解读：AI生成未来
亮点直击
极致高效的训练效率：Glance仅需一张训练图像，在单张V100 GPU上不到一小时即可完成整个加速适配过程。这一效率远超传统蒸馏方法——例如DMD2需耗费3840个GPU小时，而Glance几乎实现了“零成本”部署。
非均匀加速策略：不同于一刀切的均匀跳步方式，Glance创新性地提出“慢-快”（Slow-Fast）分阶段加速机制。在扩散早期语义构建阶段采用较慢节奏保留结构完整性，在后期细节优化阶段则大幅跳步提升速度，精准匹配扩散模型内在动力学。
即插即用架构：无需从头训练或微调庞大的学生模型，Glance通过两个轻量级LoRA适配器挂载于冻结的基础模型之上，即可实现高效推理加速。该设计不仅节省资源，还展现出惊人的跨提示泛化能力，即便面对未见过的复杂文本描述也能稳定输出高质量图像。
解决的问题
推理延迟高企：标准扩散模型通常需50步以上去噪才能生成清晰图像，高昂的计算开销严重制约其在移动端或实时场景中的落地。
蒸馏成本与微调困境：现有少步数蒸馏方案如LCM、DMD2依赖大规模数据集和长时间训练，且一旦微调极易导致图像模糊或语义失真，实用性受限。
效率与泛化的两难：如何在极低数据量（甚至单样本）和有限算力条件下，既实现显著加速又不牺牲生成质量？Glance为此提供了全新解法。
提出的方案
Glance框架基于对扩散过程的深入观察——早期阶段主导全局语义生成，后期则聚焦纹理细节。据此，系统引入两个阶段专属的LoRA专家：
Slow-LoRA：负责高噪声阶段（前20步左右），以较低加速比保留关键语义结构；
Fast-LoRA：接管低噪声阶段（后30步），以高倍率跳步快速完成细节渲染。
为确保加速轨迹的准确性，Glance采用流匹配（Flow Matching）作为监督信号，直接让LoRA学习目标速度场，而非传统分数匹配路径，从而在极少样本下高效提取生成先验。
应用的技术
LoRA（低秩适配）：通过在预训练权重旁路注入低秩矩阵，实现参数高效微调，避免全模型更新带来的显存压力。
流匹配目标函数：绕过冗余的噪声尺度估计，直接回归从噪声到干净图像的连续速度场，极大提升小样本下的训练稳定性。
信噪比（SNR）驱动的阶段划分：以物理意义更明确的SNR替代简单时间步索引，动态界定“慢”与“快”的边界，使专家分工更契合扩散过程的本质特性。
达到的效果
在FLUX.1-12B与Qwen-Image-20B两大主流文生图模型上，Glance将推理步数压缩至8–10步，实现约5倍加速。
生成质量几近无损：在OneIG-Bench、HPSv2和GenEval三大权威评测中，性能分别达教师模型的92.60%、99.67%和96.71%，视觉细节与语义一致性高度保留。
泛化能力突出：即便仅用一张图片训练，模型仍能准确响应包含文字、多对象、风格迁移等复杂提示，展现出超越数据规模限制的适应性。
实验验证表明，Glance的“慢-快”非对称设计优于均匀跳步或单一LoRA方案；而训练数据从1张增至100张并未带来显著收益，印证了阶段对齐与目标函数设计比数据量更为关键。最终，这一轻量、高效、即插即用的加速范式，为大规模扩散模型在资源受限环境下的部署开辟了新路径。
