Mr. Flow 开源：图像生成提速 9 到 21 倍，完全免训练

如果你经常用 Flux 或其他大参数图像模型生成图片，肯定对那个读秒的进度条很熟悉。哪怕生成一张图只要不到十秒，连着抽卡试错几轮下来，耐心也容易被消磨干净。

一项名为 Mr. Flow 的免训练图像生成加速方案正式公开，不仅发布了代码和使用说明，还直接推出了配套的 ComfyUI 插件。

这项技术能在不重新训练模型的前提下，把主流生图模型的推理速度提升 9 到 21 倍，原本十秒左右的等待时间被直接压缩到了 1 秒上下。

先在小纸上画草稿，再花一秒修细节

Mr. Flow 的思路其实非常直观：在低分辨率下生成图像，速度要比直接画大图快得多。

在 Transformer 架构的流匹配模型里，计算量随着 token 数量呈二次方暴涨。像 Qwen-Image-20B 这样的庞然大物，在 A100 上跑一张 1024 分辨率的图，光扩散采样就要耗去 47 秒。

以往也有人尝试多分辨率分段生成，但大多是在潜空间（latent space）里强行拉大尺寸，往往会带来明显的模糊或者涂抹感。

Mr. Flow 的聪明之处在于打了一套组合拳：先在低分辨率下快速勾勒出整张图的主体结构，步数少、每步耗时还能砍掉四分之三；随后它把画面还原到像素空间，用一个极其轻量的预训练 GAN 超分模型放大。

放大之后，它给画面注入微量的噪声，再让原始的高分辨率扩散模型在最后几个步骤里把细节清理干净。用微量噪声打散 GAN 可能带来的生硬瑕疵，再借高分辨率模型的先验去修正，既省了算力，又保住了画质。

速度翻了二十倍，画质几乎没掉

从测试数据来看，这种分段采样的收益相当夸张。

针对 Z-Image Turbo，Mr. Flow 跑出了最高 21 倍的生成加速；在 Flux Kontext 上提速接近 9 倍；而在 Qwen Image 上提速也超过了 10 倍。

根据论文披露，在 FLUX.1-dev 和 Qwen-Image 上，这种做法带来的 OneIG 指标差距与原始模型相比不到 1%，肉眼几乎看不出明显的质量牺牲。

如果把它和现有的时间步蒸馏技术叠加使用，整体加速甚至能冲到 25 倍。

更关键的是，它完全不需要针对特定模型重新训练权重，也不依赖任何定制的 GPU kernel 或特殊硬件架构，通用性极高。

为什么重要

对于个人创作者和独立开发者来说，这项工具的落地价值来得非常直接。它没有停留在论文阶段，而是第一时间拿出了 ComfyUI 插件，这意味着普通玩家不需要去改底层代码，装上就能在本地体验 1 秒出图。

在生成式图像领域，提速通常只有两条路：要么花大钱做模型蒸馏重新训练，要么针对显卡做极致的算子优化。前者门槛太高，后者对硬件挑剔。Mr. Flow 走的是纯推理调度路线，把原本铁板一块的采样流程拆解成了「粗糙结构」和「精细纹理」两个阶段，用传统 GAN 当跳板，省下了最昂贵的高分辨率前中期计算。

我们认为，这种「免训练外挂」很可能会成为开源图像社区接下来的标配。它不仅大幅降低了本地跑大模型的显存和时间成本，也会倒逼上游模型开发者在设计采样调度器时，把多分辨率分段作为原生选项考虑进去。

不过也要看到，这种机制把细节修正的重担全压在最后几步高分辨率采样上。面对一些极端精细的文字排版或者微小人脸，GAN 阶段引入的先验偏差是否完全能被微量加噪抹平，在更复杂的生产工作流里依然需要创作者仔细测试。