1步顶100步！TwinFlow让Qwen-Image、Z-Image推理提速100倍，无需判别器或教师模型

当前，大规模多模态生成模型（如 Qwen-Image、Z-Image）在图像与视频生成上展现出惊人能力，但其推理效率仍严重受限——标准扩散或流匹配模型通常需 40–100 次函数评估（NFE）才能生成一张图像。这使得它们难以部署在实时或资源受限场景。

为加速推理，研究者提出了多种“少步生成”方法，但现有方案普遍陷入三重困境：

• 依赖冻结的教师模型（如一致性蒸馏），限制灵活性；
• 引入对抗训练与判别器（如 DMD2、SANA-Sprint），导致训练不稳定、显存爆炸；
• 在极低步数（<4 NFE）下质量显著下降，难以实用。

近日，Inclusion AI、上海创智学院、西湖大学与浙江大学联合提出 TwinFlow —— 一个无需教师模型、无需判别器、仅用单模型即可实现1步高质量生成的新框架，为少步生成提供了更简洁、可扩展的路径。

• 项目主页：https://zhenglin-cheng.com/twinflow
• GitHub：https://github.com/inclusionAI/TwinFlow
• TwinFlow-Qwen-Image-v1.0：https://huggingface.co/inclusionAI/TwinFlow
• TwinFlow-Z-Image-Turbo：https://huggingface.co/inclusionAI/TwinFlow-Z-Image-Turbo

TwinFlow 的核心思想：用“孪生轨迹”实现自对抗

TwinFlow 的关键创新在于 “孪生轨迹”（Twin Trajectory） 机制。

传统流匹配模型定义时间区间为 $ t \in [0,1] $，从噪声（$t=0$）逐步映射到真实数据（$t=1$）。
TwinFlow 则将时间轴对称扩展至 $ t \in [-1,1] $：

• 正向轨迹（$t > 0$）：将噪声映射为真实数据（常规生成路径）
• 负向轨迹（$t < 0$）：将同一噪声映射为“伪”数据（即模型当前能力下的不完美输出）

模型通过最小化两条轨迹在速度场（velocity field）上的差异 $\Delta v$，实现自我校正。
这相当于在模型内部构建了一个自监督的对抗信号——无需外部判别器，也无需冻结的教师模型。

训练目标结合了标准多步生成损失与速度匹配损失，通过简单混合即可优化。

三大优势：简洁、高效、可扩展

1. 极简架构，降低训练复杂度

仅需一个可训练模型，避免维护多个网络（生成器+判别器+教师），大幅减少 GPU 内存占用。

2. 1-NFE 生成媲美百步模型

在 Qwen-Image-20B 上，TwinFlow 仅用 1 次函数评估，即可在 GenEval（0.86）和 DPG-Bench 上匹配原始 100-NFE 模型的性能（0.87），推理成本降低 100 倍。

3. 真正适用于大模型

现有方法（如 VSD、SiD、DMD）因需多模型并行，在 20B 级别常因显存不足失败。TwinFlow 的单模型设计使其首次实现 20B 级别全参数少步蒸馏。

实际进展：Qwen-Image 与 Z-Image 极速版发布

研究团队已基于 TwinFlow 框架推出两款高效生成模型：

• TwinFlow-Qwen-Image-v1.0：1–2 步生成高质量图像，适用于多模态推理与内容创作
• Z-Image-Turbo 优化版：进一步压缩推理步骤，提升生成速度

这些模型表明，少步生成不再是小模型的专利，大模型同样可以做到“快而准”。