Mr. Flow 開源：影像生成提速 9 到 21 倍，完全免訓練

如果你經常用 Flux 或其他大引數影像模型生成圖片，肯定對那個讀秒的進度條很熟悉。哪怕生成一張圖只要不到十秒，連著抽卡試錯幾輪下來，耐心也容易被消磨乾淨。

一項名為 Mr. Flow 的免訓練影像生成加速方案正式公開，不僅釋出了程式碼和使用說明，還直接推出了配套的 ComfyUI 外掛。

這項技術能在不重新訓練模型的前提下，把主流生圖模型的推理速度提升 9 到 21 倍，原本十秒左右的等待時間被直接壓縮到了 1 秒上下。

先在小紙上畫草稿，再花一秒修細節

Mr. Flow 的思路其實非常直觀：在低解析度下生成影像，速度要比直接畫大圖快得多。

在 Transformer 架構的流匹配模型裡，計算量隨著 token 數量呈二次方暴漲。像 Qwen-Image-20B 這樣的龐然大物，在 A100 上跑一張 1024 解析度的圖，光擴散取樣就要耗去 47 秒。

以往也有人嘗試多解析度分段生成，但大多是在潛空間（latent space）裡強行拉大尺寸，往往會帶來明顯的模糊或者塗抹感。

Mr. Flow 的聰明之處在於打了一套組合拳：先在低解析度下快速勾勒出整張圖的主體結構，步數少、每步耗時還能砍掉四分之三；隨後它把畫面還原到畫素空間，用一個極其輕量的預訓練 GAN 超分模型放大。

放大之後，它給畫面注入微量的噪聲，再讓原始的高解析度擴散模型在最後幾個步驟裡把細節清理乾淨。用微量噪聲打散 GAN 可能帶來的生硬瑕疵，再借高解析度模型的先驗去修正，既省了算力，又保住了畫質。

速度翻了二十倍，畫質幾乎沒掉

從測試資料來看，這種分段取樣的收益相當誇張。

針對 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 上提速也超過了 10 倍。

根據論文披露，在 FLUX.1-dev 和 Qwen-Image 上，這種做法帶來的 OneIG 指標差距與原始模型相比不到 1%，肉眼幾乎看不出明顯的質量犧牲。

如果把它和現有的時間步蒸餾技術疊加使用，整體加速甚至能衝到 25 倍。

更關鍵的是，它完全不需要針對特定模型重新訓練權重，也不依賴任何定製的 GPU kernel 或特殊硬體架構，通用性極高。

為什麼重要

對於個人創作者和獨立開發者來說，這項工具的落地價值來得非常直接。它沒有停留在論文階段，而是第一時間拿出了 ComfyUI 外掛，這意味著普通玩家不需要去改底層程式碼，裝上就能在本地體驗 1 秒出圖。

在生成式影像領域，提速通常只有兩條路：要麼花大錢做模型蒸餾重新訓練，要麼針對顯示卡做極致的運算元最佳化。前者門檻太高，後者對硬體挑剔。Mr. Flow 走的是純推理排程路線，把原本鐵板一塊的取樣流程拆解成了「粗糙結構」和「精細紋理」兩個階段，用傳統 GAN 當跳板，省下了最昂貴的高解析度前中期計算。

我們認為，這種「免訓練外掛」很可能會成為開源影像社群接下來的標配。它不僅大幅降低了本地跑大模型的視訊記憶體和時間成本，也會倒逼上游模型開發者在設計取樣排程器時，把多解析度分段作為原生選項考慮進去。

不過也要看到，這種機制把細節修正的重擔全壓在最後幾步高解析度取樣上。面對一些極端精細的文字排版或者微小人臉，GAN 階段引入的先驗偏差是否完全能被微量加噪抹平，在更復雜的生產工作流裡依然需要創作者仔細測試。