BluePixel-Turbo: vivoの4ステップネイティブ4K画像エディター

BluePixel-Turbo は、vivoがオープンソースとして公開したネイティブ4Kのインストラクションベース画像エディターです。FLUX.2-klein-9B バックボーンを DCAE-F64 オートエンコーダ向けに適応させ、その後50回のデノイズステップから4ステップへと蒸留したものです。入力と出力は4Kのまま保たれ、カスケード型の超解像パスは必要ありません。チームのプロジェクトページでは、単一のKunlunxin P800 XPU上でbf16により4K編集1回あたり8.7秒を報告しており、論文ではトレーニング手法の全容も公開されています。


入力、1Kエディターでの構図	4つの操作を組み合わせた複合編集後の出力

公式デモ：男性と馬を拡大し、白いシャツをダークブラウンのチュニックに変更し、サドルパッドを赤いレザーに交換します。すべてを1つの指示で行います。

初回リリースではなく、アップデート

リポジトリには以前のSFTチェックポイント（ckpt800）がすでに存在していました。2026-11-03に、それがSATPで蒸留されたtransformerであるckpt35に置き換えられました。モデルカードでは、これは後段のポストトレーニング段階を欠く中間チェックポイントとされています。

差分は小さく、検証可能です。10個のtransformerシャードはすべて再アップロードされた一方、テキストエンコーダ（5シャード）、DCAE-F64 VAEの重み、トークナイザーは前のリビジョンとバイト単位で同一です。Transformerのtotal_sizeは36,314,324,992バイトで変わらず、テンソル数も233のままなので、アーキテクチャや読み込み経路に変化はありません。HFのファイルインデックスには、fp32で保存された9,078,581,248パラメータが記載されています。

パーツ	11-03リビジョンでの変更
Transformer（10シャード）	置き換え済み
テキストエンコーダ、VAE、トークナイザー	バイト単位で同一
設定、インデックス、スケジューラー	メタデータのみ

1Kエディターを4Kエディターに変える

4K編集の難しい点はサンプラーではなく、トークン数です。通常のf=8圧縮での4K潜在は、1Kの16倍の空間面積になります。BluePixelはFLUX.2 Kleinのf=8 VAEをDCAE-F64に置き換えます。これは4K DiTのトークン数を1Kレベルに保つ深圧縮オートエンコーダで、新しい潜在を8 → 32 → 64の段階的投影蒸留を通じて事前学習済みエディターと整合させます。

チームはこの段階のコストを、約200Kサンプルを用いてKunlunxin P800 XPU 32基で約4日と見積もっています。これが論文の主張であり、4K編集はゼロからの事前学習ではなく、手頃なレシピを持つシステム上の問題になるというものです。

ベースを忘れずにロングテールのスキルを学ぶ

グループ単位の継続的学習：各垂直スキル（ヘアスタイル、表情、ポーズ、全体的な写真エフェクト）は直交勾配の上にACE-LoRAバンクとして教え込まれ、次のグループを開始する前にMOPDでベースモデルへ蒸留されます。論文では、CIE-Benchの合計が6.24 → 8.87となる一方で一般的な編集指標の変動は**±0.03**未満に収まり、ヘアスタイルバンクだけでもそれぞれ数十サンプルから学習した26のテンプレートを保持していると報告しています。

論文のテンプレートストリップ：各グループの左側がソース画像で、その後にテンプレート出力が続きます。

同じバンクの表情グループ。こちらも次のグループをトレーニングする前にベースへ蒸留されます。

50ステップではなく4ステップ

ソースアンカー付きターゲット投影（SATP）は、Turboという名称の背景にある蒸留手法です。生徒モデルはソース潜在にアンカーされるため、編集されていない領域がステップ削減後も保持されます。主張されている結果は50 → 4のステップ削減、約4倍の推論高速化で、タスク成功率と背景の一貫性は維持されています。8.7秒という数値はKunlunxin P800 XPUハードウェア上で測定されたものなので、CUDAデスクトップでの実行では同じ値にはなりません。

ベンチマーク

以下の数値はプロジェクトページによるものです。同ページには、各品質スコアがこの特定のTurboチェックポイントに割り当てられたものではないという注記があります。

VINS-4KEval++（ネイティブ4Kの3,305ケース、7モデル）：総合8.62で7モデル中2位、非編集領域の一貫性9.06はGPT Image 2に次ぐ2位
ImgEdit-Bench：Hybrid 4.59、Action 4.93でいずれも1位、Addでは1位タイ
8シード安定性：平均8.624、幅0.053
CIE-Bench：ACE-MOPDにより6.24 → 8.87


GPT Image 2、同じ入力と同じ複合指示。プロジェクトページの比較より

入手方法

公式の経路はvivo/BluePixelのDiffusersベースのパイプラインです（load_pipeline + vins_infer.py、4ステップ、guidance_scale 3.0、target_pixels 4096×4096）。コアにはまだネイティブのComfyUIローダーがないため、ComfyUIでの利用はコミュニティパックによるものになります：T8mars/Comfyui-BluePixel-T8。Comfy Registryにはbluepixel-t8として登録され、20ノード、拡散モデル / Qwen3-8Bテキストエンコーダ / DCAE-F64 VAE用の分割ローダー、そしてt8star/BluePixel-ComfyにあるtransformerのINT8 ConvRot再パック（3ファイルで約28.19 GB）を備えています。

このパックには1つの制約があります。DCAE-F64は64倍で圧縮するため、通常のFLUX.2 VAEやそれ用に構築された空の潜在と混在させることはできません。このパックはComfyUI 0.43.0以上とDiffusers 0.40以上を対象としています。

重み: openvivo/BluePixel-Turbo
コード: vivo/BluePixel
論文: arXiv:2610.19882
データセット: openvivo/VINS-120K