一张 1K 图直接改成 4K：vivo 开源 BluePixel，4 步采样 8.7 秒，T8 连 ComfyUI 节点都做好了
🎯 3分钟看懂
先讲结论：vivo 在 10 月中旬开源了一个叫 BluePixel 的图像编辑模型（图生图 / 指令式改图），做的事很具体：原生 4K 进、原生 4K 出，不靠级联超分，4 步采样就能出图。官方报的成绩是单张昆仑芯 P800 XPU 上 8.7 秒改完一张 4K，权重和推理代码都是 Apache-2.0。
UP 主 T8 在 11 月 1 日的视频里做了两件事：把原理讲清楚，然后拿自己提前两三天写好的 ComfyUI 节点，实测了「1K 输入 → 4K 输出」的效果。他的结论比较实在：基础编辑没问题，复杂/负向编辑还打不过榜单第一的闭源模型，属于「技术向的实验」，但压缩思路很值得关注。
四个关键数字
时间线先说清：模型是 10 月中的事，视频是 11 月 1 日的实测
这点容易搞混，先摆事实：
- 2026-10-13：GitHub 仓库
vivo/BluePixel的推理代码和文档开源（README 的 News 里写明） - 2026-10-14：论文
BluePixel: Toward Native 4K Agentic Image Editing提交到 arXiv（2610.19882） - 2026-11-01：T8 发布这条实测视频，标题就是「Vivo开源BluePixel图像编辑，低显存8秒采样一张4K图像」
所以视频不是「今天发布模型」，而是开源两周后的一次中文实测 + 工作流落地。这个区别很重要，因为决定你现在能不能马上跑起来。
4K 编辑到底难在哪
T8 在视频开头把问题拆得很清楚，基本就是三段：
第一，算量直接爆炸。 现在主流出图还在 1K–2K，直接生成 4K 的话，普通显存「基本上是达不到」，或者速度慢到没法用。
第二，结构容易崩。 分辨率硬拉上去，会出现多手、多人这类问题——不是画质问题，是模型压根没在这个尺度上被训练过。
第三，token 数是平方级增长。 潜空间到像素空间靠 VAE，常规 VAE 压缩倍率是 8 倍。分辨率翻倍，token 数翻 4 倍，4K 相当于 1K 的 16 倍 token，注意力开销跟着涨，这才是「跑不动」的根源。
BluePixel 的两个核心动作
动作一：把 VAE 压缩倍率从 8× 换成 64×
BluePixel 用的是 DCAE-F64（Deep Compression Autoencoder，压缩因子 f=64）。T8 的解释很直白：
「把我们之前的 8 倍的潜空间的缩放改成 64 倍，现在我们生成一张 4K 的图，从理论上来说，基本上跟我们之前生成 1K 的图是差不多的。」
官方 README 的说法一致：DCAE-F64 让 4K 的 DiT token 数维持在 1K 的水平。这就是「低显存也能出 4K」的技术前提——不是模型变强了，是同样的计算量被搬到了更高的分辨率上。
官方还补了一个工程细节：从 f=8 直接跳到 f=64 不可行，所以是 8 → 32 → 64 分阶段适配。第一阶段用了约 20 万样本、32 张昆仑芯 P800 XPU、跑了约 4 天——也就是说，这套「让 1K 模型学会 4K」的迁移成本，被压到了「一个团队四天机时」的量级。
动作二：50 步蒸馏到 4 步
光能训还不够，出图得够快。BluePixel 用 SATP（source-anchored target projection，源锚定目标投影） 把 50 步的老师模型压到 4 步，同时用「锚定未编辑区域」的方式保住背景不被改花。
官方数字：单张昆仑芯 P800 XPU、bf16、8.7 秒一张 4K，大约 4 倍加速，同时任务成功率和背景一致性都保住了。
另外还有两块训练上的活：ACE-MOPD 持续学习（用梯度正交的 LoRA 一组一组吸收长尾技能，比如 26 种发型模板、表情、姿态、全局影调，而通用编辑能力波动小于 ±0.03），以及两阶段 RL（先 PickScore 管审美，再 BluePixReward 管指令与保真）。
官方给出的成绩单（可核）
| 榜单 | 结果 | 怎么读 |
|---|---|---|
| VINS-4KEval++（3305 例 / 7 模型） | Overall 8.62，第 2；NC 9.06 | NC 仅次 GPT Image 2；榜单由 vivo 牵头 |
| ImgEdit-Bench | Hybrid 4.59、Action 4.93 第一 | Add 并列第一，强在动作类编辑 |
| CIE-Bench | 6.24 → 8.87 | ACE-MOPD 持续学习带来的增益 |
| 速度 | 50 步 → 4 步，8.7 秒 / 张 | 单张昆仑芯 P800 XPU，bf16 |
以下为官方页面口径的明细：
- VINS-4KEval++：3305 个原生 4K 用例、7 个模型横评，BluePixel Overall 8.62，排第 2；未编辑区域一致性（NC）9.06，仅次于 GPT Image 2
- ImgEdit-Bench：Hybrid 4.59、Action 4.93 都是第一，Add 并列第一
- CIE-Bench（考察持续学习）：ACE-MOPD 之后总分 6.24 → 8.87
- 速度：50 步 → 4 步，一张 4K 8.7 秒
要提醒一句：VINS-4KEval++ 是 vivo 自家牵头的数据集和榜单（VINS-120K 同源），所以这个「第 2」更该理解为自家尺子上的自评，而不是第三方中立排名。官方页面自己也承认，NC 这一项还是落后 GPT Image 2。
T8 实测：他自己跑出来的结果
这部分只代表 UP 主的机器和主观判断，不是官方数据。
基础编辑：能用。 他拿一张 1K 的图，让模型把人物衣服改个颜色。结果「非常非常清楚」，是 4K 的，背景基本被保留，然后按接近原图的比例重建。他的评价是：这种基础编辑基本没有问题。
速度：7 秒。 他机器上的采样时间是 7 秒一张 4K——注意这是消费级硬件，跟官方 P800 的 8.7 秒不是一回事，但也说明 4 步蒸馏的效果是真的。
短板：复杂编辑打不过头部闭源。 片尾他对着官方榜单表说得很直白：和榜单第一的闭源模型（官方页标注为 GPT Image 2）还有差距，BluePixel 更偏向「一种技术向的实验」——有一定实用性，但跟新模型差距还挺大。
他的整体态度：这个压缩技术「确实是一项非常不错的压缩技术」，期待后续有更好的图像模型用上它，最终目标是「又快又好地出一张 4K」。同时也感慨了一句分辨率军备赛：从 SD1.5 的 512，到 1K，到全升就崩，再到现在 2K 为主、开始出现几秒钟出 4K 的技术。
ComfyUI 节点怎么用（作者给的设置细节）
T8 说这个节点他两三天前就做好了，只是没时间做视频，工作流已经传到 RunningHub，在线玩、本地部署都行，节点免费开源。关键设置有几条：
- 宽高必须能被 64 整除：因为是 64 倍压缩，他做了自动换算；如果把「目标像素」那栏拉开，就得手动填宽高
- 支持单图 / 多图：他演示的是单图工作流，但节点里带了全部工作流，可以自己进去看
- 特殊 VAE 要单独节点：这个 VAE 不是常规的，得用配套节点
- CUDA / CPU 两种模式：节点里可选
- guidance 要自己调：官方默认推荐 3，他觉得「更听话一点，但饱和度明显偏高」；画人物建议降到 1（速度也会快不少），不想太极端就用 1.8 折中
- 还有「最大连续长度」「隐藏层」这类参数，他的建议是基本不用改
想自己上手的话，路径是：GitHub vivo/BluePixel 拉代码 → hf download openvivo/BluePixel-Turbo 下权重 → pip install -r requirements.txt → 在 CUDA + BF16 环境跑 vins_infer.load_pipeline，num_inference_steps=4、guidance_scale=3.0、target_pixels=4096*4096。
上手前必须知道的限制与避坑注意事项
- 只吃英文指令（模型卡写明，面向英文 instruction 场景）
- 8.7 秒不是通用成绩：那是单张昆仑芯 P800 XPU + bf16 的实验室数字，消费卡别按这个期待
- 非方图会重排尺寸：管线按比例保留、对齐到 64 的倍数，输出可能不是你以为的原始尺寸
- 4K 的收益来自「重建」：它保住背景、按比例重建细节，所以对「局部改色/改物」友好，对「大幅改结构」不一定
- 榜单是自家尺子：VINS-4KEval++ 由 vivo 牵头，NC 仍落后 GPT Image 2
- 输出仍需人工复核：模型卡明确提示可能有 artifacts 或非预期改动
- 许可是 Apache-2.0：可商用，但 NOTICE 和 LICENSE 要看
适用场景与不适用场景：谁适合用，谁先别急
适用场景（适合谁）：
- 需要大批量出 4K 商品图/素材，且改动以局部为主（换色、换材质、加/去元素）
- 显存有限但想要高分辨率输出的个人和小团队——这是它最大的卖点
- 想在 ComfyUI 里直接试的中文用户，T8 的工作流已经现成
不适用场景（先别急）：
- 需要复杂指令理解、多步推理式改图（这类还是闭源头部更强）
- 只写中文 prompt 的（当前只支持英文指令）
- 期待「消费卡 8 秒出 4K」的——先把预期调到「比 1K 慢一些，但远快于传统 4K」
行动建议
- 先看效果再决定投入：RunningHub 上有 T8 的工作流，不用装环境就能试一张
- 本地部署就按三个硬约束来：宽高 64 整除、专用 VAE 节点、guidance 从 1 起步（人物）/ 1.8（折中）
- 先拿「改颜色/改材质」这类任务验证，确认背景保得住，再上更复杂的编辑
- 盯住后续版本：官方把 4K 定位成「系统工程」，agent harness（BluePixel Agent，带 verify-and-retry）还没完全落地到开源侧，这部分如果放出来，能力上限会变
一句话总结这条视频：它讲的不是「又一个改图模型」，而是「怎么用 64 倍压缩把 4K 的成本压回 1K」——这个思路比单个模型更值得记住，因为后面会有更多模型用上它。
来源范围说明
- 视频内容：基于 B 站 BV1xZxx6SEfw 的本地 ASR 转写（whisper turbo）整理，前段为剧情小片头，主体为 UP 主口播，片尾含音乐与字幕志愿者误识别内容，已剔除
- 技术事实：以官方项目页
tech.vivo.com/BluePixel、arXiv 2610.19882 摘要、GitHubvivo/BluePixelREADME、HF 模型卡openvivo/BluePixel-Turbo为准；UP 主口播中的模型名/参数与官方不一致处，按官方表述校正 - 实测结论：Speed、guidance 取值、7 秒采样、编辑效果判断均为 UP 主个人测试与主观评价，非官方数据
- 本文不是逐帧实录，剧情片段与片尾音乐未纳入解读