Qwen-Image-Flash: Voorbij Objectief Ontwerp

Samenvatting

Weinig-stapsdestillatie is een effectieve strategie geworden voor het versnellen van geavanceerde visuele generatieve modellen, maar eerder werk heeft zich grotendeels gericht op distillatiedoelstellingen. In dit werk herzien we weinig-stapsdestillatie vanuit een complementair perspectief, waarbij we ons richten op het trainingsrecept dat de prestaties van de student kritisch beïnvloedt. Met Qwen-Image-2.0 als representatief geval onderzoeken we systematisch drie factoren in de destillatie van geünificeerde tekst-naar-beeldgeneratie en instructiegestuurde beeldbewerking: data-samenstelling, leraarbegeleiding en taakmix. Onze empirische analyse onthult verschillende niet voor de hand liggende gedragingen, die de ontwikkeling van Qwen-Image-Flash motiveren. Over het algemeen suggereren onze resultaten dat effectieve weinig-stapsdestillatie niet alleen zorgvuldig ontworpen doelstellingen vereist, maar ook een principiële organisatie van de bredere trainingspijplijn.

English

Few-step distillation has become an effective strategy for accelerating advanced visual generative models, yet prior work has largely focused on distillation objectives. In this work, we revisit few-step distillation from a complementary perspective, focusing on the training recipe that critically shapes student performance. Using Qwen-Image-2.0 as a representative case, we systematically investigate three factors in unified text-to-image generation and instruction-guided image editing distillation: data composition, teacher guidance, and task mixture. Our empirical analysis reveals several non-obvious behaviors, which motivate the development of Qwen-Image-Flash. Overall, our results suggest that effective few-step distillation requires not only carefully designed objectives, but also principled organization of the broader training pipeline.