蚂蚁开源 IDM：文生图压到 1 步还能写清中文，但权重还没放出来

一句话先说结论：10 月 29 日，蚂蚁集团旗下的 Inclusion AI 联合西湖大学、清华、浙大等机构，放出了名为 IDM（Intrinsic Distribution Matching，内在分布匹配） 的方法论文和推理代码。它干的是一件很具体的事——把文生图模型从几十步压缩到 1 到 2 步，同时不让画面里的中文和英文「糊成一团」。

在作者自己公布的测试里，挂在阿里 Z-Image-Turbo 6B 上的版本，2 步生成时中文长文字得分 94.25%、英文 90.20%，是同一预算下对比方法里最高的。但有两件事必须先说清楚：代码开了，模型权重还没放；这些数字来自论文，不是第三方复现。

3 分钟看懂：它到底是什么

先说它不是什么。IDM 不是一个新模型，也不是一个能直接下载来画图的东西。它是一套训练/蒸馏方法——教一个已经存在的模型「少走几步也能画好」。

具体挂了两个底座：

• Z-Image-Turbo 6B：阿里 6B 级别的快速文生图模型
• Qwen-Image 20B：阿里更大的 20B 图像模型

同一个训练出来的权重，既能 1 步出图，也能 2 步出图，不用分别训两个版本。这是它比较实用的地方。

它解决的老问题：少步模型的字总是糊

少步生成（一步、两步出图）这两年很热，因为快、便宜。但这类模型有个老大难：提示词一长、文字一多，就开始出错——海报上的字缺笔画、菜单上的菜名串行、包装上的英文拼错。

过去的常规解法是「外挂一个裁判」：额外接一个 DINOv2 视觉编码器，或者训练一个判别器，来判断生成图跟真实图差在哪。问题是这样一来，训练链路变长、显存变高、部署也变麻烦。

IDM 的思路是：让生成器自己给自己当裁判。它保留了原本的 internal DMD 校正（负责把画面拉向真实分布），再加一条「特征矩匹配」约束——用生成器自己的 EMA 副本去对齐特征均值和每个维度的标准差。论文的原话是「不需要外部特征编码器」。

消融实验里，用自家 EMA 特征和用 DINOv2 特征的结果几乎持平：OneIG 53.06 对 53.00、GenEval 77.81 对 77.75、长文字 94.25 对 94.13。差距小到可以认为「外挂那一步可以省了」。

成绩单：涨了多少

以下均为论文与官方代码仓公布的数字，测试条件是 2 NFE（两次网络评估），都是百分比、越高越好。

Z-Image-Turbo 6B 底座上的横向对比：

• IDM：OneIG 53.06、GenEval 77.81、DPG-Bench 86.82、LongText-CN 94.25、LongText-EN 90.20
• Z-Image-Turbo++：52.50 / 75.70 / 85.86 / 91.62 / 89.88
• APEX：52.60 / 77.23 / 88.64 / 90.38 / 88.76
• 原始 Z-Image-Turbo：50.94 / 76.53 / 85.78 / 78.48 / 72.89

换成直白说法：中文长文字比 Z-Image-Turbo++ 高 2.63 个百分点，比 APEX 高 3.87 个百分点；英文分别高 0.32 和 1.44 个百分点。

Qwen-Image 20B 底座上，2 NFE 拿到 GenEval 0.91、FID 6.34、DPG-Bench 87.16%，FID 越低越好，6.34 是这套对比里不错的位置。

速度：单卡 A100 上的实测口径

官方给的延迟数字（单张 A100、BF16、batch size 1）：

• IDM（Z-Image）：1 步 0.25 秒，2 步 0.30 秒
• IDM（Qwen-Image）：1 步 0.35 秒，2 步 0.44 秒

吞吐量按 batch size 10 算，Z-Image 版约 5.2~5.4 张/秒，Qwen-Image 版约 3.3~3.4 张/秒。这个量级意味着：在单卡上做批量出图，成本主要压在显存和并发上，而不是「等模型一步步算」。

泼一盆冷水：三个必须知道的限制

第一，多步模型并没有被全面超越。 代码仓自己的表格里，Z-Image-Turbo 用 8 步时 LongText-EN 是 91.74，仍然高于 IDM 2 步的 90.20。也就是说，如果你不赶时间、只追求最高质量，多步依然有优势。IDM 赢的是「同样的步数预算下更好」，不是「彻底取代多步」。

第二，不是所有指标都第一。 DPG-Bench 上 APEX 的 88.64 高于 IDM 的 86.82。作者也在 README 里注明：各参考模型训练设置和数据不同，只能看受控消融那部分。

第三，也是最重要的一条：权重没放。 代码仓描述写得很直白——「Model weights: coming soon」，仓库只提供推理代码，Apache-2.0 许可。你现在能读到方法、能读代码，但还不能下载模型自己跑图。

怎么用：现在能做的三步

虽然权重没到，但今天就能动手的部分不少：

1. 看论文：arXiv 2610.39633，重点看第 2~3 节（internal DMD 的推导）和消融表，那才是这套方法真正的差异点。
2. clone 代码仓：github.com/inclusionAI/IDM，按 README 装依赖、跑推理脚本；现在能验证的是代码结构，不是效果。
3. 盯权重页：仓库和 HF Papers 页都会在权重放出时更新；如果你用的是 Z-Image-Turbo 或 Qwen-Image，等权重一到就能直接套。

另外一个对个人开发者友好的细节：LoRA r=64 只更新 0.4B 参数，2 NFE 下 GenEval 0.90、FID 6.41，保留了全量模型的大部分能力。这意味着以后在消费级卡上做微调，门槛会比全参训练低得多。

适用场景：谁该关注

• 做本地/私有化生图的团队：少步意味着显存和延迟都能降，尤其适合要批量出海报、菜单、包装稿的场景。
• 中文内容生产：中文长文字渲染一直是国产模型的短板，94.25% 这个数字如果复现成立，价值很直接。
• 要微调自己风格的开发者：LoRA 只动 0.4B 参数，训练成本可控。
• 研究少步蒸馏的人：把「外挂编码器」这一步去掉，是一条能省工程复杂度的路子。

不适用的情况

• 今天就想出图的：权重没放，现在拿不到可跑的模型。
• 要做商用产品的：论文级方法 + 未发布的权重，离产品化还有距离，别把排期压在这上面。
• 追求极致画质的：8 步参考模型在英文长文字上仍然更高，画质评估也不能只看一张表。
• 用非这两个底座的模型：目前只验证了 Z-Image-Turbo 和 Qwen-Image，换底座要重新训。

避坑：三个常见误会

• 把「2 步超过 8 步」当成普遍结论：超过的是「同预算对比方法」，8 步参考在英文长文字上依然领先。
• 把论文数字当成实测：README 明确写了「All values below are reported in the paper」，不是跑仓库测出来的。
• 以为开源代码就等于开源模型：代码 Apache-2.0，权重 coming soon，这是两件事。

成本与时间预估

按官方口径，单张 A100 上 2 步出图 0.3 秒左右。如果你现在用 20~40 步的模型，理论上单图耗时能压到原来的十分之一量级——但注意，这只是采样阶段的账，文本编码、VAE 解码、排队调度这些固定开销不会跟着缩。真实收益要按你整条链路的瓶颈来算。

行动建议：接下来盯这四件事

1. 权重是否放出——这是从「能读」到「能用」的唯一开关，第一优先。
2. 是否有人复现 94.25——第三方跑出来的数字才算数。
3. ComfyUI / diffusers 是否原生支持——决定普通玩家能不能一键用上。
4. LoRA 生态是否跟进——0.4B 参数的微调如果跑通，风格模型会很快冒出来。

参考来源

• arXiv：Intrinsic Distribution Matching（2610.39633，2026-10-29）https://arxiv.org/abs/2610.39633
• GitHub：inclusionAI/IDM 官方推理代码仓（Apache-2.0，2026-10-29 创建）https://github.com/inclusionAI/IDM
• 官方项目页：IDM — Intrinsic Distribution Matching https://inclusionai.github.io/IDM/
• AI Weekly：Inclusion AI's IDM Tops 2-NFE Text Rendering Without External Encoder（2026-10-30）https://aiweekly.co/alerts/inclusion-ais-idm-tops-2-nfe-text-rendering-without-external-encoder

（本文以蚂蚁 Inclusion AI 的论文、官方代码仓与项目页为主，结合 AI Weekly 的报道整理；所有分数均为论文自报，测试条件为 2 NFE，尚未有第三方复现。）