AI画一张图等一分钟的日子该结束了：阿里云3篇顶会论文，和那个“6步出图”的加速版，其实是一条暗线

AI画一张图等一分钟的日子该结束了：阿里云3篇顶会论文，和那个“6步出图”的加速版，其实是一条暗线

如果你最近用 AI 画过图，大概都经历过这种煎熬：输入一句描述，点下生成，然后盯着进度条一格一格往前爬。20 步、30 步、40 步，一张 1024 的图，运气好等四十秒，机器一般就得等一分多钟。

想改个细节？再来一遍。想换个背景？再来一遍。一晚上下来，图没出几张，咖啡喝了两杯。

所以最近 AI 圈子里有两件事特别值得说道说道：一件是阿里云和上海交大的 3 篇论文被视觉顶会 ECCV 2026 收录，主攻的就是“让 AI 画图少烧算力、少花时间”；另一件是开源社区里那个把 40 步压到 6 步的加速模型，已经能让人实打实地在自家电脑上跑起来了。

看起来一个在实验室，一个在玩家手里，其实这俩讲的是一回事。

一、先说个残酷的真相：AI 画图，大部分算力都花在“重复劳动”上

现在主流的 AI 画图模型，骨子里是一种叫 DiT 的结构，你可以把它想象成一位特别较真的画家。

他不会一上来就画成品，而是先铺一层灰蒙蒙的底，然后一笔一笔擦掉、重画、再擦掉、再重画，重复几十遍，画面才慢慢“显影”出来。这几十遍里，每一遍都要把整张图从头算一次——哪怕这一遍和上一遍几乎没变化。

这就是为什么你的显卡风扇狂转，画出来的却是半分钟后的那一张。

阿里云和上海交大张林峰团队这次入选 ECCV 的三篇论文，干的其实是同一件事的三个角度：怎么让这位画家别做无用功。

二、三篇论文，说白了是三招“偷懒的艺术”

第一招：抄近道，但每步都偷偷校正。

既然相邻两次画出来的东西差不多，那能不能直接“抄上一遍的答案”？能，但抄多了会糊。第一篇论文做的事，就是给这种“抄答案”加上一套实时纠偏机制——就像开车时不用每公里重新规划全程路线，只需在路口微调方向盘。快了，还不跑偏。

第二招：不是每块画布都值得精雕细琢。

一张人像图里，脸和手要画细，大片天空和纯色背景其实没必要每一遍都重算。第二篇论文的思路是把画面拆成“值得细看”和“可以大致带过”的两类区域，把算力预算往刀刃上挪。有意思的是，据官方介绍，这其中被称作 LinCa 的工作在 Qwen-Image-Edit 上测试时，对提示词的理解反而更准了——也就是说，省了力气，没丢脑子。

第三招：会动的画面，只算变化的部分。

这是针对视频生成的。第三篇论文叫 AViTS，思路很像我们熟悉的视频压缩：一帧里没变化的地方，凭什么每一帧都重算一遍？挑出真正在动的“重点区块”去算就行。

官方给出的成绩单是：算力需求最高节省近 90%，综合提速最高达 14.76 倍。而且这不是躺在论文里的数字，三项技术已经整合进阿里云自研的推理加速引擎，落到了面向游戏美术、电商素材的一站式 AIGC 平台上。

换句话说，论文不是写给评审看的，是准备直接给设计师省电费的。

三、另一条暗线：社区里那版“6 步出图”，走的是完全不同的路

论文的思路是：模型不变，改“怎么算”。

而开源社区那个加速版的做法更直接：模型本身被重新教了一遍，让它学会少画几笔也能画好。

它的做法叫“蒸馏”，你可以理解成老教授带徒弟。老教授画 40 笔能出精品，徒弟在旁边看了成千上万次，慢慢学会“第 3 笔和第 4 笔其实可以合并”“这一笔力度要减半”。最后徒弟只画 6 笔，出来的东西，多数情况下老师傅自己都得凑近看半天才分得清。

这个加速版最讨喜的地方在于它足够“轻”：

• 主体模型一个字没改，只外挂了一个 1.3GB 的“加速补丁”，随时能装能卸；
• 还有一个 0.7GB 的精简版，效果几乎不掉；
• 连“负面提示词”这道工序都省了，因为它在训练时就不依赖这套机制；
• 端到端速度大约是原版的5 倍，原本要跑 40 步的活，现在 6 步交差。

更妙的是它的升级思路很坦诚：作者自己说，6 步基本已经到瓶颈了——想更清晰就会多噪点，想更干净就会偏软。于是新版又加了个“9 步模式”：先用加速版跑 7 步，最后 2 步切回原版模型收尾。时间多花四成，但小字、细纹理明显更靠谱，整体依然比原版快三倍多。

这就是我认为最有意思的地方：论文在“少算”上做文章，社区加速版在“少画”上做文章，两条路最后指向的是同一个结果——让普通人等得起。

四、真实体验：到底快多少，门槛高不高？

说点具体的。

用加速版在 ComfyUI 里跑 1024 级别的人像或商品图，6 步基本是“点一下，起身倒杯水，回来就出图”的节奏。社区里同类加速方案的实测数据也印证了这一点：有人在 4090 上跑 4 步流程，端到端不到 30 秒；也有测试显示，加速版的显存峰值能压到 10GB 上下，一张消费级显卡就能扛。

这个加速版还把“图生图”和“指令修图”一起做了。比如下面这两张示例素材，一张人像、一张猫，你只需要写一句“让图 1 里的女士抱起图 2 里的猫，保留原背景”，它就能把两张图揉进同一张画面里：

对做自媒体、电商主图、封面配图的人来说，这个能力比“画得有多艺术”实用得多——你要的往往不是一张惊艳的画，而是一张能马上发出去的图。

当然，丑话也得说在前面：

• 它不是什么都能替代原版。复杂的多图合成、换脸、需要严格保持人物身份的操作，偶尔还是会出现重影、串脸；
• 小字和长段文字容易糊，海报上那行促销文案，最好还是后期自己加上去；
• 颜色会比原版淡那么一点点，追求浓郁风格的得手动调;
• 显存不是零门槛。走量化版本的话，模型文件从 4.3GB 到 7.7GB 不等，画质越好的越大；完整工作流在 1248×832 下峰值能到 26GB 左右，属于“有张好点的显卡就舒服，笔记本核显就别硬撑”的级别；
• 还有一个容易被忽略的点：它挂的是研究许可，默认只能非商用。真拿去做生意，得单独谈授权。

五、把两件事放一起看，才有意思

过去我们总有一种错觉：顶会论文是“三年后才用得上”的东西，开源加速版是“玩家自己折腾的野路子”。

但这次两条线几乎是贴着走的：论文在讲如何跳过重复计算、如何只算关键区域、如何压缩时间步；而社区加速版在做的，是把几十步的时间表重新设计成六格，还专门配了一套自己的“节奏表”——哪一步该多用力、哪一步该收手，全是调出来的经验。

一个是从算法层面“少算”，一个是从模型层面“少画”。真要叠加起来，理论上还能再快一截。这也解释了为什么最近半年，各家 AI 画图产品的出图速度肉眼可见地往上蹿——不是显卡变强了，是大家终于开始认真对待“浪费”这两个字。

写在最后

十年前，我们觉得“让电脑画一张不存在的照片”是科幻；两年前，我们觉得“等一分钟出图”是理所当然；而现在，已经开始有人嫌 6 步太慢、琢磨着怎么压到 4 步了。

技术前进的方式有时候挺朴素的：不是突然变聪明，而是把每一分力气都花在该花的地方。

最后留个问题给大家聊聊：如果 AI 出图真的快到“点一下就有”，你第一件想让它帮你干的事是什么？是给孩子画一本专属绘本，还是把家里那堆旧照片一张张修好？

评论区见。