Lens 是微軟研究院在六月開源的文生圖模型，3.8B 參數、MIT 授權，可商用。它的論文標題是「重新思考文生圖模型的訓練效率」，主張很直接：圖片的文字描述寫得夠好，模型不用大。它用來訓練的 8 億張圖，每一張都由 GPT-4.1 重新寫過平均 109 個英文字的長描述，模型本身只有 3.8B，卻配了一個 20B 的語言模型當文字編碼器。
論文也把對手點名了：遵循度測試贏過 Flux.2 Klein 與 Z-Image、接近 Qwen-Image；長文字渲染贏過 Z-Image Turbo。這三個對手我電腦裡都有，所以這篇就照上一篇 HiDream-O1 的做法，官方說什麼，就在自己的電腦上用同樣的題目對照，看對不對。
另外還有一件我自己很想弄清楚的事。Lens 有一個 4 步的 Turbo 版，我上個月跑過 35 題，很多題目 Turbo 看起來比 20 步的標準版還好看。這次一起把原因找出來。
快速結論
- 測出來成立的說法：遵循度（模型有沒有照 prompt 畫）贏過 Flux.2 Klein，12 題「數量、顏色、位置」的考題 Lens 只錯 1 題，Klein 錯 3 題；長 prompt 裡的細節（檯燈顏色、腳印、杯子數量）Lens Turbo 幾乎都有畫出來
- 看不出差別的說法：論文說贏過 Z-Image，在我的電腦上看不出差距，Z-Image Turbo 也只錯 1 到 2 題
- 測出來不成立的說法：英文長文字沒有贏過 Z-Image Turbo，反而是 Z-Image 與 Qwen 2512 幾乎逐字全對；Lens 的正確率排在六家中間，而且它會把整段文字縮得很小，錯字不容易一眼看出來
- 繁體中文：官方自己也說非英文的文字比較弱，實際測起來確實如此，還會把繁體 prompt 畫成簡體字
- Turbo 為什麼比標準版好看：不是參數的問題。標準版從 CFG 2 試到 5、步數加到 40，畫面幾乎一樣；Turbo 是另外蒸餾出來的模型，本來就長得不同。日常使用選 Turbo 就好
先認識一下這個模型
先解釋兩個名詞。
文字編碼器：生圖模型看不懂英文，需要一個「翻譯官」先把你的 prompt 轉成模型看得懂的數字。大部分模型用的翻譯官是 CLIP 或 T5 這類專門訓練來理解圖文的小模型；Lens 直接用 OpenAI 開源的 GPT-OSS 20B 語言模型當翻譯官，而且不是只拿最後一層的輸出，是把第 4、12、18、24 層的理解結果拼在一起送給畫圖的部分。官方說這是它遵循度好、也能看懂中文 prompt 的原因。這個翻譯官比畫圖的模型本身大五倍，所以雖然模型只有 3.8B，硬碟還是要準備 20GB 以上。
長描述訓練：訓練生圖模型需要「圖片加上描述」成對的資料。一般資料集的描述很短，例如「一隻狗在草地上」；Lens 把 8 億張圖全部用 GPT-4.1 重寫成平均 109 個字的長描述，把衣服材質、光線方向、鏡頭都寫進去。論文主張這樣每一張圖能教給模型的東西多很多，所以用 Z-Image 不到兩成的算力就能訓練到同等水準。
它有三個版本：
- Lens-Base：50 步的基礎版
- Lens：Base 再經過強化學習調整，官方預設 20 步、CFG 5，這篇說的「標準版」就是它
- Lens-Turbo：蒸餾成 4 步、不用 CFG 的快速版
三個版本共用同一個文字編碼器與 Flux.2 的 VAE，原生解析度最高 1440×1440，長寬比從 1:2 到 2:1。
官方也寫了限制：主要用英文資料訓練，非英文的文字渲染會比較弱；罕見的物件組合與複雜版面可能做不好。這篇會一項一項測試對照。
還要先解釋一個會反覆出現的詞：GenEval。它是學術界常用來考生圖模型的一張考卷，題目都是「兩顆紅球在藍色方塊左邊」這類短句，由程式自動檢查畫出來的數量、顏色、位置對不對，滿分 1。論文說 Lens 得 0.93、Klein 0.85、Z-Image 0.84，這篇的 C 章就是照這種題型自己出題。
這次怎麼測
| 章節 | 要回答的問題 | 測法 |
| A Turbo 與標準版 | 4 步的 Turbo 為什麼常比 20 步標準版好看 | 上個月跑過的 35 題，標準版同一個 seed 再跑 CFG 2、CFG 3.5、以及 40 步，跟原本的 CFG 5 與 Turbo 排在一起看 |
| B 短句與長句 | 用長描述訓練的模型，給短 prompt 會不會反而畫不好 | 8 個場景各寫一句 10 個字的短版與一段 110 字的長版，Lens Turbo、Mage-Flow Turbo、Krea2 Turbo 同 seed 對照 |
| C 遵循度 | 論文說贏 Klein 與 Z-Image | 12 題數量、顏色、位置、兩個物件、罕見組合的考題，Lens、Lens Turbo、Flux.2 Klein 9B、Z-Image Turbo、Qwen 2512、Mage-Flow Turbo 六家同題 |
| D 英文長文字 | 論文說贏 Z-Image Turbo | 6 題每題含一段 30 到 60 字的英文，必須逐字出現，同樣六家 |
| 繁體中文 | 官方自己也說比較弱，實際弱到什麼程度 | 我固定用的 53 題繁體中文題庫全跑 |
每一家都用 ComfyUI 官方範本的取樣設定與各自的原生解析度，Lens 是 1440×1440，其他是 1024×1024。Mage-Flow 也是微軟出的小模型，跟 Lens 剛好是同門、不同路線（它用 Qwen3-VL 4B 當文字編碼器），所以放進 B 章當對照。
C 章的六家對照可以順便看出各模型的風格差異，不過這篇只看遵循度，不評美感。
A. Turbo 為什麼比標準版好看：不是 CFG，也不是步數
先說 CFG 是什麼。CFG 是生圖時「要多聽 prompt 的話」的旋鈕，數值越高，畫面越會照著 prompt 的描述走，對比也越強；太高就會出現顏色過飽和、邊緣過硬的 AI 感。官方範本標準版是 CFG 5，我原本懷疑這個值偏高，才讓標準版看起來不如 Turbo。
所以同一個 seed，標準版跑了 CFG 2、CFG 3.5、CFG 5，再加一組 40 步的 CFG 5，跟 Turbo 排在一起：
結果出乎意料。標準版的四張圖構圖幾乎一模一樣，CFG 只改變對比與飽和度，40 步跟 20 步肉眼看不出差別。Turbo 那張則是完全不同的構圖，人物站位、衣服、光線都不一樣。
再看細節。這一題標準版的打字機鍵盤、紙張上的字都比 Turbo 多，Turbo 的小貓比較像一張乾淨的照片。哪一張比較好看，其實每一題答案不同：
肖像這題 Turbo 的皮膚自然，標準版 CFG 5 那張臉部的皮膚看起來比較生硬、不自然。但打槌球那題標準版的服裝細節與場景層次反而比 Turbo 豐富。我試著找一個「最好的 CFG」，找不到，有的題目 CFG 高 AI 感太重，有的題目 CFG 高反而好看，CFG 高也比較容易出現比例或結構上的錯誤。
結論是這不是參數可以調出來的差別。Turbo 是從標準版蒸餾出來的另一個模型，蒸餾過程本身改變了它的畫風，偏向乾淨、照片感；標準版保留較多細節，但也帶著較多的雜訊與硬邊。官方範本的 CFG 5 是合理的預設值，不用改。想要哪一種畫風，換模型比調參數有效。
日常使用我會選 Turbo，4 步比 20 步快很多，大部分題目也比較耐看。需要細節密度的題目（機械、織物、大量小物件）再換標準版。
B. 短句與長句：長描述訓練的模型不怕短 prompt
論文的核心主張是長描述訓練有效，我想反過來問：一個只看過長描述的模型，給它 10 個字會不會不知道怎麼畫。
8 個場景各寫兩版。短版像一般人隨手打的：「一個女人在有陽光的咖啡館看書」；長版照 GPT-4.1 寫描述的口吻，把年齡、衣服材質、桌上的東西、光線、鏡頭焦段全部寫進去，大約 110 個字。三家同 seed：
短版三家都畫得很正常，Lens Turbo 沒有因為 prompt 短就崩掉。長版才看得出差別：prompt 裡寫的綠色玻璃燈罩的檯燈、有奶泡痕跡的卡布奇諾、捲到手肘的亞麻襯衫，Lens Turbo 與 Mage-Flow 都畫出來了，Krea2 漏了檯燈。
狐狸這題長版寫了「一排腳印朝鏡頭延伸」，Lens Turbo 與 Mage-Flow 有腳印，Krea2 沒有而且狐狸縮得很小。
八組看下來，短 prompt 三家差不多，長 prompt 的細節遵循 Lens Turbo 與 Mage-Flow 最完整。我原本的擔心沒有發生，長描述訓練沒有讓它變成只會畫長句的模型。
有一個小地方值得提。短版的「兒童房裡都是玩具」，Lens Turbo 自己加了兩個小孩進去，其他兩家都只畫房間：
它會自行補充 prompt 沒寫的內容，這在 prompt 短的時候是好是壞，看你的需求。
C. 遵循度：贏過 Klein 是真的，贏過 Z-Image 看不出差別
論文用的遵循度測試就是前面說的 GenEval，考的是很基本的事：數量對不對、顏色有沒有畫在對的東西上、左右上下的位置對不對、兩個不相干的東西能不能同時出現。我照這個方向自己寫了 12 題，不用論文的原題，六家同 seed。
先看數量題，「剛好五顆氣球：兩紅、兩黃、一綠」：
Lens 兩個版本、Z-Image、Mage-Flow 都是五顆，顏色也對；Klein 只畫了四顆，Qwen 畫成一串六顆以上。
顏色綁定最難的一題是「綠蘋果放在紫色盤子上，粉紅色香蕉放在盤子旁邊」：
顏色六家都對，但「香蕉在盤子旁邊」只有 Qwen 做到，其他五家都把香蕉放到盤子上。這是 Lens 唯一明確畫錯的一題。
複合條件題「兩隻黑貓坐在黃色車頂上，一隻橘貓站在車子右邊的地上」：
Lens 兩個版本、Klein、Z-Image、Qwen 都對，Mage-Flow 只畫了一隻黑貓。「四張木椅一排，只有左邊數來第二張漆成藍色」：
Lens、Z-Image、Qwen 對；Klein 把第三張也漆成白色，Mage-Flow 漆了兩張藍的。
12 題我逐張核對，畫對的題數：
| 模型 | 12 題畫對 | 錯在哪 |
| Lens | 11 | 香蕉放到盤子上 |
| Lens Turbo | 11 | 同上 |
| Z-Image Turbo | 10 到 11 | 香蕉；書本數量疑似多一本 |
| Qwen 2512 | 10 | 氣球超過五顆；書本數量 |
| Flux.2 Klein 9B | 9 | 氣球只有四顆；椅子多漆一張；蝸牛的圍巾不明顯 |
| Mage-Flow Turbo | 9 | 黑貓只有一隻；椅子漆兩張；蝸牛的圍巾不明顯 |
有四題（三個杯子、紙飛機在魚缸上方、長頸鹿與紅綠燈、烤麵包機與小提琴）六家全對，難度太低，下次可以拿掉。
論文說 Lens 的遵循度贏過 Klein，在我的電腦上測出來也是這樣；說贏過 Z-Image，這 12 題看不出差距；跟 Qwen 則互有勝負。Lens 與 Lens Turbo 的遵循度一樣好，所以選 Turbo 不會犧牲這一項。
D. 英文長文字：沒有贏 Z-Image，而且它會把字縮小
每題有一段必須逐字出現的英文，例如黑板上的今日特餐：
Z-Image Turbo 與 Qwen 2512 整段正確；Lens 標準版大致對，但「kinetic」「sculpture」這類字會拼錯；Lens Turbo 比標準版差，「fresh」寫成「frow fresh」；Klein 與 Mage-Flow 錯得最多。
引言卡是最能看出差異的一題，只有兩句話、一個人名：
Z-Image 與 Qwen 逐字正確而且字排得大方；Lens 標準版把整段字縮得很小、擠在卡片中央，放大看還是有錯字；Lens Turbo 中間那幾行直接變成亂碼。
活動海報也一樣，標題「NIGHT OF SMALL MACHINES」Lens Turbo 寫成「SMAL」，Mage-Flow 寫成「SMAALL」：
六題看下來排名很清楚：Z-Image Turbo 與 Qwen 2512 最準，Lens 標準版排在中間，Lens Turbo 再差一級，Klein 與 Mage-Flow 最後。論文說 Lens 的長文字渲染贏過 Z-Image Turbo，我測出來的結果相反。
還有一個值得注意的習慣：Lens 遇到長段文字時傾向把字縮小、留很多白邊（書頁、展板、引言卡三題都是）。字小了錯字就不明顯，乍看完成度很高，放大才發現問題。核對文字的時候要記得放大看。
繁體中文：不行，還會漏簡體
官方自己也說非英文的文字渲染比較弱，53 題跑完確實如此，大字小字都不對，這裡只放一張代表：
「漫旅」寫成「湯旅」，副標題「一場永不結束的散步」被畫成簡體字「一场永不结束的散步」，而 prompt 明明寫的是繁體。這個現象在其他題目也出現，例如「週年慶」寫成「周年慶」。我的猜測是文字編碼器 GPT-OSS 看過的中文資料以簡體為主，模型把繁體 prompt 理解成簡體去畫。需要繁體中文的話，SenseNova U1.5 還是目前最穩的選擇。
該怎麼選
| 需求 | 建議 |
| 日常快速出圖 | Lens Turbo，4 步，遵循度與標準版一樣好，畫風乾淨 |
| 細節密度高的題目（機械、織物、大量小物件） | Lens 標準版，保留較多細節，接受它同時帶來的雜訊；CFG 維持官方的 5 |
| 長 prompt、要求很多細節都要出現 | Lens Turbo 或 Mage-Flow Turbo，兩家都比 Krea2 完整 |
| 數量、顏色、位置要精確 | Lens 或 Z-Image Turbo，兩家在這次的考題表現接近 |
| 一段完整正確的英文文字 | Z-Image Turbo 或 Qwen 2512，不要選 Lens |
| 繁體中文 | 不要用 Lens |
| VRAM 有限的電腦 | 文字編碼器就要 13GB，Lens 不是省資源的選擇；同樣是微軟出的 Mage-Flow Turbo 輕得多 |
想自己跑：ComfyUI 設定
| 檔案 | 下載 | 放置位置 |
| lens_turbo_bf16.safetensors（Turbo，約 8GB；另有 mxfp8 版） | Hugging Face Comfy-Org/Lens | models/diffusion_models/ |
| lens_bf16.safetensors（標準版，約 8GB；另有 mxfp8 版） | 同上 | models/diffusion_models/ |
| gpt_oss_20b_nvfp4.safetensors（文字編碼器，約 13GB） | 同上 | models/text_encoders/ |
| flux2-vae.safetensors（VAE，約 300MB；已有 Flux.2 的人不用重抓） | 同上 | models/vae/ |
ComfyUI 原生支援，範本在「Lens」與「Lens Turbo」兩個工作流裡。幾個實測的備註：
- 官方設定標準版 20 步、CFG 5，Turbo 4 步、CFG 1。標準版的 CFG 不用調，調了畫面也差不多；步數加到 40 沒有差別
- 範本裡有一個 CFGNorm 節點與 ModelSamplingFlux 節點（max_shift 1.15、base_shift 0.5），照範本接就好
- 原生解析度 1440×1440，比一般的 1024 大，生成時間也相對長；Turbo 4 步是最實用的組合
- 文字編碼器很大，載入時間比模型本身久，第一張圖等比較久是正常的
授權是 MIT，模型與生成圖都可商用。微軟的原始模型頁需要登入 Hugging Face 同意條款才看得到，Comfy-Org 的轉檔版直接可下載。
完整對照圖
每張對照圖底部都印有該題的 prompt。
A Turbo 與標準版（Turbo、CFG 5、CFG 2、CFG 3.5、40 步）
B 短句與長句（Lens Turbo、Mage-Flow Turbo、Krea2 Turbo）
C 遵循度（Lens、Lens Turbo、Klein 9B、Z-Image Turbo、Qwen 2512、Mage-Flow Turbo）
D 英文長文字（同上六家）
相關文章
- HiDream-O1 實測：官方說的六件事，本機驗證對了幾件 — 同樣的「逐條驗證官方宣稱」做法
- 微軟 Mage-Flow 實測：4B 小模型四變體同場對決 — 本文 B 章對照組、微軟另一個小模型的來歷
- SenseNova U1.5 繁體中文實測 — 繁體中文目前最穩的選擇
- 繁體中文 AI 生圖測試 Prompt：53 組全公開 — 本文繁體中文章節用的題庫
- Krea2 微調模型大亂鬥 — 本文 A 章 35 題題庫與 Krea2 Turbo 的來歷
