MrFlow：免训练三阶段流水线让 AI 生图提速 10 倍

扩散模型的图像生成质量持续提升，但端到端推理时间也水涨船高，高分辨率空间中的反复采样是主要瓶颈。过往的量化、高效 Attention 等方法依赖硬件协同，步数蒸馏成本高且训练不稳定，特征缓存类方法动态识别开销大、加速比难超 5 倍。来自北航、南洋理工大学与苏黎世联邦理工的研究团队提出 MrFlow（Multi-Resolution Flow Matching），用一套不依赖特定硬件、无需蒸馏微调、也不做运行时动态识别的三阶段流水线，在 Qwen-Image 等模型上把端到端生成时间从 49.32 秒压到 4.77 秒，实际加速 10.35 倍。该工作发布当日登上 Hugging Face Daily Papers，三天内 GitHub 收获 200+ stars，并进入 HF Trending Papers。

核心思路：把算力从高分辨率挪走

MrFlow 的默认强加速配置是 12+1：低分辨率阶段跑 12 步，高分辨率阶段只推理 1 步。原生高清生成中绝大部分计算集中在高分辨率采样上，MrFlow 把这部分开销下沉到低分辨率阶段，让高分辨率只做短程细节修缮。中间的 VAE 解码、超分、噪声准备等步骤开销有限，计入总时间后仍能保持 10 倍以上加速。

三阶段流水线拆解

低分辨率结构生成：让原始模型在低分辨率 latent 空间出图，负责全局结构、布局、语义与色彩氛围。图像 token 数量呈平方级缩减，每一步都更便宜，低频结构也更易收敛。
像素空间超分：将低分辨率结果解码到像素空间后做超分。论文比较了不同超分策略，发现 latent 空间上采样容易出现局部糊化与纹理错乱，而 Real-ESRGAN 等基于 GAN 的超分模型在清晰度、稳定性和速度之间更均衡。
单步高分辨率修缮：超分图重新编码回 latent 后注入约 0.12 强度的低强度噪声，覆写少量错误高频信号，再由原始 flow-matching 模型做 1 步 refine。因为起点已靠近干净图像，单步直线采样即可。

与其他免训练方法的对比

在 Geneval 测试的指标—加速比折线上，MrFlow 稳居图像右上角，全面优于其他免训练加速方法：

4 倍以上端到端加速比下，Cache 类方法迅速崩溃；
其他多级分辨率方法在 latent 空间上采样，高加速比时易出现纹理塌陷与结构不稳；
MrFlow 在视觉对比中细节保留更干净，与时间步蒸馏方法正交叠加后，在 Qwen-Image 等模型上可叠加至 25 倍以上加速。

适用模型与开源情况

论文与仓库已覆盖 Qwen-Image、FLUX.1-dev 等多种先进模型。GitHub 仓库提供一键运行 demo 与各模型完整参数化示例，并附带 ComfyUI 插件，社区中已有在 Krea-2 等最新模型上的移植实现。值得注意的是，MrFlow 可与 Pi-Flow、Z-Image-Turbo 等蒸馏模型直接叠加，无需重新训练组合方案。

价值定位

多级分辨率策略并非全新概念，社区中的 Hires.fix 等流程早已在像素空间引入超分。MrFlow 的不同之处在于：它并非追求把预训练模型推向更高分辨率的绘图域，而是聚焦训练能力范围内的生成加速，并通过系统实验拆解了每一步为何有效。低分辨率阶段完成整体布局、高分辨率阶段补足细节，这种粗细粒度更合理的算力分配，正是这一方法看似简单却效果显著的原因。