做显卡的公司发布图像生成模型,这件事以前很少见。11月20日,AMD在ROCm博客上线了一篇技术报告,介绍一个叫Nitro-P的文生图模型:679M参数,像素空间扩散,去掉VAE解码器,在单张Instinct MI300X上跑512见方时达到每秒10.26张,GenEval得分0.88。一步蒸馏版把这个数字推到每秒90.02张,代价是得分掉到0.85。
这篇报告的行文顺序很能说明问题。它没有先从画质讲起,而是先把吞吐摆出来:同样512见方、批大小32,Nitro-P每秒10.26张,PixelDiT是每秒5.54张;GenEval得分前者0.88,后者0.78。在1024见方下,Nitro-P的得分是0.87,PixelDiT是0.74。
把吞吐放在第一句,是硬件厂商的习惯。画质好不好,用户看一张图就能判断;吞吐高不高,要靠同一套基准、同一批硬件去比,后者才是采购决策里能写进文档的东西。
679M这个参数量也值得停一下。主流生图模型的参数动辄几十亿,Nitro-P只有六亿多,却在GenEval这个考"物体有没有画对、数量对不对、位置对不对"的基准上拿到0.87。参数规模不是画质的唯一解释项。
报告里没有给的是主观画质评测。GenEval衡量语义对齐,不衡量皮肤质感、光影层次和构图美感。一张图能把"三只猫在沙发上"画对,不代表它好看。这两件事长期分离,Nitro-P的答卷只覆盖了前一半。
扩散模型通常工作在潜空间:先用VAE把图像压成低维表示,在低维空间里去噪,再用VAE解码回像素。这套流程的好处是计算量小,坏处是VAE本身就是一道有损压缩,细节会在编码和解码之间丢掉一部分。
Nitro-P的做法是跳过这道压缩,直接在像素空间做扩散。主干用块级E-MMDiT,另配一个轻量U-Net负责像素重建。少了VAE的编解码往返,模型对细粒度结构的控制更直接,代价是每一步的计算都在高维空间里进行。
这个取舍在高分辨率下会变得尖锐。512见方时,Nitro-P每秒能跑10.26张;到1024见方,全模型掉到每秒2.44张,一步蒸馏版是26.00张。分辨率翻倍,像素数变成四倍,成本的增长比线性更快,这正是潜空间方案当初被普遍采用的原因。
所以像素空间这条路线能不能走通,关键不在算法,而在算力是否足够便宜。当单卡吞吐高到一定程度,省掉VAE带来的画质收益才值得用四倍的计算去换。Nitro-P这篇报告真正的论点,其实藏在这个换算里。
每秒90.02张是一个很有指向性的数字。它来自一步蒸馏:把原本需要几十步的采样过程压到一步,用学生模型逼近教师模型的输出。一步生成必然有损,报告给出的GenEval是0.85,比全模型低0.03。
但0.03的差距在很多场景里可以接受。电商主图、社交配图、素材占位、A/B测试的变体生成,要的是"够用且便宜",不是"最好看"。当单卡每秒能出九十张,一张图的边际成本会被压到很低,批量任务的可行性就变了。
这也是硬件厂商做模型的真实动机。客户评估一张卡时,不再只看算力峰值和显存带宽,而是看"跑我这个模型能出多少东西"。一个官方提供、跑在自家卡上的参考实现,比任何跑分都更能回答这个问题。
反过来说,这个数字对模型厂商的参考价值有限。大多数生图产品的瓶颈不在推理吞吐,而在用户等待的那几秒、在审核那一环、在素材管理的流程里。把每秒从10张提到90张,对批量任务是数量级变化,对单张交互几乎没有感知。
报告里还有一个容易被略过的细节:文本编码器用的是Qwen3-1.7B,而不是常见的Llama 3.2 1B。作者给出的理由是,Qwen3-1.7B对颜色和空间关系的理解更好。
这个理由指向生图模型的一个长期短板。用户写"左边红色杯子,右边蓝色书",模型经常把颜色和位置搞混,因为文本编码器本身没有把"左边"和"红色"绑定到同一个物体上。编码器越能理解这种结构关系,扩散过程的起点就越准。
换编码器看起来是个小改动,实际影响很大。文本编码器的输出是整条生成链路的条件输入,它的偏差会一路放大到最终的像素上。很多生图模型"提示词一复杂就崩",根因往往就在这里,而不是在去噪网络。
这也解释了为什么近一年的生图模型发布,越来越喜欢单独说明用了哪个文本编码器、用了第几层的输出。这件事从一个实现细节,变成了可以公开比较的能力项。
训练数据是2500万对图文,训练过程按分辨率做了三级课程:先从256见方起步,再到512,最后到1024。这种由粗到细的训练顺序在扩散模型里已经是标准做法,原因是低分辨率阶段能更快学到全局结构,高分辨率阶段再补细节。
2500万对这个量级,在今天的生图领域属于中等偏下。头部模型的训练数据普遍在十亿级,靠的是网络爬取的图文对加上严格的清洗。Nitro-P用更少的数据做到0.87的GenEval,说明数据质量和课程设计的权重被低估了。
但数据规模的天花板始终存在。2500万对数据能覆盖常见的物体和场景,覆盖不了长尾的行业术语、生僻品牌、专业器材。这类需求目前仍要靠微调和检索增强来解决,通用模型再大也很难全部吃下。
把这件事放到产业里看,AMD的处境很清楚:在训练市场上它落后,在推理市场上它有机会。推理市场的客户不在乎你用哪家的卡训练模型,只在乎单位成本能出多少结果。一个官方背书的、能在自家卡上跑满吞吐的模型,是这个市场里最直接的敲门砖。
风险也在这里。芯片公司做模型,做的是"参考实现",不是"产品"。它不需要赢下画质排行榜,只需要证明硬件不是瓶颈。一旦客户拿着这个模型去跑自己的业务,发现问题出在模型而不是硬件,这份答卷的说服力就会打折。
另一个值得注意的细节是发布渠道。这篇报告挂在ROCm博客上而不是投稿到arXiv,读者是开发者而不是审稿人,说明它的目标是让工程师今天就能把代码跑起来,而不是通过同行评议。