Архитектура и особенности открытой модели генерации изображений Microsoft Lens

Microsoft выпустила новую открытую модель для генерации изображений Lens, адаптированные файлы которой уже опубликованы командой Comfy-Org для интеграции в пользовательские графы. Архитектура построена на базе 48-блочного MMDiT с 3.8 миллиардами параметров, при этом в качестве текстового энкодера задействована модель gpt-oss-20b, а за декодирование отвечает компонента FLUX.2 VAE.

Модель представлена в двух вариантах: базовая версия требует 50 шагов семплирования с использованием CFG, тогда как турбо-версия формирует изображение за 4 шага без применения направляющего классификатора. Это обеспечивает высокую скорость генерации, что в сочетании с базовым разрешением 1440×1440 пикселей делает инструмент пригодным для создания сложных концептуальных узоров и паттернов. При этом архитектура демонстрирует нестабильные результаты при работе с человеческой анатомией, что указывает на специфику распределения данных в обучающем массиве Lens-800M.

Среди нетипичных для крупных корпоративных релизов особенностей выделяется практически полное отсутствие встроенных фильтров безопасности. Подобный подход делает поведение модели менее предсказуемым, но в результате предоставляет исследователям доступ к немодерируемому визуальному пространству, что требует реализации механизмов цензурирования непосредственно на стороне конечного приложения.