开源图像编辑器 VIBE：2K 图片编辑只要 4 秒，显存 24GB

VIBE 是一个极度轻量且速度极快的开源图像编辑模型。它能让你直接通过自然语言指令修改图片，在单张 NVIDIA H100 上处理 2K 分辨率的高清图像只要约 4 秒。

目前主流的开源图像编辑方案往往依赖 6B 到 20B 参数的庞大扩散模型，不仅显存吃紧，跑一张图也慢得让人抓狂。VIBE 走的是完全相反的轻量化路线，直接把体积压到了小模型级别，却依然能稳定保留原图的细节特征。

它能做什么

VIBE 主要解决的是指令式图像编辑，也就是给一张图配上一句话，让 AI 精准执行修改，同时不毁掉不需要变动的地方。

在实际测试和示例中，它能轻松完成局部添加或调整，比如给照片中的人物加上一条特定款式的围巾；也能做全局的环境变换，比如把原本的大白天切换成深夜，并给场景顺手加上路灯光效。

替换背景和整体艺术风格迁移同样不在话下。在 ImgEdit 和 GEdit 等基准测试中，VIBE 在属性微调、移除物体、背景替换这类强依赖原图一致性的任务上，表现甚至追平或超越了体积大它数倍的模型。

架构设计与硬件规格

VIBE 之所以能跑得这么快，关键在于极其精简的拼装思路。它没有盲目堆砌参数，而是选用了 2B 参数的 Qwen3-VL 充当理解指令的视觉语言模型，负责指挥编辑方向。

图像生成底座则交给了 1.6B 参数的 Sana 1.5 扩散模型。两者合力之下，整套系统在 BF16 精度下只需要 24GB 显存就能完整运行。

标准版本在 H100 上生成 2K 图像耗时约 4 秒。如果追求更极致的响应速度，研究团队还放出了一个 CFG 蒸馏版本，去掉了推理时的分类器自由引导计算，速度直接提升 1.8 到 2 倍。在 1024x1024 分辨率下只要 0.64 秒，2K 分辨率也只需 1.97 秒。

目前项目已经在 GitHub 上开源了代码，Hugging Face 上也提供了免费在线 demo，支持手动调节步数、引导词权重和原图参考强度。

为什么重要

我们认为 VIBE 最聪明的地方，在于它没有跟着大厂卷百亿参数，而是证明了小模型做图像编辑不仅可行，而且在很多实用场景里比大模型更靠谱。

对于个人开发者和创作者来说，24GB 显存意味着单张消费级显卡只要后续配合量化就能在本地跑起来，不再非得租昂贵的云端集群。如果你正在搭建需要即时交互的图片生成工作流，它极快的响应速度能让预览体验直接提升一个档次。

不过要注意的是，受限于 1.6B 的底座规模，它在极其复杂的多轮组合指令或冷门风格理解上可能还是不如超大模型细腻。但就日常的增删改换而言，它的性价比和实用度目前在开源领域名列前茅。