Mage-Flow: kompaktnaya 4B-model ot Microsoft

Microsoft Asia выпустила Mage-Flow — компактный генеративный стек с 4 миллиардами параметров для эффективной генерации изображений по текстовому описанию и редактирования изображений по инструкциям. Вместо масштабирования до десятков миллиардов параметров Mage-Flow достигает качества, сопоставимого с современными моделями, благодаря тщательному совместному проектированию токенизатора, магистрали и системы, что обеспечивает высокую скорость, низкое потребление памяти и простоту донастройки при реалистичных вычислительных бюджетах.

• Модель: microsoft/Mage-Flow на Hugging Face
• Статья: arXiv 2607.19064
• Код: github.com/microsoft/Mage
• Лицензия: MIT

Что это такое

Mage-Flow построен на двух совместно спроектированных компонентах:

• Mage-VAE — лёгкий высококачественный латентный токенизатор (одношаговое диффузионное кодирование/декодирование с anchor-latent KL-регуляризацией). Сопоставим по качеству реконструкции с FLUX.2-VAE, используя при этом ~12x / ~22x меньше MAC-операций на пиксель при кодировании/декодировании.
• NR-MMDiT — общий Native-Resolution Multimodal Diffusion Transformer с 4 миллиардами параметров, использующий rectified flow matching в латентном пространстве Mage-VAE и Qwen3-VL в качестве текстового энкодера.

Вместе эти компоненты обеспечивают работу двух вариантов модели — Mage-Flow для генерации изображений по тексту и Mage-Flow-Edit для редактирования изображений по инструкциям — каждый из которых доступен в вариантах Base, RL-aligned и 4-step Turbo.

Ключевые особенности

• Компактность при конкурентоспособности — одно семейство с 4B параметрами, которое соответствует или превосходит гораздо более крупные открытые системы (Qwen-Image 20B, Z-Image 6B, FLUX.2 32B, FireRed-Image-Edit 20B)
• Нативное разрешение — одна контрольная точка генерирует изображения от 512 до 2048 в любом соотношении сторон, включая экстремальное 4:1 (например, 512x2048, 2048x512)
• Системная скорость — упаковка нативного разрешения + оптимизированные CUDA-ядра повышают MFU с ~33% до ~77% (обучение ~в 2,5 раза быстрее); условная и безусловная ветви CFG выполняются за один прямой проход
• Полное семейство моделей — 6 контрольных точек на Hugging Face, охватывающих генерацию и редактирование на уровнях Base, RL-aligned и Turbo
• Интерактивная задержка — при разрешении 1024x1024 на одном A100: Mage-Flow-Turbo 0,59 с/изображение, Mage-Flow-Edit-Turbo 1,02 с/редактирование, пиковое потребление памяти ~18–20 ГБ
• Универсальное редактирование — поддерживает семантическое редактирование контента, трансформацию внешности, восстановление изображений и создание изображений с учётом структуры в едином конвейере

Зоопарк моделей

Все контрольные точки представляют собой самодостаточные репозитории в формате diffusers на Hugging Face:

Модель	Задача	Вариант	Шаги	Ссылка
Mage-Flow-4B-Base	text-to-image	Base	30	🤗 Hugging Face
Mage-Flow-4B	text-to-image	RL-aligned	20	🤗 Hugging Face
Mage-Flow-4B-Turbo	text-to-image	Few-step distilled	4	🤗 Hugging Face
Mage-Flow-Edit-4B-Base	editing	Base	30	🤗 Hugging Face
Mage-Flow-Edit-4B	editing	RL-aligned	30	🤗 Hugging Face
Mage-Flow-Edit-4B-Turbo	editing	Few-step distilled	4	🤗 Hugging Face

Ключевые показатели производительности

Mage-Flow достигает GenEval 0,90 — наивысшего показателя среди всех моделей с открытым исходным кодом, превосходя FLUX.2 (0,87), Qwen-Image (0,87) и Z-Image (0,84). На DPG-Bench Mage-Flow-Base набирает 86,26, что сопоставимо с гораздо более крупными моделями.

В области редактирования изображений Mage-Flow-Edit-Turbo показывает GEdit-EN 8,271 и GEdit-CN 8,264, занимая первое или второе место среди всех моделей редактирования с открытым исходным кодом по множеству бенчмарков.

Доступность

Все контрольные точки Mage-Flow выпущены под лицензией MIT на Hugging Face, что делает их свободно доступными для исследовательского и коммерческого использования. На данный момент не существует нативной поддержки ComfyUI для Mage-Flow.

Подробнее см. на странице проекта с галереями и бенчмарками.