開源影像模型 L2P 釋出：砍掉 VAE 與潛空間，直接生成畫素級畫質

如果你這幾年經常用 AI 畫圖，大概早就對那些變形的文字和糊成一團的微小細節習以為常了。業內其實都心知肚明，很多時候罪魁禍首不是模型本身理解不到位，而是中間那個負責把壓縮特徵還原成圖片的 VAE 編碼器。

研究團隊開源了全新的影像生成模型 L2P。它做了一件非常乾脆的事：徹底砍掉潛空間與 VAE，直接在畫素空間裡生成畫面。

用 8 張顯示卡，給預訓練模型換個畫素核心

傳統的潛在擴散模型為了省算力，習慣先在一個壓縮維度也就是潛空間裡演算，最後再靠 VAE 轉換回肉眼能看到的畫素。這套方案效率雖高，但在壓縮和解壓的過程中，必然會丟失大量細膩的紋理與準確性。

從頭訓練一個直接在畫素空間運算的大模型又貴得嚇人。L2P 最聰明的地方在於它沒有硬剛算力，而是提出了一套 Latent-to-Pixel 遷移機制。

他們直接借用了現成先進模型（例如 Z-Image）已有的知識庫，把中間層完全凍結，只單獨訓練淺層來學習畫素轉換。更絕的是，訓練全程只用模型自己生成的合成圖片，不用搜集任何真實資料，僅僅靠 8 張 GPU 就完成了從潛空間到畫素空間的遷移。

原生 4K 輸出，但手頭裝置得夠硬

因為甩掉了 VAE 這個視訊記憶體包袱，L2P 徹底解開了原生高解析度的束縛。模型不僅原生支援 4K 輸出，甚至可以外推到 8K。

在生成效果上，它能穩穩駕馭各種藝術風格與寫實場景，尤其在排版文字和複雜微觀元素上，畫質超過了 Z-Image Turbo 和 Qwen 等開源潛空間模型。在評測基準上，它在 DPG-Bench 上咬平了源模型，並在 GenEval 上拿到了 93% 的效能水平。

目前團隊已經把推理程式碼和訓練微調指令碼放上了開源社群。不過要注意，官方這次放出的權重是 1K 解析度版本，檔案體積大概有 20GB，更高畫質的版本還在路上。想在本地把它跑起來，你至少得準備一張中高階顯示卡。

為什麼重要

我們認為 L2P 這次探索最大的價值，在於打破了畫素級生成模型必須堆砌幾千張卡重新訓練的行業迷信。它證明了把現有的成熟模型當作跳板，用極低算力就能把潛空間生成的先驗知識無損搬運到畫素層。

對創作者來說，它預示著未來我們可能很快就能告別 VAE 導致的畫質糊臉和字型畸變，直接拿到真正細膩的商業級高畫質大圖。不過就目前而言，1K 模型高達 20GB 的體積對普通個人使用者並不算友好，本地部署依然有明顯門檻。

長遠來看，這套低成本遷移框架很可能會引發更多開源專案跟進。如果大家都能用幾張卡給自家的擴散模型扒掉 VAE，生成模型的下一輪畫質比拼，大機率會迅速從潛空間全面轉向真實的畫素戰場。