文生圖模型 Würstchen 開源：42 倍空間壓縮，訓練成本直降 16 倍

Würstchen 是一個面向極低硬體門檻的開源文生圖模型。它最大的賣點，就是生成速度比 SDXL 快得多，而且視訊記憶體佔用極低，沒有高階計算卡的開發者也能順暢跑高畫質圖。

42 倍壓縮到底是怎麼做到的

傳統的潛在擴散模型（比如 Stable Diffusion）通常只做 4 到 8 倍的空間壓縮。一旦壓到 16 倍以上，現有方法往往無法忠實還原畫面細節，重建出來的影像容易嚴重失真。

Würstchen 走了一條激進的路線，直接把空間壓縮率推到了 42 倍。這意味著即使處理 1024x1024 甚至 1536x1536 的超大解析度，核心生成階段其實也是在一個極小的特徵空間裡跑。

它把整個流程拆成了兩大部分。首先是用 Stage A 的 VQGAN 搭配 Stage B 的擴散自編碼器組成 Decoder，專門負責把高度壓縮的潛在特徵還原回真實畫素。

真正聽懂文字指令並生成內容的模型叫 Stage C，也就是 Prior。因為 Stage C 只需要在 42 倍壓縮後的極小空間裡做擴散，訓練和推理所需的計算量都大幅削減。

顯示卡不富裕也能玩轉

資料壓縮帶來的最直觀好處就是成本暴跌。Würstchen v1 生成 512x512 解析度只用了 9,000 個 GPU 小時；相比之下，SD 1.4 當年花了 150,000 個 GPU 小時，訓練成本直接砍掉了 16 倍。

哪怕是支援最高 1536 解析度的 Würstchen v2，訓練也只花了 24,602 個 GPU 小時，依然比當年 512 尺寸的 SD 1.4 便宜 6 倍。團隊還發現 Prior 對新解析度適應極快，甚至能自然輸出 1024x2048 的畫面。

對使用者來說，最實用的莫過於大幅降低了視訊記憶體門檻。這個模型已經完整整合進 Hugging Face 的 Diffusers 庫，開發者用熟悉的程式碼就能直接呼叫。

它原生支援 PyTorch 2.0 的 SDPA 加速，支援蘋果 Mac 的 MPS 晶片，還能通過 CPU 解除安裝把閒置元件移出視訊記憶體。如果加上 torch.compile 最佳化，首次編譯花上兩分鐘後，後續出圖速度還會再快上一截。

為什麼重要

文生圖領域往往在拼算力和引數體量，而 Würstchen 提供了一條截然不同的工程思路：既然大尺寸擴散太費卡，不如先把潛空間壓到極致。

對個人開發者和小團隊來說，它大幅降低了定製微調生圖模型的門檻，用有限的算力就能開展實驗。對行業而言，這種極端解耦的架構證明了不用龐大叢集也能訓出高質量大圖。

不過，42 倍的高壓縮率對解碼器的還原能力是個考驗。我們認為，在涉及密集微小文字或複雜紋理的極端場景下，它的重建精度究竟如何，仍值得在實際應用中多加觀察。