你有沒有想過一件事：現在幾乎所有能打的文生圖模型，比如Stable Diffusion、FLUX、Seedream,背後都藏著一個共同的秘密武器,叫做VAE
。
這個秘密武器做的事情說起來挺樸素:先把一張1024×1024的圖片壓縮成一個小得多的"潛空間表示"，模型在這個小空間裡去學習、去生成，最後再靠VAE把結果解壓還原成圖片。這就好比你要裝修一整棟別墅，先在縮尺模型上把所有家具擺放、顏色搭配都試一遍，確定沒問題了，再按圖施工到真實空間裡。
這套流程確實好用,幾乎所有大廠的圖像生成模型都在用。但阿里巴巴Token Hub這次的研究,把一個大家心照不宣、但很少有人認真算過賬的問題擺上了台面：這個"縮尺模型"到底有沒有代價?如果我們繞開它，直接在像素空間裡訓練和生成，會發生什麼?
結果比想像中要複雜得多。他們發現,直接在像素空間裡從零開始預訓練，收斂速度慢得讓人心疼。但如果換一個思路,先在潛空間裡練好基本功，再把模型"轉移"到像素空間去,效果反而能反超潛空間模型，同時推理速度還能快上3到接近5倍。
這篇論文的價值不在於提出了一個多麼炫酷的新架構,而在於把這條"潛空間到像素空間"的轉換路徑上，每一個容易踩坑的細節都認真測了一遍,給出了一份可以照著抄的操作手冊。
潛空間的降維壓縮:是效率神器，還是隱藏的天花板？
要理解這篇論文在爭論什麼,得先弄明白潛空間和像素空間到底差在哪。
潛空間擴散模型（Latent Diffusion Model，簡稱LDM）：先用一個預訓練好的自編碼器（VAE）把圖像壓縮成低維的"潛在表示"，擴散過程在這個壓縮後的空間裡進行，最後再用VAE解碼還原成真實圖像的技術路線。
這套思路自2022年Stable Diffusion的前身論文提出後幾乎成了行業標準。原因很直接：直接在原始像素上做擴散計算量太大了，1024×1024的圖片有一百萬個像素點，如果每個像素點都要參與模型的注意力計算，顯存和算力根本扛不住。VAE把這個規模壓縮了16倍甚至更多,相當於把計算負擔削減到了原來的零頭。
但壓縮是要付出代價的。VAE在把圖片"瘦身"的過程中，會不可避免地丟掉一些細節，比如極細的紋理、微妙的色彩過渡，這些東西經過壓縮再解壓之後，很難做到分毫不差。而且更麻煩的是，VAE的訓練目標是"重建"，也就是讓壓縮再解壓後的圖片儘量像原圖；但擴散模型的訓練目標是"生成"，這兩個目標之間存在錯位。論文裡提到，這種錯位會導致潛空間裡出現一些奇怪的分布偏移，比如紋理被磨平、顏色發生偏差，擴散模型不得不花額外力氣去"糾正"這些由VAE帶來的失真。
這就好比你請了一個翻譯幫你和外國朋友交流。翻譯水平不錯，大部分意思都能傳達，但總有一些微妙的語氣、雙關、文化梗翻不出來，甚至有時候還會因為翻譯習慣引入一點點走樣。你說的話和對方聽到的話，中間隔著一層"翻譯腔"。如果你能直接用對方的語言交流，這層損耗就不存在了，但代價是你得從頭學一門新語言，前期會說得磕磕巴巴，進步也慢得多。
像素空間擴散模型，就是那個"直接用對方語言交流"的選擇。它跳過VAE這一層，直接在原始RGB像素上完成去噪和生成，理論上能夠摸到VAE壓縮所丟失的那部分視覺資訊的天花板。而且推理時也不需要額外的VAE解碼步驟，直接省下一步計算，這在講究速度的實際應用里是個實打實的優勢。
那問題來了：這門"新語言"，好學嗎？
第一個真相：像素空間預訓練，收斂速度慘不忍睹
論文做了一個非常直接的對照實驗。他們用完全一樣的模型架構（基於阿里的Z-Image）、一樣的訓練數據（超過200億組圖文對）、一樣的算力預算，唯一的區別是：一個模型在潛空間裡學，另一個直接在像素空間裡學。
結果毫無懸念地一邊倒。
在GenEval和DPG這兩個衡量圖文對齊質量的評測基準上，潛空間模型從訓練一開始就遙遙領先，尤其是在訓練初期這個差距特別明顯。
具體來看訓練曲線，潛空間模型在很早期就能畫出基本可靠的物體結構和圖文對應關係，而像素空間模型在同樣的訓練步數下，畫面還是一團模糊。論文裡給了個具體例子，同樣是訓練到5萬步，讓模型畫"一張長椅的照片"，潛空間模型已經能畫出結構清晰的長椅，像素空間模型的輸出還是散亂的色塊。即便訓練到15萬步，像素空間模型仍然沒有追上。
為什麼會這樣？
論文給出的解釋是，VAE不只是一個壓縮器，它其實是一種經過大規模數據訓練學出來的、結構化的視覺表示方式。它把雜亂的像素資訊整理成了一個更規整、更貼近語義的空間，濾掉了大量局部冗餘和高頻噪聲，只保留和圖像內容、外觀相關的核心資訊。
這相當於VAE已經幫擴散模型把學習任務"降了維度"。潛空間模型只需要在這個已經被清理乾淨的空間裡學會去噪，而像素空間模型得直接面對未經處理的原始信號，一邊要學全局的圖像結構，一邊要學局部的紋理統計規律，一邊還要學怎麼去噪，三件事情揉在一起，學習負擔陡然加重。
打個比方，這就像兩個學生準備同一場考試。潛空間模型拿到的是老師精心整理過的重點筆記，知識點已經被提煉歸納好了；像素空間模型拿到的是幾百頁原始教材，什麼是重點、什麼是廢話，全靠自己一點點摸索。就算給兩人同樣多的複習時間，筆記黨的效率顯然更高。就算像素空間模型最終能學明白，那也得花更久，而在這篇論文的實驗設置里，即使砸進去200億組數據，它依然沒能追平差距。
這個發現直接推翻了一種可能存在的直覺：既然像素空間避免了VAE的資訊損失，是不是從頭訓練一個像素空間模型天然更有優勢？答案是否定的，至少在預訓練階段，潛空間的"降維預處理"帶來的優化便利性，遠遠蓋過了它損失的那點資訊。
轉折點：與其死磕到底，不如換個跑道
既然像素空間預訓練這麼吃力，論文沒有選擇硬剛，而是提出了一個更聰明的思路：潛空間用來打基礎，像素空間用來做精修。
這個思路聽起來簡單，業內也不是第一次有人這麼想（論文提到了此前的L2P等相關工作），但真正把這條轉換路徑的每一個環節都仔細測過、找出最優解的，這篇論文算是做得比較徹底的一個。
具體來說，團隊先在潛空間裡把模型的基本能力練紮實，學會理解文本、構建物體結構、掌握基本的圖像語義，然後再想辦法把這個已經"身經百戰"的模型，遷移到像素空間去繼續訓練，讓它最終能直接輸出RGB像素。
這個轉換過程里，藏著好幾個魔鬼細節。
**權重初始化：帶著記憶重新出發，還是清空重來？**
第一個問題是，當模型要從潛空間切換到像素空間時，之前學到的那些知識和參數，要不要繼續沿用？
論文做了對比：一個像素空間模型直接從潛空間訓練好的權重繼續訓練，另一個則完全從零開始訓練，其他條件保持一致。
結果非常清楚，用潛空間權重初始化的模型，在GenEval和DPG評分上全程領先，而且這個領先優勢貫穿整個訓練過程。從零開始訓練的那個模型，進步速度很慢，長時間內都遠遠落後。
論文裡給了一個具體的定性對比案例，用同一句複雜的中文提示詞（描述一個雨夜孤獨走在街上的女子），帶潛空間權重初始化的模型在訓練5000步的時候就已經能畫出識別度很高的畫面結構了，而從零訓練的模型直到5萬步，畫面還是不穩定、結構混亂。
這個現象其實不難理解。潛空間訓練階段學到的，不只是"怎麼在潛空間裡畫畫"這麼表面的技能，更深層的是關於物體結構、構圖邏輯、文字和圖像如何對應的通用知識。這些知識很大程度上是跟具體的輸出空間無關的，換句話說，模型學會的是"怎麼理解一句話該畫成什麼樣"，而不是"潛空間的像素該怎麼擺"。這種通用知識是可以遷移的。
這就好比一個已經在小提琴上練了十年基本功的音樂家，突然要轉學大提琴。雖然樂器變了，弓法、指法的具體手感都得重新適應，但他對樂理、節奏、音樂表達的理解是現成的，不需要從零學起。如果非要找一個從沒碰過任何樂器的人從頭學大提琴，進度自然要慢得多。如果論文裡沒做這個權重遷移，直接讓像素空間模型從零練起，那前面辛辛苦苦攢下的潛空間預訓練成果就完全浪費了，等於是白白多花一遍力氣。
**訓練數據的配方：自產自銷，還是引入外部食材？**
第二個要解決的問題是，用什麼數據來餵這個正在轉型的模型。
直覺上，既然像素空間的優勢就是能直接從真實高質量圖片裡學習細節，那是不是應該多用真實圖片訓練？
論文的實驗結果給出了一個有點反直覺的答案：只用真實圖片訓練，收斂速度反而是最慢的那個選項。
真正收斂得快的，是用潛空間源模型自己生成的圖片來訓練像素空間模型。團隊的解釋是，這些自己生成的樣本和潛空間模型原本學到的條件分布高度貼合，相當於給轉型過程搭了一座"低落差"的橋，模型不需要一邊適應新的輸出格式，一邊還要應付陌生的數據分布，兩件事解耦開了，轉型自然更順暢。
論文還做了一個對照，用另一個完全不同的模型（FLUX2-klein-9B）生成的數據來訓練，效果明顯不如用源模型自己生成的數據，這進一步說明了數據分布和源模型的匹配程度，直接決定了遷移的順滑程度。
自監督數據（Self-generated data）：由訓練初始化所用的那個源模型自己採樣生成的圖片，因為分布和源模型高度一致，用來做後續訓練時能大幅降低"水土不服"的風險。
但自產數據也不是萬能的，它天生帶著源模型和VAE解碼過程里遺留下來的錯誤。論文舉了個具體例子，比如畫面里的排版文字（typography）如果只用自產數據訓練，那些扭曲變形的文字錯誤會被繼續沿用下去，怎麼都改不掉。
於是團隊的最終方案是把自產數據和高質量真實圖片按1:1混合。自產數據負責讓轉型過程又快又穩，真實圖片則負責把VAE壓縮過程中丟掉的那些細節資訊找補回來，同時糾正源模型遺留的各種錯誤。
這其實特別像做菜時候的"提鮮"和"補充營養"兩件事分開做。你可以先用現成的高湯（自產數據）打底，保證味道框架穩定不跑偏，再往裡加新鮮的食材（真實圖片）來補足營養和口感層次。如果只用高湯，湯底雖然穩，但缺少新鮮食材帶來的那些細膩口感；如果只用生食材從頭燉，火候和味道很難把控，耗時也長。兩者結合，才是效率和品質都兼顧的做法。
**預測目標之爭：預測噪聲速度，還是直接預測乾淨圖像？**
擴散模型在訓練時，本質上是讓神經網路去預測"從當前帶噪圖像到目標之間差了什麼"，這個"差了什麼"可以有不同的數學表達方式。論文裡提到兩種主流選擇：
x-prediction：模型直接預測出乾淨、無噪聲的目標圖像本身。
v-prediction：模型預測的是沿著擴散路徑運動的"速度"，這是目前主流潛空間模型（包括Z-Image本身）常用的做法。
之前有研究（論文提到的JiT）認為，在像素空間訓練里，x-prediction是保證訓練穩定的關鍵，而v-prediction可能會導致訓練發散、崩掉。
但這篇論文的實驗場景有點特殊，因為它的像素空間模型是從一個用v-prediction訓練出來的潛空間模型初始化而來的。這就帶來一個新問題：遷移過程中，到底要不要把預測目標也跟著換掉？
實驗結果顯示，因為有了潛空間權重打底，兩種預測方式都能穩定訓練，不會出現從零訓練時那種發散問題。但即便如此，切換到x-prediction的模型，在各項評測指標上依然穩定優於繼續用v-prediction的模型。
這說明了兩件事：潛空間的初始化確實能兜住訓練穩定性這個底線，但要拿到最好的最終效果，還是得讓預測目標匹配上像素空間本身的特性。
**解碼器架構的選擇：多花參數量買畫質，值不值？**
模型內部處理完資訊之後，總得有一個模組把這些抽象的特徵，轉換成具體的每個像素點的顏色數值，這個模組叫做解碼頭。
論文對比了五種方案：JiT的線性投影頭（結構最簡單）、DiP的輕量級卷積U-Net、PixelDiT的Transformer解碼頭（簡稱PiT）、Deco的頻率解耦頭，以及作為參照的傳統VAE。
結果呈現出一個很清晰的效率和質量的權衡關係。
| 解碼器 | 參數量(M) | 延遲(ms) | GenEval | DPG |
|---|---|---|---|---|
| JiT | 2.95 | 0.07 | 0.7380 | 86.19 |
| DiP | 10.09 | 6.02 | 0.7545 | **87.54** |
| PiT | 2249.82 | 74.96 | **0.7697** | 86.36 |
| Deco | 315.92 | 5.01 | 0.7347 | 86.10 |
PiT這個方案，畫質評分（GenEval）確實是最高的，但代價極其驚人，它的解碼器單獨就有22.5億參數，相當於整個66億參數主幹網路的37.5%，計算量高達19731 GFLOPs。這就像為了讓門鎖開得更順滑一點，專門給你的公寓裝了一個和主體建築差不多重的門把手，性價比完全說不過去。
JiT這個方案效率是最高的，延遲只有0.07毫秒，但代價是畫面質量打了折扣，而且會在圖像分塊的邊界處出現明顯的網格狀瑕疵，就像拼圖沒拼嚴實，能看到接縫。
DiP最終勝出，靠的是恰到好處的平衡：只用1009萬參數，DPG評分反而是所有方案里最高的，GenEval也具有競爭力，而且它生成的圖像在分塊邊界處過渡更平滑。論文解釋說，這得益於卷積網路天生的"局部空間歸納偏置"，卷積操作本身具有局部性和權重共享的特性，能讓相鄰的圖像塊特徵在最終生成像素之前先互相"打個招呼"，從而減少塊與塊之間的生硬拼接感，而且不需要像PiT那樣堆疊巨大的參數量。
**噪聲調度的隱藏陷阱：理論算出來的最優解，居然不是真的最優**
這是整篇論文裡我覺得最有意思的一個細節，因為它展示了一次"理論推導很漂亮，但現實打臉"的過程。
從潛空間轉到像素空間，圖像的空間解析度變了（潛空間通常是原圖的1/8大小），信號的數值分布也變了。這意味著原本給潛空間設計的噪聲調度方案，直接搬到像素空間用，很可能會讓模型面對一個完全不匹配的信噪比環境。
信噪比（Signal-to-Noise Ratio，簡稱SNR）：衡量在擴散過程某個時間步，圖像里"有效信號"相對於"噪聲"的強弱程度，是擴散模型設計中非常核心的一個概念。
團隊沒有選擇重新設計整套噪聲調度，而是引入了一個簡單的縮放因子γ，用來調整噪聲的強度。他們先做了一個理論推導：假設像素空間和潛空間的唯一區別就是空間解析度（潛空間的空間尺寸是像素空間的1/8），那麼通過匹配兩者的信噪比，可以推算出γ的理論最優值應該是8。
但實際測試γ取1、2、4、8這四個值後發現，效果最好的居然是γ=2，理論算出來的8反而是效果最差的幾個之一。
| γ值 | GenEval | DPG |
|---|---|---|
| 1 | 0.6811 | 84.03 |
| **2** | **0.7545** | **87.54** |
| 4 | 0.7413 | 86.01 |
| 8 | 0.7316 | 85.64 |
定性觀察也印證了這一點，γ取1、4、8的時候，生成的圖片都會出現明顯的色彩偏移，只有γ=2的時候色彩渲染最平衡自然。
這說明什麼？說明"解析度差異"這個單一因素，根本沒法完整解釋潛空間和像素空間之間真正的分布差異。VAE編碼器不等同於簡單的平均池化操作，RGB像素和VAE潛在表示在信號統計特性、預測目標上還有很多沒被這套簡化理論捕捉到的差異。
這個發現其實挺有啟發性的。很多時候我們會本能地信任一個"看起來很嚴謹"的數學推導，覺得算出來的答案肯定錯不了。但複雜系統里往往藏著理論模型沒有覆蓋到的變量，這時候老老實實做實驗去試，比迷信公式更可靠。這就像你按照營養學公式精確計算出了一份"理論最優"的減脂餐單，結果真人試吃下來，身體的實際反應和公式預測的完全對不上號，因為人體的複雜程度，從來不是一套簡化公式能完全裝下的。
效率的進一步壓榨：把圖像切得更粗，把採樣步數砍得更狠
搞定了訓練階段的各種細節之後，論文還琢磨了怎麼讓最終的模型跑得更快。這裡用了兩招。
**第一招：漸進式擴大圖像分塊尺寸**
Patch Size（圖像分塊尺寸）：擴散模型處理圖像時，通常不是逐像素處理，而是把圖像切成一個個小方塊（patch），每個小方塊被打包成一個"視覺詞元"（token）送進模型。分塊尺寸越大，同樣大小的圖片被切出來的詞元數量就越少，模型需要處理的序列就越短，速度就越快，但每個詞元需要承載的資訊量也越大，容易丟細節。
論文原本的設置用的是ps16（每個塊16×16像素），對應1024×1024圖片會被切成64×64的網格。如果想提速，很自然的想法是加大這個塊的尺寸，比如換成ps32，塊數直接減少4倍。
但直接從頭訓練一個ps32的像素空間模型，效果很差，會出現明顯的局部瑕疵。原因也不難理解，因為這樣做同時改變了兩件事，一是從潛空間換成像素空間的預測目標，二是把詞元的空間粒度一下子變粗了。兩個變化疊在一起，模型的局部視覺先驗知識很難順利遷移過去，每個詞元要覆蓋的空間範圍變大了，學習難度陡增。
論文的解決辦法是分兩步走：先把模型從潛空間遷移到像素空間，同時保持ps16這個精細粒度不變，等這一步穩定收斂了，再把它進一步適配到ps32，這個方案被稱為ps32-adapt16。
結果是，ps32-adapt16的收斂速度比直接訓練ps32快得多，最終效果和ps16基本持平，而且用的詞元數量只有ps16的四分之一。
但如果再進一步，從ps32-adapt16繼續擴展到ps64呢？論文也試了，雖然又能再省4倍的詞元，但這次細節明顯開始劣化，評測分數也跟著下滑。這說明這條路是有邊界的，壓縮到一定程度後，畫面細節的損失就藏不住了。
這整個過程其實特別像學游泳換泳姿。你已經練熟了自由式的基本動作，突然讓你直接改成難度更高的蝶泳，還要求速度更快，大概率會手忙腳亂，姿勢變形。更可靠的做法是先在原來熟悉的自由式節奏里，把新學到的呼吸方式練穩，再逐步過渡到蝶泳的動作幅度。如果沒有這個循序漸進的過渡，直接一步到位地跳到最省力的姿勢，反而更容易嗆水。如果論文沒有做這個漸進適配，直接訓練更大分塊尺寸的模型，畫面質量的損失是要吃更大虧的。
**第二招：步數蒸餾，把100步壓縮到4步**
第二個提速手段是步數蒸餾。
步數蒸餾（Step Distillation）：讓一個原本需要幾十上百步疊代去噪才能生成圖像的擴散模型，學會用極少的幾步甚至一步就完成生成，同時儘量不損失畫質的技術。
在潛空間模型里，步數蒸餾雖然管用，但有一個隱藏的成本瓶頸：當去噪步數被壓縮到極致（比如只剩4步）之後，原本可以忽略不計的VAE解碼那一步，占總耗時的比例就變得越來越大了。這就好比你把做菜的步驟從10步壓縮到2步，結果發現最後擺盤裝飾這一步原本占用時間很少，現在卻成了整個流程里最耗時的部分。
像素空間生成天然沒有這個包袱，因為它本來就直接輸出RGB像素，沒有額外的解碼步驟。論文應用了兩種蒸餾技術（Decoupled-DMD和DMDR）對像素空間模型進行加速。
最終效果相當亮眼。僅僅是把預測空間從潛空間換成像素空間，就能帶來1.10倍的提速；加上漸進式分塊適配後，單張圖片的延遲降到4.56秒，相當於4.41倍加速；再疊加步數蒸餾之後，像素空間模型生成一張圖只需要0.20秒，而同等條件下的潛空間蒸餾模型需要0.95秒，加速比達到4.75倍。把所有技巧疊加在一起，相比最初那個原始的潛空間流程，總體加速比高達100.6倍。
最終成績單：又快又好，不是自我感動
理論和局部實驗說了這麼多，最終還是要看整體表現能不能立得住。
論文在Z-Image和FLUX2-klein兩個模型家族上都驗證了這套方案。
在100次函數評估（NFE，可以理解為去噪疊代的次數）的設置下，Z-Image的像素空間版本相比原始潛空間版本，推理延遲從20.12秒降到4.56秒，加速4.41倍，同時GenEval評分從0.7510提升到0.7644，DPG評分從86.91提升到87.60，幾乎是又快又好。
對比此前同類工作L2P，新方案在四個評測基準上全面勝出，延遲還更低。而在4次函數評估（也就是極限壓縮到幾乎"一步出圖"）的場景下，加速比達到4.75倍，畫質評分同樣反超原版。
| 模型 | NFE | 延遲(秒) | GenEval | DPG |
|---|---|---|---|---|
| Z-Image（潛空間） | 100 | 20.12 | 0.7510 | 86.91 |
| L2P（像素空間） | 100 | 18.26 | 0.7612 | 86.00 |
| Ours（像素空間） | 100 | **4.56** | **0.7644** | **87.60** |
| Z-Image-Turbo（潛空間） | 4 | 0.95 | 0.7625 | 85.31 |
| Ours-Turbo（像素空間） | 4 | **0.20** | **0.7698** | **86.85** |
更關鍵的是，這套方法在換到另一個完全不同的模型家族FLUX2-klein上依然管用，同樣取得了3.18到3.29倍的加速，同時大部分評測指標優於原版和此前的對比方案AsymFlow。這說明這套"潛空間打底、像素空間精修"的配方，不是針對某一個模型量身定做的偏方，而是有一定普適性的方法論。
寫在後面
讀完這篇論文，最讓我意外的地方其實是γ=2那個實驗。一個推導得挺嚴謹的理論公式，算出來的最優解是8，結果實測下來2才是最好的，而且差距不小。這提醒我一件事：在複雜系統里，理論模型往往只捕捉到了幾個主要變量，剩下那些沒被建模進去的因素，很可能才是決定成敗的關鍵。這種"算得漂亮但測不出來"的落差，在很多工程領域可能都反覆出現，只是很少有論文願意老老實實把這個過程寫出來。
另一個值得琢磨的地方是，論文裡反覆出現的"自產數據"策略，用源模型自己生成的圖片去訓練它的下一代版本。這種自己餵自己的做法乍一看有點像近親繁殖，容易把自身的缺陷也一起遺傳下去（論文裡提到的文字排版錯誤就是證據）。但它同時又是讓訓練變快最有效的手段。這種"效率和純淨度互相拉扯"的局面，感覺在很多自我疊代的系統里都會遇到，AI訓練AI，或許遲早得面對這個問題。
論文裡也留了一個沒解決的坑：ps64-adapt32這個更激進的壓縮方案為什麼會掉分，具體是哪個環節丟了細節，論文沒有深挖。如果未來能找到辦法讓詞元壓縮得更狠還不掉畫質，那這套像素空間路線的天花板可能還能再往上頂一頂。
Q&A
Q1：像素空間擴散模型和潛空間擴散模型的核心區別是什麼？
A：潛空間擴散模型先用VAE把圖片壓縮成低維表示，在壓縮空間裡訓練和生成，最後再解碼還原成圖片；像素空間擴散模型直接在原始RGB像素上訓練和生成，不需要VAE壓縮和解碼這道工序，能保留VAE壓縮過程中可能丟失的細節，推理時也少一步解碼，速度更快。
Q2：為什麼不直接從零開始訓練像素空間模型，而要先在潛空間訓練？
A：論文實驗發現，在完全相同的算力和數據條件下，直接從零訓練像素空間模型收斂速度明顯慢於潛空間模型，而且訓練很久也追不上潛空間模型的效果。所以更好的做法是先在潛空間高效地訓練出模型的基礎能力，再把這個模型遷移轉換到像素空間繼續訓練，這樣既能借到潛空間訓練快的優勢，又能拿到像素空間畫質和速度上的好處。
Q3：這套潛空間轉像素空間的方法能帶來多大的速度提升？
A：在Z-Image模型上，100步採樣場景下能實現4.41倍加速，4步快速採樣場景下能實現4.75倍加速，疊加分塊尺寸優化和步數蒸餾後總加速比達到100.6倍；在FLUX2-klein模型上也能實現3.18到3.29倍加速，同時生成質量基本持平或優於原始潛空間模型。
