Iris-3B无VAE像素扩散 性能比肩Qwen

时间：2026年10月11日 地点：全球（Speridlabs Research） 人物：项目负责人 Hanqiu Li Cai、Chema Garabito、Speridlabs 团队 事件：Speridlabs 在 Hugging Face 开源 Iris-3B，一个 30 亿参数的像素空间（pixel space）扩散 Transformer。模型跳过传统 VAE 潜在空间，直接在像素层面生成 1024×1024 图像，并可零架构改动地微调为通用视觉学习器，承担深度估计、图像修复、超分辨率等密集视觉任务。 技术亮点： - 30 亿参数 flow-matching 扩散 Transformer，8 个双流 + 16 个单流模块 - 文本编码器冻结 Qwen3-VL-4B-Instruct - 16×16 像素分块 + 小型 PiT 头还原像素 + 2D RoPE 支持任意长宽比最高 100 万像素 - 全套 Apache 2.0 开源（含权重 + 代码 + 深度/超分小模型各约 12GB） 官方 1024² 基准对比（无提示重写、无 best-of-N）： - Iris-3B：GenEval 0.798 / DPG 86.52 / LongText 0.857 / OneIG 0.540 - Z-Image 6B：0.84 / 88.10 / 0.935 / 0.546 - Qwen-Image 20B：0.87 / 88.30 / 0.943 / 0.539 - HiDream-I1-Full：0.83 / 85.89 / 0.543 / 0.477 - FLUX.1-dev 12B：0.66 / 83.80 / 0.607 / 0.434 对比意义：Iris-3B 仅 3B 参数，体量约为 Z-Image 6B 的一半、Qwen-Image 20B 的七分之一，但在 DPG / LongText / OneIG 等关键指标上与 Qwen-Image 20B 基本持平，提示无需 VAE 压缩的像素级扩散路径具备可行性。Speridlabs 同时放出深度估计、超分辨率与图像修复三个微调版本，把生成式先验直接复用到下游密集视觉任务，目标是把生成器升级为 DINOv2 类的视觉基础模型。 影响：3B 小模型以最少训练算力逼近 20B 级表现，会给 FLUX、Qwen-Image 等大厂图像模型带来「参数效率」竞争压力；同时把生成先验与视觉基础模型能力合并，省掉 VAE 编码-解码链路，给社区一条新的可复现路径。 总结：Iris-3B 是一次「像素级扩散 + 通用视觉」的工程化实验。它没有刷新 SOTA，但用 7 倍参数优势逼近 Qwen-Image 20B 的核心指标，并一次性开源 T2I、深度估计、超分辨率三种权重，让「生成器即视觉基础模型」的设想首次具备可落地的开放权重。