我的判断是：生图架构这一轮在往流匹配走，而且一个模型同时吃文本和图像输入的设计已经开始冒出来了。流匹配这类路线正在替代一些传统做法。
站在做底层的角度，说两点为什么值得关注。
一是流匹配本身。 多步去噪是一步一步把噪声往回推，路径绕；流匹配的训练目标更直，采样路径更短。路径短，步数就有压的余地，加速手段也更好往上套，部署和加速的工程空间明显比以前大。
二是统一入口。 以前编辑一套分支、参考图一套分支、条件控制再一套，各搭各的，维护起来很碎。文本和图像走进同一个入口之后，这几样不用再分开搭，架构能收敛不少。我觉得真正有意思的是这一点，比单纯快几步更有意义。
当然收敛不是白来的。入口一合并，显存怎么占、批处理怎么调度都会跟着变，原来那套成本估算基本得推倒重来，落地时这笔账得重新算。
我手上还缺的一块，是两种模态具体怎么对齐之后一起喂进去的，这块挺想找时间扒一下。