微软放出来的 Mage Flow，4B 规模的图像生成加编辑，MIT 协议。结构上是一个轻量的 latent tokenizer 配原生分辨率的多模态 DiT，重点全在原生这两个字：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。
官方给的 GenEval 是 0.90，开源里排最前面，而被它压住的那些体量是它的五到八倍。
做法是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。参数量压到这个程度还能顶住指标，说明以前在分辨率处理上浪费掉的空间比大家想象的多。