微软放出来的 Mage Flow，4B 规模，图像生成加编辑，MIT 协议。我觉得值得拆开看的是它对分辨率的处理：
- 结构：一个轻量的 latent tokenizer，配原生分辨率的多模态 DiT。
- 原生到什么程度：512 到 2048 之间任意分辨率、任意宽高比直接出，不分桶也不补边，4:1 这种极端比例照样直生。
- 靠什么做到：逐样本的二维旋转位置编码加联合自注意力，变长的图文序列一起进注意力，比先分桶再对齐干净不少。
- 指标：官方给的 GenEval 是 0.90，开源里排最前面，被它压住的那些模型体量是它的五到八倍。
参数压到这个程度还顶得住指标，我的理解是，以前在分辨率处理上浪费掉的空间，比大家想象的要多。