0.2B 参数的小模型，比 10B 的还能打

0.22B vs 11.9B，差了 54 倍#

FLUX.1-Fill-Dev，当前最火的图像修复模型之一，参数量 11.9B。

Moebius，来自华中科技大学的研究团队，参数量 0.22B——连对手的 2% 都不到。

54 倍的参数差距，放在任何 AI 领域都是碾压级的劣势。但 Moebius 在 6 个基准测试（Places2、CelebA-HQ、FFHQ 等）上跑出的结果，和 FLUX.1-Fill-Dev、SD3.5 Large-Inpainting 这些 10B 级模型打成了平手，甚至在某些指标上更胜一筹。

参数少了 50 多倍，性能没缩水，推理速度反而快了 15 倍——单张 GPU 上每步仅需 26 毫秒。

小模型背后的两个秘密#

Moebius 的轻量化不是靠”砍掉层数”这种粗暴方式实现的。它用了一个叫 LλMI Block 的架构设计。

常规的图像修复模型在做自注意力计算时，复杂度随图像分辨率平方级增长。一张大图的修复，计算量暴涨到难以承受。LλMI Block 把自注意力和交叉注意力重构成了固定大小的线性矩阵，绕过了平方级计算。无论图片多大，计算的”瓶颈”都被锁定在可控范围内。

另一个关键是自适应多粒度蒸馏。研究团队此前开发了一个更大的模型 PixelHacker，Moebius 不是从头训练，而是从这位”老师”那里蒸馏知识。但蒸馏不是简单复制——不同区域、不同纹理需要不同粗细粒度的指导，Moebius 学会了”按需取经”。

打个比方：LλMI Block 是把高速公路改建成了高效的轨道交通，不管多拥堵的路况都能准时到站；自适应蒸馏则是给模型配备了一个聪明的导师，知道什么时候该讲细节、什么时候讲大局。

消费级显卡跑出专业效果#

大部分 10B 级模型需要多张高端 GPU 才能跑推理，Moebius 一张消费级显卡就搞定了。

26 毫秒每步的推理速度意味着交互式的编辑体验不再是奢望。你不需要昂贵的云服务，不需要等待漫长的排队，在自己的台式机上就能实时涂抹、修复图像。

这在图像修复的应用场景中是一个实质性的变化。设计师、摄影师、内容创作者——那些买不起 A100 集群的个人创作者——现在有了一个真正可用的选择。

开源、可复现、来自中国高校#

Moebius 的代码和论文已经公开，GitHub 和 arXiv 均可获取。华中科技大学团队延续了他们在视觉 AI 领域的一贯风格——不做黑盒，不画大饼，直接给可复现的成果。

从技术路线来看，“小模型 + 蒸馏 + 高效架构” 正在成为视觉 AI 的一条主流路径。Moebius 证明了 0.2B 级的模型完全有能力挑战 10B 级的表现，只要架构足够聪明、蒸馏足够精准。

大模型不是唯一的答案。有时候，小一点，反而更管用。