Microsoft、38億パラメータのテキストから画像へのモデル「Lens」をオープンソース化、推論時間は0.84秒

MEニュース：5月25日（UTC+8）、Beating監視によると、マイクロソフトは、3.8Bパラメータのテキストから画像生成のベースモデルシリーズ「Lens」をオープンソース化しました。Lensは、主流の6B級モデルの性能を維持・上回りながら、極めて高いトレーニング効率を実現しました。ピークBF16 TFLOPS算力正規化テスト（キャプション再生成コストを除く）では、アリババ通義ラボのZ-Imageと比較して、約19.3%の算力しか消費しませんでした。トレーニングコスト削減の核心は、データとアーキテクチャの両面での最適化です。トレーニングデータセット「Lens-800M」は8億の画像-テキストペアを含み、従来の短いテキストアノテーションとは異なり、すべてのサンプルはGPT-4.1によって生成され、プロンプトの平均長は109語に達し、極めて高い意味情報密度を有しています。モデルアーキテクチャは48個のMMDiTブロックとFLUX.2セマンティックVAEを採用しています。テキスト特徴はGPT-OSSから取得され、第4・12・18・24層の特徴表現を連結することで、プロンプトの忠実性と多言語汎化性能が強化されています。異なる実行環境に対応するため、マイクロソフトは3つの重みバージョンをリリースしました。デフォルト版LensはRLチューニング強化学習微調整を適用し、NVIDIA H100 GPU1枚で1024x1024画像を20ステップで生成するのに3.15秒かかります。蒸留高速版Lens-Turboは4ステップで推論を完了し、同等解像度の画像生成に0.84秒しかかかりません。ベース版Lens-BaseはRLや蒸留を一切含まない純粋なベースモデルで、デフォルトでは50ステップで生成を行います。本シリーズモデルは、原生的に1:2から2:1までの任意のアスペクト比と最大1440x1440の混合解像度生成をサポートしています。関連モデルの重みはHugging Faceに公開され、SafetensorsおよびDiffusers形式でアクセス可能で、MITライセンスに基づいています。推論コードもGitHubに同期して公開されています。高密度データと極速推論の組み合わせにより、個人開発者や学術界における大規模なDiffusion Transformerモデルの導入・再現のハードルが大幅に低下しました。（出典：BlockBeats）