开源图像模型 L2P 发布：砍掉 VAE 与潜空间，直接生成像素级画质

如果你这几年经常用 AI 画图，大概早就对那些变形的文字和糊成一团的微小细节习以为常了。业内其实都心知肚明，很多时候罪魁祸首不是模型本身理解不到位，而是中间那个负责把压缩特征还原成图片的 VAE 编码器。

研究团队开源了全新的图像生成模型 L2P。它做了一件非常干脆的事：彻底砍掉潜空间与 VAE，直接在像素空间里生成画面。

用 8 张显卡，给预训练模型换个像素核心

传统的潜在扩散模型为了省算力，习惯先在一个压缩维度也就是潜空间里演算，最后再靠 VAE 转换回肉眼能看到的像素。这套方案效率虽高，但在压缩和解压的过程中，必然会丢失大量细腻的纹理与准确性。

从头训练一个直接在像素空间运算的大模型又贵得吓人。L2P 最聪明的地方在于它没有硬刚算力，而是提出了一套 Latent-to-Pixel 迁移机制。

他们直接借用了现成先进模型（例如 Z-Image）已有的知识库，把中间层完全冻结，只单独训练浅层来学习像素转换。更绝的是，训练全程只用模型自己生成的合成图片，不用搜集任何真实数据，仅仅靠 8 张 GPU 就完成了从潜空间到像素空间的迁移。

原生 4K 输出，但手头设备得够硬

因为甩掉了 VAE 这个显存包袱，L2P 彻底解开了原生高分辨率的束缚。模型不仅原生支持 4K 输出，甚至可以外推到 8K。

在生成效果上，它能稳稳驾驭各种艺术风格与写实场景，尤其在排版文字和复杂微观元素上，画质超过了 Z-Image Turbo 和 Qwen 等开源潜空间模型。在评测基准上，它在 DPG-Bench 上咬平了源模型，并在 GenEval 上拿到了 93% 的性能水平。

目前团队已经把推理代码和训练微调脚本放上了开源社区。不过要注意，官方这次放出的权重是 1K 分辨率版本，文件体积大概有 20GB，更高清的版本还在路上。想在本地把它跑起来，你至少得准备一张中高端显卡。

为什么重要

我们认为 L2P 这次探索最大的价值，在于打破了像素级生成模型必须堆砌几千张卡重新训练的行业迷信。它证明了把现有的成熟模型当作跳板，用极低算力就能把潜空间生成的先验知识无损搬运到像素层。

对创作者来说，它预示着未来我们可能很快就能告别 VAE 导致的画质糊脸和字体畸变，直接拿到真正细腻的商业级高清大图。不过就目前而言，1K 模型高达 20GB 的体积对普通个人用户并不算友好，本地部署依然有明显门槛。

长远来看，这套低成本迁移框架很可能会引发更多开源项目跟进。如果大家都能用几张卡给自家的扩散模型扒掉 VAE，生成模型的下一轮画质比拼，大概率会迅速从潜空间全面转向真实的像素战场。