型里，它的画面表现和响应速度都处于前列。

怎么把两个模型挤进同一张单程票

要把图像生成和编辑合二为一，以往的做法往往需要多套网络或者额外的控制分支，这对手机有限的内存和算力来说负担太大。

根据论文披露，DreamLite 采用了剪枝后的轻量化移动 U-Net 作为主干网络，巧妙地在潜空间里使用水平空间拼接来统一输入。做生图任务时，模型接收的是「目标图像加空白区域」的组合；做编辑任务时，输入的则是「目标图像加原始图像」。

为了让这么小的模型同时学会两种技能，团队设计了一套渐进式的联合预训练策略，先训练文生图基础，再训练编辑能力，最后进行联合优化，并辅以高质量微调与强化学习。

最终测试显示，DreamLite 在生图基准 GenEval 上拿到 0.72 分，在编辑基准 ImgEdit 上拿到 4.11 分，不仅远超现有端侧方案，甚至在部分指标上能够比肩某些服务器端的中型模型。

为什么重要

对普通用户来说，这种技术带来的最大改变是无感与安心。你不必担心飞机飞行中或是信号死角无法使用 AI 修图，更重要的是，私密相册里的个人照片完全不需要上传到服务器，所有像素处理都在设备内部闭环完成。

对手机厂商和整个行业而言，端侧多模态模型终于迈过了实用门槛。以往受限于算力，手机内置的修图功能往往只能做特定滤镜或简单消除，而 DreamLite 证明了 0.39B 的极小参数量也能兼顾通用生成与自由语言修图，为未来操作系统原生集成轻量 AI 工具铺平了道路。

我们认为字节跳动这次的技术路径走得非常务实。它没有去硬拼参数规模和极限写实度，而是牢牢咬住了端侧落地最关键的指标：体积极小、延迟压进 1 至 3 秒、单一模型承担双重任务。在移动端体验上，秒级响应和零网络依赖所带来的实用价值，远比堆砌参数更直接。