Accelerare i modelli di diffusione per la generazione di immagini mantenendo la qualità e senza dover riaddestrare nulla è uno degli obiettivi più ambiti nel settore. Un team di ricerca ha pubblicato MrFlow, una strategia che colpisce proprio questo bersaglio.

MrFlow sfrutta un approccio a più risoluzioni senza bisogno di training aggiuntivo. Il processo inizia generando la struttura principale dell’immagine a bassa risoluzione, poi applica un modello GAN leggero preaddestrato per il super-resolution nello spazio dei pixel. Introduce quindi una piccola quantità di rumore a bassa intensità per agevolare il ricampionamento delle alte frequenze e infine rifinisce i dettagli alla risoluzione finale. Il tutto avviene con un controllo granulare tramite strumenti standard: PyTorch, le pipeline Diffusers e la gestione degli scheduler.

I risultati sono netti. Su FLUX.1-dev lo speedup end-to-end è di 8,25x, mentre con Qwen-Image si arriva a 10,3x. Se abbinato a modelli già distillati temporalmente come Pi-Flow o FLUX-schnell, MrFlow raggiunge accelerazioni fino a 25x, come nel caso di Qwen-Image con Pi-Flow. La metrica OneIG, indicatore della qualità percepita, rimane entro l’1% dal valore originale, segno che l’accelerazione non degrada il risultato visivo. E tutto funziona senza personalizzazioni di sistema: niente kernel custom, nessuna ottimizzazione hardware-specifica né reidentificazione dinamica a runtime.

La portabilità è un altro punto di forza. La struttura modulare di MrFlow è stata testata con successo su diverse famiglie di modelli – Qwen-Image, FLUX.1-dev, FLUX.2 Klein, Z-Image – e il codice è già disponibile su GitHub con un plugin per ComfyUI.

Per chi valuta il deployment on-premise di modelli generativi, MrFlow segna un passo avanti concreto. Tecniche training-free e hardware-agnostic riducono la dipendenza da GPU di fascia alta o da catene di ottimizzazione complesse, abbassando il TCO e semplificando la gestione. Su AI-RADAR abbiamo analizzato più volte i trade-off dell’inference locale: chi cerca controllo sui dati, assenza di vincoli di licenza e costi prevedibili trova in metodi come questo un alleato per portare workload di generative AI in casa senza sacrificare le prestazioni. MrFlow non è un esperimento isolato: si inserisce in una tendenza più ampia verso pipeline auto-consistenti che avvicinano la generazione d’immagini a server e workstation ordinari.