마이크로소프트가 40억 파라미터 이미지 생성 모델 '메이지플로우'를 허깅페이스에 공개했어요. A100 한 장으로 1024 해상도 이미지를 0.59초 만에 뽑아낸다고 해요. 320억 파라미터급 경쟁 모델들과 맞먹거나 더 낫다는 평가까지 나왔어요.
요즘 이미지 생성 모델 쪽은 다들 파라미터 수를 늘리는 방향으로만 가는 줄 알았는데, 마이크로소프트가 정반대 방향에서 결과물을 냈어요. 이름은 '메이지플로우(Mage-Flow)', 규모는 딱 40억 파라미터인데 20억~320억짜리 경쟁 모델들이랑 붙어도 밀리지 않는다는 벤치마크를 들고 허깅페이스에 공개했더라고요.
구조가 좀 특이한데, 가볍고 고품질인 잠재 토크나이저 '메이지-VAE(Mage-VAE)'랑 40억 파라미터짜리 네이티브 해상도 멀티모달 디퓨전 트랜스포머 'NR-MMDiT'를 같이 설계해서 하나의 공유 스택으로 묶었대요. 이 스택 하나로 텍스트를 이미지로 바꾸는 '메이지플로우'랑, 지시문 기반으로 이미지를 편집하는 '메이지플로우-에딧' 두 가지를 동시에 굴리는 구조예요. 토크나이저부터 백본, 시스템까지 한 팀이 같이 설계했다는 게 포인트고요.
속도도 꽤 인상적이에요. 베이스, RL 정렬, 4스텝 터보 이렇게 세 가지 버전으로 나오는데, 터보 버전 기준 A100 한 장에서 1024x1024 이미지를 0.59초 만에 뽑아낸대요. 근데 진짜 눈에 띄는 건 품질 비교예요. 콴-이미지(Qwen-Image) 200억, Z-이미지 60억, 플럭스2(FLUX.2) 320억, 파이어레드-이미지-에딧 200억까지, 이름만 들어도 묵직한 모델들과 나란히 놓고 평가했는데 메이지플로우 40억이 맞먹거나 더 낫다는 결과가 나왔다고 해요.
사실 이런 "작은 모델이 큰 모델 잡는다"는 얘기는 텍스트 쪽 LLM에서는 꽤 익숙한 패턴인데, 이미지 생성 모델에서는 상대적으로 드물었거든요. 근데 마이크로소프트가 토크나이저랑 백본을 따로 설계하지 않고 처음부터 같이 짰다는 게 이번 효율의 비결로 보여요. 파운데이션 모델 논문 페이지에도 "현실적인 컴퓨팅 예산에서 파인튜닝하기 쉽다"는 점을 따로 강조했더라고요.
개인적으로는 이게 오픈소스 이미지 생성 생태계에 은근히 파장을 낼 것 같아요. 그동안 로컬에서 고품질 이미지 모델 돌리려면 최소 20억~30억대는 필요하다는 인식이 있었는데, 4B짜리가 이 정도 성능이면 개인 GPU로도 충분히 돌아가는 셈이니까요. 다만 아직 커뮤니티 재현 검증은 초기 단계라 실제 체감 품질은 좀 더 지켜봐야 할 것 같고요.
콤팩트 모델 경쟁이 이제 이미지 생성 쪽으로도 본격적으로 옮겨붙을지, 다음 주자가 궁금해지네요.
출처