Microsoft Lens: открытая text-to-image модель на 3.8B параметров с генерацией за 4 шага

Microsoft открыла код и веса новой text-to-image модели Lens. Архитектура на 3.8B параметров ориентирована на скорость и работу с высокими разрешениями. Дистиллированная версия Lens-Turbo собирает результат за 4 шага. Базовая модель требует около 50 шагов с использованием CFG. Разрешение генерации достигает 1440×1440 пикселей при соотношениях сторон от 1:2 до 2:1.

Под капотом работает 48-блочный денойзер MMDiT в связке с латентами FLUX.2 VAE. За понимание текста отвечает энкодер на базе GPT-OSS. Обучение проходило на датасете Lens-800M с плотными описаниями от GPT-4.1. Это позволило максимизировать плотность полезной информации на каждый тренировочный батч.

На практике главные козыри проекта — скорость и открытый исходный код. Нейросеть уверенно отрабатывает абстракции, узоры и сложную типографику. При этом генерация людей остается слабой зоной — анатомия часто ломается. Важная деталь из первых тестов: у модели практически отсутствует встроенная цензура на уровне базовых весов.