主流文生图模型（Stable Diffusion、FLUX、Z-Image 等）都在"潜空间"里工作——先用 VAE 把图像压缩成小尺寸的隐向量，在隐向量上做扩散，最后再解码回像素。这条路线效率高，但 VAE 本身会引入信息损失，细节还原和高频纹理一直是瓶颈。

腾讯优图实验室刚刚开源的 L2P（Latent-to-Pixel）提出了另一条路：把已经训练好的潜空间扩散模型，用极低成本迁移到像素空间，直接在原始像素上做端到端生成，彻底绕开 VAE 解码带来的质量上限。

L2P 做了什么

L2P 不是从零训练一个像素空间模型——那样成本太高。它的核心思路是"迁移"：

1. 拿一个现成的潜空间 DiT 模型（比如 Z-Image-Turbo）的权重
2. 通过专门设计的权重转换脚本，把这些权重初始化为像素空间模型的起点
3. 用少量数据和算力做微调，就能得到一个在像素空间直接生成的模型

论文称这种方式为"解锁潜在潜力"——潜空间模型已经学到了丰富的图像语义，L2P 只是把这些知识搬到像素空间去发挥。

模型规格

• 参数量：6B（基于 Z-Image 架构）
• 输出分辨率：1024×1024
• 推理方式：端到端像素生成，无需外部 VAE
• 路线图中提到 4K/8K/10K 超高分辨率生成正在开发

开源了什么

5 月 22-23 日，L2P 一次性放出了完整的开源包：

• 1K 分辨率推理代码和预训练权重（HuggingFace 可下载）
• 完整训练代码（包括权重转换、训练、合并三步流程）
• 训练数据集
• HuggingFace 在线 Demo（由 multimodalart 社区搭建）

对研究者来说，这意味着可以拿自己的潜空间模型做同样的迁移实验；对开发者来说，可以直接跑推理看效果。

像素空间生图有什么好处

潜空间路线的核心问题是 VAE 的信息瓶颈：压缩比越高，细节丢失越多；压缩比低，计算量又上去了。像素空间生成绕开了这个两难：

• 理论上没有 VAE 引入的模糊和伪影
• 高频细节（文字、纹理、细线条）保留更完整
• 模型输出就是最终图像，不需要额外的后处理步骤

代价是计算量更大——像素空间的序列长度远超潜空间。L2P 的贡献在于证明了通过迁移学习，可以用相对低的训练成本获得像素空间的质量优势。

局限

• 目前只支持 1K 分辨率，更高分辨率还在开发中
• 推理速度比同参数量的潜空间模型慢（像素序列更长）
• 仅支持文生图，暂无图像编辑、图生图等扩展能力
• 兼容更多潜空间模型的适配工作仍在进行中

小结

L2P 代表了文生图技术路线的一个有趣分支：不是在潜空间里继续卷，而是把潜空间模型的能力"搬"到像素空间。对于追求极致细节还原的场景（文字渲染、纹理生成、医学影像等），这条路线值得关注。

本文基于 GitHub 开源仓库、arXiv 技术报告及 HuggingFace 模型页整理。

参考来源

• https://github.com/TencentYoutuResearch/T2I-L2P

说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。