這項由香港中文大學多媒體實驗室的王子東、張熠源等研究員領導的重要研究，於2025年發表在電腦學習領域的頂級學術平台上。有興趣深入了解技術細節的讀者可以通過論文代碼庫https://github.com/WZDTHU/TiM訪問完整研究資料。這項突破性研究解決了AI圖像生成領域一個長期存在的核心難題，為普通用戶帶來了前所未有的靈活性。
在當今的AI圖像生成世界裡，存在著一個令人頭疼的兩難選擇。就像烹飪一樣，你要麼選擇快餐式的生成方法——幾秒鐘就能得到一張圖片，但質量往往差強人意；要麼選擇精工細作的慢燉模式——需要等待幾分鐘才能獲得高質量作品，但時間成本讓人望而卻步。這種"要快不要好，要好不要快"的困境一直困擾著研究者和用戶。
更讓人苦惱的是，現有的AI圖像生成模型就像只會一種烹飪方式的廚師。有些模型專精於快速製作，比如一些"快餐"模型能在一兩步內生成圖片，但畫面質量就像街邊小攤的快餐，雖然能填飽肚子但談不上精緻。另一些模型則走高端路線，需要數百步的精細處理才能產出令人滿意的作品，就像米其林餐廳的大廚，出品精美但等待時間漫長。
研究團隊發現，這個問題的根源在於現有模型的"學習方式"存在局限性。傳統的快速生成模型就像只學會了速成菜譜的廚師，雖然能快速出菜，但無法在有更多時間時做得更好。而傳統的精細模型則像只會做法式大餐的廚師，必須按照複雜的步驟一步步來，無法根據情況簡化流程。
面對這個難題，香港中文大學的研究團隊提出了一個革命性的解決方案：過渡模型（Transition Models，簡稱TiM）。這個名字聽起來很學術，但實際上它的核心理念非常簡單——讓AI學會在任意兩個狀態之間進行"跳躍"，就像一個全能廚師，既能做快餐也能做大餐，還能根據客人的時間需求靈活調整製作精細度。
過渡模型的獨特之處在於，它不是學習固定的"菜譜"，而是學習如何在任意兩個時間點之間進行狀態轉換。打個比方，傳統模型就像只會按照固定步驟做菜的機器人，要麼執行"3分鐘快速炒菜程序"，要麼執行"30分鐘精細烹飪程序"，無法中途調整。而過渡模型就像一個經驗豐富的大廚，能夠根據現有食材的狀態和剩餘時間，靈活決定下一步該做什麼，無論你給他3分鐘還是30分鐘，都能在有限時間內做出最好的菜。
研究團隊的核心突破在於建立了一個叫做"狀態轉換恆等式"的數學框架。這個聽起來複雜的概念，實際上就像是為AI制定了一套通用的"烹飪原理"。傳統方法要麼只教AI學習瞬時的變化（就像只告訴廚師"現在把火調大一點"），要麼只教AI學習從頭到尾的完整過程（就像只給廚師一本詳細的菜譜）。而狀態轉換恆等式則教會AI理解任意時間跨度內應該發生的變化，就像告訴廚師"無論現在食材是什麼狀態，無論你有多少時間，都能知道下一步該怎麼做才能達到最好的效果"。
這個框架的巧妙之處在於它同時滿足兩個重要特性。第一個特性叫做"隱式軌跡一致性"，簡單來說就是確保AI無論選擇什麼路徑，最終都能到達同一個目標。就像一個好的導航系統，無論你選擇高速公路還是市區道路，都能可靠地把你送到目的地。第二個特性是"時間斜率匹配"，這意味著AI不僅要知道目標在哪裡，還要知道以什麼速度前進最合適，就像一個經驗豐富的司機，知道在不同路段該開多快。
為了讓這個理論框架能夠實際運用，研究團隊還解決了一個重要的技術難題。傳統的計算方法需要使用一種叫做"雅可比向量積"的複雜運算，這種方法雖然精確，但就像用手工計算器做複雜運算一樣，不僅速度慢，還無法與現代的高效計算框架兼容。研究團隊創新性地提出了"微分導數方程"方法，這就像是用現代計算器替代了算盤，不僅速度提升了一倍，更重要的是能夠與現有的高效訓練系統完美配合，讓大規模模型的訓練成為可能。
在模型架構方面，研究團隊也進行了精心的設計優化。他們引入了"解耦時間和間隔嵌入"機制，這聽起來很技術化，實際上就是讓AI能夠同時理解"現在是什麼時候"和"還有多少時間可用"這兩個不同的概念。就像一個聰明的廚師，不僅知道現在菜做到了哪一步，還知道客人什麼時候要用餐，從而能夠合理安排剩下的烹飪流程。
另一個重要的創新是"間隔感知注意力機制"。在AI圖像生成的過程中，注意力機制就像是廚師的眼睛，決定在什麼時候關注哪些細節。傳統的注意力機制就像是近視眼的廚師，總是用同樣的方式觀察食材。而間隔感知注意力則像是配了多副眼鏡的廚師，當時間充裕時會仔細觀察每個細節，當時間緊迫時會重點關注最重要的部分，從而實現更高效的資源分配。
研究團隊在實驗驗證階段展現了令人印象深刻的成果。他們的過渡模型雖然只有8.65億個參數（在AI模型中算是相對精簡的），但在各種測試中都表現出色。在GenEval這個權威的圖像生成質量評估基準上，過渡模型在單步生成時獲得了0.67分，在128步生成時達到了0.83分，全面超越了包括SD3.5（80億參數）和FLUX.1（120億參數）在內的業界領先模型。
更令人驚喜的是，過渡模型展現出了真正的"多面手"特質。無論用戶需要快速生成（1步）、中等質量（8步）還是高精度製作（128步），模型都能提供相應質量的輸出，而且質量隨著步數增加呈現單調遞增的趨勢。這就像是一個真正全能的廚師，既能做出合格的快餐，也能在時間允許時製作出精美大餐，完全根據客人的需求和時間安排靈活調整。
在解析度適應性方面，過渡模型也表現出了強大的能力。它能夠原生支持從1024×1024到4096×4096像素的各種解析度，甚至能夠處理2:5到5:2等各種極端寬高比的圖像生成需求。這種靈活性就像是一個能在各種尺寸畫布上都能遊刃有餘的畫家，無論是小幅素描還是大型壁畫，都能保持一致的藝術水準。
在實際應用的文本到圖像生成任務中，過渡模型使用了3300萬張來自公開數據集的圖片進行訓練，採用了"原生解析度訓練策略"。這個策略的核心思想是讓AI在訓練時就接觸各種不同解析度和寬高比的圖像，就像讓一個藝術學生同時練習各種尺寸的畫作，培養全面的適應能力。
模型的訓練過程採用了一種叫做"解析度依賴時間步移位"的技術。這個技術的理念是，高解析度圖像需要更強的"噪聲干擾"才能有效破壞原始資訊，而低解析度圖像則需要相對溫和的處理。就像洗不同材質的衣服需要調整洗滌強度一樣，這種自適應的處理方式確保了各種解析度圖像都能獲得最佳的訓練效果。
在訓練策略方面，研究團隊還採用了創新的"模型引導訓練"方法。這種方法會在訓練過程中讓模型同時學習有條件生成和無條件生成，然後通過調節兩者的權重來提高最終生成質量。這就像是讓一個學生既要學會按照題目要求寫作文，也要學會自由發揮，通過兩種能力的結合來提升整體寫作水平。
整個模型的訓練使用了16塊NVIDIA A100 GPU，持續訓練了大約30天，採用了4×10^-4的恆定學習率。為了提高訓練效率，團隊使用了PyTorch FSDP分布式訓練框架和半精度浮點運算，這些技術組合確保了大規模模型訓練的可行性和效率。
在與現有方法的對比中，過渡模型展現出了獨特的優勢。傳統的擴散模型雖然能夠生成高質量圖像，但必須經過數百次疊代步驟，就像是只會精雕細琢的工匠，無法快速出活。一致性模型雖然能夠快速生成，但質量提升空間有限，就像是只會做標準化產品的工廠，缺乏精細化的能力。而過渡模型則真正實現了"魚和熊掌兼得"，既保持了快速生成的能力，又具備了隨時間投入增加而持續改善質量的特性。
研究團隊還進行了詳細的消融實驗，驗證了各個組件的重要性。實驗結果顯示，從基礎的擴散模型切換到過渡模型目標函數，能夠將單步生成的圖像質量指標從309.5提升到49.91，這是一個巨大的躍升。而架構改進，包括解耦時間嵌入和間隔感知注意力，進一步將性能提升到了47.46。這些數字背後反映的是模型在實際應用中從"勉強可用"到"令人滿意"的質量飛躍。
在類別引導圖像生成任務中，過渡模型同樣表現出色。在ImageNet-256×256數據集上，模型在單步生成時達到了3.26的FID分數，在250步生成時提升到1.65，全面超越了多數現有方法。這種性能表現證明了過渡模型不僅在文本到圖像生成方面有優勢，在傳統的類別條件圖像生成任務中也具有強大的競爭力。
從技術發展的角度來看，過渡模型的出現標誌著圖像生成領域的一個重要轉折點。它打破了長期以來"速度與質量不可兼得"的技術瓶頸，為用戶提供了真正的選擇自由。用戶不再需要在快速生成和高質量輸出之間做痛苦的權衡，而是可以根據具體場景和需求，靈活調整生成參數來獲得最適合的結果。
這項技術的實際應用前景非常廣闊。對於內容創作者來說，他們可以在創意構思階段使用快速模式進行頭腦風暴，在精細製作階段使用高質量模式產出最終作品。對於商業應用來說，企業可以根據不同的使用場景調整生成參數，在演示匯報時使用快速模式，在正式發布時使用精細模式。對於普通用戶來說，這意味著他們能夠根據自己的時間安排和質量需求，獲得最合適的圖像生成服務。
值得注意的是，儘管過渡模型在多個方面都實現了突破，但研究團隊也坦誠地指出了當前技術的一些局限性。在內容安全和可控性方面，模型仍然面臨挑戰，特別是在處理需要精細細節的場景（如文字渲染和手部繪製）時還有改進空間。此外，在極高解析度（如3072×4096）下，偶爾會出現一些視覺瑕疵，這主要是由於底層自編碼器的限制造成的。
從更廣泛的技術發展趨勢來看，過渡模型的成功預示著未來AI系統將更加注重靈活性和適應性。傳統的"一刀切"解決方案正在被能夠根據具體需求動態調整的智能系統所替代。這種趨勢不僅體現在圖像生成領域，也可能在自然語言處理、語音合成等其他AI應用領域產生深遠影響。
對於整個AI研究社區而言，這項工作提供了一個重要的啟示：有時候最大的突破不是來自於更複雜的模型架構或更大的計算資源，而是來自於對問題本質的重新思考。通過將注意力從"如何優化特定步數的生成過程"轉向"如何學習任意時間間隔內的狀態轉換"，研究團隊找到了一個更加根本和通用的解決方案。
說到底，這項研究的真正價值在於它為AI圖像生成技術開闢了一條全新的發展道路。它證明了我們不必在速度和質量之間做出妥協，而是可以通過更聰明的方法實現兩者的統一。就像一個真正出色的廚師不會被固定的菜譜所束縛，而是能夠根據食材狀況、時間安排和客人需求靈活調整烹飪方式一樣，過渡模型讓AI獲得了這種靈活性和智慧。
對於普通用戶來說，這意味著未來的AI圖像生成工具將更加貼近實際需求。你不再需要糾結於選擇"快速但粗糙"還是"緩慢但精美"的生成模式，而是可以簡單地告訴AI你有多少時間，然後等待它在有限時間內為你創造出最好的作品。這種用戶友好的特性，可能會大大降低AI圖像生成技術的使用門檻，讓更多人能夠享受到人工智慧創作的樂趣和便利。
隨著技術的進一步發展和優化，我們有理由期待過渡模型在解決現有局限性的同時，會在更多應用場景中展現出其獨特價值。有興趣了解更多技術細節的讀者，建議訪問研究團隊提供的開源代碼庫，那裡有完整的實現代碼和實驗結果，可以幫助深入理解這項技術的工作原理和應用方法。
Q&A
Q1：過渡模型相比傳統AI畫圖軟體有什麼優勢？
A：過渡模型最大的優勢是靈活性。傳統AI畫圖軟體要麼只能快速生成低質量圖片，要麼需要很長時間才能出高質量作品。而過渡模型就像一個全能廚師，既能做快餐也能做大餐，用戶可以根據自己的時間安排選擇生成步數，時間越多質量越好，完全由用戶決定速度和質量的平衡點。
Q2：過渡模型生成圖片需要什麼硬體配置？
A：論文中提到研究團隊使用16塊NVIDIA A100 GPU進行訓練，但普通用戶使用訓練好的模型生成圖片所需的硬體要求會低很多。具體配置要求研究團隊暫未公開詳細說明，但可以通過他們提供的GitHub代碼庫(https://github.com/WZDTHU/TiM)獲取最新的使用指南和硬體建議。
Q3：過渡模型什麼時候能普及給普通用戶使用？
A：研究團隊已經在GitHub上開源了代碼，技術愛好者現在就可以嘗試使用。但要真正普及到普通消費者，還需要等待科技公司將其集成到用戶友好的產品中。考慮到這項技術的突破性和實用性，預計在未來1-2年內就可能出現基於過渡模型的商業化圖像生成服務。
