2步生成0.30秒、中文长文本94.25%？蚂蚁开源IDM，一步图像生成不再依赖外挂编码器。

输入一个长文本prompt，输出一张1-2步生成的1024×1024图像：菜单一行不错、海报标题一个字不歪。蚂蚁InclusionAI联合西湖大学等机构推出的IDM，把矩匹配从外挂编码器搬进生成器自己的EMA特征空间，2个NFE就把LongText-Bench中文成绩拉到94.25%。

少步蒸馏的图像生成模型，短板一直很明确：步数一少，prompt里的细节就丢，长文本渲染尤其惨。Distribution matching distillation（DMD）是主流解法，但要么额外养一个fake-score网络，要么靠DINOv2这类外部特征编码器做表示对齐——管线重、显存开销大。

蚂蚁InclusionAI联合西湖大学、清华大学、浙江大学、上海创智学院与MBZUAI推出的IDM（Intrinsic Distribution Matching），走了一条更省的路：跟随APEX用生成器内部的速度分支拿到score差，再叠加一个只依赖生成器EMA副本的特征矩匹配损失，完全不需要外部编码器。同一份checkpoint同时支持1-NFE和2-NFE采样，在Z-Image-Turbo 6B上单张A100（BF16）1步0.25秒、2步0.30秒，吞吐5.18-5.41张/秒。2-NFE下LongText-Bench中文94.25%、英文90.20%，都是同预算对比方法里的最高分。

unsetunset相关链接unsetunset

• 论文：https://arxiv.org/abs/2610.39633
• 代码：https://github.com/inclusionAI/IDM
• 主页：https://inclusionai.github.io/IDM

unsetunset内容介绍unsetunset

IDM是一个面向1-2步文本生图的蒸馏训练框架：输入噪声和文本条件，输出直接跳过多步采样的成图。

与常规少步蒸馏做法不同，它的核心特点是：

1. 不需要fake-score网络——score差从生成器内部的速度分支取（条件向量取负实现分支分离），沿袭APEX的内部构造
2. 不需要外部特征编码器——矩匹配用的特征来自生成器自己的EMA副本，均值池化最后一层hidden activation，DINOv2彻底下岗
3. 一份checkpoint两种预算——训练时loss权重不随采样预算变，同一个模型1步、2步随便切

适用场景：端侧/实时文生图、需要渲染中文长文本的海报菜单生成、以及在Qwen-Image 20B这类大底座上做低成本LoRA蒸馏。

标准FM要反复积分速度场，一步生成学一个直接的噪声到数据映射；训练中用内部DMD损失加EMA特征矩匹配损失把pθ拉向pr。

unsetunset方法概述unsetunset

一套损失管score差，一套损失管统计量。

1. 内部DMD损失（L_score）

DMD的思路是用参考分布与生成分布的score差监督快速生成器，传统做法要单独训一个fake-score网络估生成分布的score。IDM沿用APEX的内部构造：把条件向量c取负，让同一个transformer的两个分支分别近似参考速度和模型速度，两者之差就是DMD修正量。论文没有丢掉修正量的任何部分——先对预测的干净样本重新加噪，再用detach过的修正量同时构造速度目标v_DMD和端点目标x0_DMD，对两个目标做平方误差回归。推理时只加载条件生成器、文本编码器和VAE，不做矩计算、不维护特征队列、不算fake-score。

2. EMA特征矩匹配损失（L_pop）

这一项是IDM的增量。动机来自对reverse-KL场的分解：任意分布的score可以精确拆成「矩匹配高斯的score」加「非高斯残差」两部分。高斯分量只由均值和协方差决定，残差收集其余全部score结构——两个分布可以矩完全相同但形状不同。论文的结论是：矩是能显式约束的量，但矩匹配不能替代残差，所以保留完整DMD修正、再叠加矩约束。具体做法是把生成样本和参考样本过一遍生成器EMA副本，均值池化最后一层hidden activation得到特征，匹配两组特征的均值和逐坐标标准差（ pooled across conditions，用detach的队列存统计量）。推理时这部分零开销。

上：DMD损失，重新加噪的预测端点经内部速度差构造detach的回归目标；下：特征矩损失，EMA副本提特征，匹配均值与逐坐标标准差。

3. 速度+端点双回归

同一个DMD修正量可以监督速度预测，也可以监督干净样本端点预测，论文用消融选了等权双回归：只加速度回归，五项综合指标全面落后（LongText-CN 93.03对94.25）；只加端点回归稍好但仍差一截。注意这两个目标来自同一个detach修正，不是两份独立的分布信息，权重组合纯粹是经验选择。

unsetunset实验结果unsetunset

长文本渲染与综合质量（Z-Image系，2 NFE）

2-NFE下IDM的LongText-CN比Z-Image-Turbo++高2.63个百分点、比APEX高3.87个百分点。但两个非全胜要写清楚：DPG-Bench 86.82低于APEX的88.64；英文长文本90.20也没追上8步的参考成绩91.74。各对比方法训练数据和配置不同，论文强调只有自家消融才是同口径对比。

老茶馆与红汉服两个中文长文本prompt，1-9 NFE全预算对比：IDM在1-2步区间保持招牌、对联和灯牌文字的可读性。

质量与效率（单张A100，BF16；延迟batch 1，吞吐batch 10）

Qwen-Image 20B全参数版2-NFE另有DPG-Bench 87.16、WISE 0.56；同底座同预算的APEX全参数版FID 6.44、GenEval 0.90、延迟0.45秒，IDM的6.34/0.91/0.44秒基本是同延迟下小幅占优。r=64的LoRA只更新0.4B参数，GenEval几乎不掉。

消融：矩匹配到底贡献了什么（Z-Image全参数，2 NFE，同数据同配置）

在内部DMD之上加EMA矩匹配，五项指标全部上涨（+0.19到+0.41）。DINOv2特征也能涨，但和EMA的差距只有0.06-0.13——用生成器自己的特征就够，外挂编码器没有必要性。特征来源换活人自特征（77.51）或教师特征（77.36）的GenEval都低于EMA的77.81。

寿司海报与咖啡菜单两个密集文字场景，1与2 NFE下的累计组件消融：没有矩损失时寿司海报出现过饱和。

样例

Z-Image底座2-NFE输出：人像、书封、涂鸦、菜单与黑板字，长文本渲染是主要展示项。

unsetunset局限与未来方向unsetunset

首先，官方权重至今未放出——GitHub四个checkpoint槽位全部写着Coming soon，README明说「Base-model或APEX权重不是IDM checkpoint，跑不出上表数字」，当前能验证的只有代码和论文数字。

其次，跨方法对比混杂着训练数据规模：IDM的参考数据集包含ShareGPT-4o、BLIP-3o，外加Qwen-Image-2512与Z-Image-Turbo合成的60万条FLUX-Reason-6M prompt和500万条text-rendering prompt，而APEX只用了20万条海报prompt——长文本分数的领先有多少来自数据、多少来自方法，论文用同口径消融回答了一部分，但与外部方法的对比仍有这个变量。

此外，矩匹配的绝对收益不大（五项指标+0.19到+0.41），训练开销也不小：Z-Image全参数15K步用了32张H100 80GB。FID 6.71在少步模型里不是最低档的量级领先，Sana-Sprint 1.6B在1-NFE跑到7.04且吞吐7.22张/秒，小底座的速度优势仍在。

unsetunset结论unsetunset

IDM验证了一件事：少步蒸馏的表示对齐不一定要外挂编码器，生成器自己的EMA特征就够用，且长文本渲染是它的主战场——2-NFE中文94.25%是同预算已对比方法里的最高分。

对于做实时/端侧生图的工程师，等权重放出后Z-Image-Turbo 6B底座是首选，单张A100上2步0.30秒，社区已经把这套配方搬到MOSS-Image上做出2步版；对于跟踪蒸馏技术的研究者，reverse-KL场的高斯分解+残差论证值得精读，它把「为什么矩匹配不够、为什么要保留完整DMD」讲成了闭环。风险提示：代码Apache-2.0，但未来IDM权重协议单独适用，且依赖的Z-Image、Qwen-Image底座各有自己的商用条款，商用前要分开核对；社区2步仓是第三方产物，分数未经官方验证。

分布匹配的下一个问题，也许不再是「跟谁比」，而是「用什么比」。