微软开源3.8B文生图模型Lens：高效更快更强的图像生成新标杆

微软这次在文生图模型的开源上，算是拿出了点真东西。新一代 3.8B 参数的基础模型 Lens，不仅仅是甩出模型权重就完了——技术报告、代码仓库、Hugging Face 模型页，连同数据构造、模型架构、预训练策略、RL 后训练、Reasoner、few-step distillation 和 benchmark 评测的完整细节，全部公开。这种程度的透明，在开源社区里确实不多见。

本次开源一口气放了三个版本：Lens-Base（预训练基础模型）、Lens-RL（经过强化学习后训练，重点提升图像质量和 prompt 对齐能力）、Lens-Turbo（4-step 推理的高速蒸馏版，走的是极速路线）。3.8B 的参数规模不算大，但训练成本降下来了，而且多个主流 benchmark 上的成绩直接挤进了 SOTA 梯队。

项目相关的技术报告、GitHub 仓库和 Hugging Face 页面如下（地址略，可直接访问）：

图 1：Lens 生成样例。 支持最高 1440 分辨率，覆盖自然风景、人物、文本渲染、插画和复杂视觉场景等多种类型。

先快速过一下它的核心特点：

• 模型全面开源：Base、RL、Turbo 三个版本都放出来了，包括 20-step 高质量版本和 4-step 高速推理版本。
• 技术细节透明：数据构建、预训练、RL 后训练、Reasoner、蒸馏加速、推理配置、ablation 分析，全公开。
• 训练效率高：128 张 A100 搞定，训练开销大约是 Z-Image 的 19.3%。
• 性能 SOTA：在 OneIG、GenEval、LongText、CVTG 等多个 benchmark 上领先。
• 推理速度快：1024 分辨率图在 H100 上，Lens 默认 20-step 只需 3.15 秒，Lens-Turbo 仅 0.84 秒。
• 生成灵活：最高 1440 分辨率，1:2 到 2:1 任意长宽比，支持多语言 prompt，还带 Reasoner 自动增强输入。

用更少的训练成本，达到更强的生成能力

传统上，训练一个像样的文生图基础模型，烧钱是出了名的。Lens 的核心思路是重新思考训练效率——不只是盯着模型规模，而是关注每个训练 batch 里数据有效信息密度，以及模型的收敛速度。128 张 A100 的投入，换来的是训练开销只有 Z-Image 的不到五分之一，但在多个基准上表现却能和那些 6B、9B、20B 甚至更大的开源模型掰手腕。3.8B 的紧凑尺寸，意味着从部署到微调的门槛都低了一大截。

图 2：推理速度与生成性能对比。 在 OneIG 和 GenEval 上，Lens 和 Lens-Turbo 以 3.8B 的规模实现了领先的生成性能与更快的推理速度。

开源三大模型版本

三个版本定位明确：

• Lens-Base：预训练基础，prompt following 能力和多场景图像生成能力在线。
• Lens-RL：在 Base 基础上用 RL 后训练精调，图像质量、视觉一致性、物理合理性和 prompt 对齐都有明显提升。
• Lens-Turbo：4-step 推理的蒸馏版本，不需要 CFG，速度拉满。

超快推理：1024 分辨率图像最快 0.84 秒生成

除了训练省，推理也很快。单张 H100 上，Lens 默认 20-step 出一张 1024×1024 图只要 3.15 秒；Lens-Turbo 更是夸张，4-step 推理，0.84 秒搞定。这种速度，对于需要频繁迭代的内容创作、设计辅助、交互式生成场景来说，实用价值极高。

支持高分辨率与灵活长宽比生成

最高 1440 分辨率，长宽比在 1:2 到 2:1 之间任意调整。换句话说，海报、横幅、社交媒体配图、竖版封面、宽屏视觉图、设计素材……各种版式都能直接生成，不用拘泥于固定尺寸。

多语言 Prompt 输入与 Reasoner 支持

训练数据主要以英文 dense caption 为主，但得益于强语言编码器的设计，Lens 支持中文、英文、日文、法语等多种常用语言。更实用的是它内置的 Reasoner 模块：用户输入一个含糊或简短的描述，它会自动补全场景、风格、主体、构图等细节，让最终生成的图像质量更可控、对齐效果更好。

图 3：Lens 与主流文生图模型的 Benchmark 对比。 3.8B 参数规模下，在 OneIG、GenEval、LongText 和 CVTG 上取得了与更大模型竞争甚至领先的性能。

技术亮点

高效训练能力主要来自四个层面：

• 参数规模合理：3.8B 在保证强生成能力的同时，每步训练和推理的计算成本都大幅降低。
• 高质量数据：构建了 Lens-800M 数据集，用 GPT-4.1 生成 dense caption，每个样本承载更丰富的语义信息，数据利用率自然高。
• 多分辨率多长宽比混合训练：让模型具备优秀的分辨率和长宽比泛化能力。
• 系统化设计：从语义 VAE、强语言编码器、RL 后训练、Reasoner 到 few-step distillation，环环相扣，整体提升了收敛速度、生成质量和推理效率。

总结

Lens 给行业传递了一个明确的信号：基础文生图模型不一定非要用超大参数量和天价训练成本来堆。通过提升数据密度、优化架构、改进训练策略、引入系统级后训练优化，3.8B 的 Lens 一样能摸到 SOTA 的门槛。微软这次完整开源了三个版本，算是给社区提供了一个高质量、高效率、易部署的参考基准。对于研究、创作和实际产品落地的从业者来说，能省不少试错成本。