论文信息

• 机构：Microsoft
• 时间：2026 年 5 月
• 任务：Text-to-Image Generation
• 生成主干规模：3.8B
• 主要组件：
  • Lens-800M 图文数据
  • FLUX.2 Semantic VAE
  • GPT-OSS-20B 文本编码器
  • 48 层 MMDiT
  • Flow Matching
  • Lens-RL-8K
  • Prompt Reasoner
  • Lens-Turbo

1. 核心目标

Lens 主要研究如何提高基础文生图模型的训练效率。

作者认为，训练效率不仅与模型大小有关，还受到以下因素影响：

$\text{Training Efficiency} \propto \frac{ \text{Data Information Density} \times \text{Convergence Speed} }{ \text{Compute per Step} }$

即Lens 的优化思路是：

1. 控制生成模型的单步计算量；
2. 通过高信息密度数据和更好的表征减少所需训练步数

因此，Lens 主要从三个方面优化：

1. 提高图文数据的信息密度；
2. 使用更容易被生成模型学习的视觉 latent；
3. 使用更强的文本编码器加快文本—图像对齐。

2. 整体框架