Команда Inclusion AI совместно с Westlake University, Tsinghua и другими партнёрами опубликовала метод IDM (Intrinsic Distribution Matching) для одношаговой и малошаговой генерации изображений — новую редакцию дистилляции DMD, которая не требует внешнего энкодера вроде DINOv2. Статья выложена на arXiv, официальный код открыт под лицензией Apache 2.0, а по заявлению авторов при двух шагах генерации метод сохраняет читаемый текст на изображении лучше других сравниваемых подходов на бэкбонах Z-Image-Turbo 6B и Qwen-Image 20B. Веса моделей на момент публикации не выпущены, поэтому запустить генерацию получится лишь после их релиза.

image
image
image

Что произошло

29 октября 2026 года на arXiv появилась статья arXiv:2610.39633 с описанием метода IDM (Intrinsic Distribution Matching), а одновременно открыт репозиторий github.com/inclusionAI/IDM под лицензией Apache 2.0 со скриптом inference.py. В сравнительной таблице авторов при 2 NFE метод обходит Z-Image-Turbo, DMD2, TwinFlow, APEX и улучшенную версию одного из собственных бэкбонов Z-Image-Turbo++, набирая 94.25% на LongText-CN и 90.20% на LongText-EN. Заявленная латентность составляет 0.25–0.30 секунды для модели 6B и 0.35–0.44 секунды для 20B на одной A100 в BF16. Метод проверен на Z-Image-Turbo 6B и Qwen-Image 20B в двух режимах: полное дообучение и LoRA.

Контекст

Подход строится поверх дистилляции DMD (Distribution Matching Distillation), которая сжимает многошаговый генератор изображений до одного–двух шагов, однако в привычных рецептах такого сжатия признаковый контроль качества опирается на отдельный внешний энкодер вроде DINOv2. IDM вместо этого согласует средние и покоординатные стандартные отклонения признаков, извлекаемых из EMA-копии самого генератора, сохраняя полную коррекцию DMD, поэтому на инференсе нужны только генератор, текстовый энкодер и VAE. Авторы проверили метод на двух бэкбонах разного масштаба, чтобы снизить риск подгонки под один конкретный чекпойнт — типичную ловушку статей по дистилляции. Заявленные скорость и сохранение текста на картинке направлены на два главных продуктовых барьера малошаговых моделей, на которые и рассчитаны использованные в статье бенчмарки генерации с длинным текстом.

Почему это важно для индустрии

Для индустрии главное следствие — упрощение пайплайна: без внешнего энкодера на инференсе остаётся меньше сетей, что сокращает набор моделей в serving и снижает его издержки. Рецепт проверен при полном дообучении и в LoRA-режиме с конфигурацией r=64, обновляющей 0.4B параметров, что делает перенос метода на сторонние чекпойнты дешёвым. Код под Apache 2.0 ускоряет коммодитизацию: это сдвиг кривой издержек, а не платформенный сдвиг, и если заявленные характеристики подтвердятся, скорость малошаговой генерации превращается из защитного барьера отдельной команды в гигиенический фактор, а дифференциация смещается к качеству и продуктовой обвязке. Если веса выйдут и самотчёты подтвердятся, IDM может стать референсным вариантом для генерации картинок с надписями за один–два шага, а сообщество быстро проверит таблицу сравнения; в перспективе рецепт со статистиками признаков из EMA-копии генератора, если он воспроизводится на других архитектурах, способен сделать малошаговую генерацию дефолтным serving-паттерном.

Почему это важно для пользователей

Читателю, которому нужны картинки с надписями — постеры, меню, обложки, — подготовиться можно уже сейчас: склонировать репозиторий github.com/inclusionAI/IDM, собрать окружение по inference.py, отладить препроцессинг, текстовый энкодер и VAE и заранее прогнать собственные сценарии проверки качества, чтобы включить генерацию в день выхода весов. Если заявленные метрики подтвердятся на практике, двухшаговая генерация с задержкой в доли секунды на одной карте подойдёт для интерактивных продуктов, где изображение появляется на глазах у пользователя, а LoRA-адаптеры позволят закрепить нужные стили и бренды.

Что пока неизвестно / ограничения

До выпуска весов IDM для Z-Image и Qwen-Image запустить генерацию невозможно: доступен только код и скрипт инференса для подготовки окружения. Представленное сравнение с пятью методами — самотчёт авторов, независимой проверки качества на сторонних стендах пока нет. Заявленная латентность — это измерение авторов на одном типе GPU, A100 в BF16, без данных о пакетной обработке и пропускной способности. Решающим будет воспроизведение метрик сообществом и подтверждение качества на новых бэкбонах.

Источники

Автор

Look at AI, редакция