10月30日，蚂蚁集团旗下的inclusionAI与西湖大学、清华大学、浙江大学、上海创智学院、穆罕默德·本·扎耶德人工智能大学联合发布的论文上线，题目叫Intrinsic Distribution Matching，简称IDM。它要解决的问题很具体：一步或两步生成的文生图模型，怎么把提示词里那行字画对。代码已放在GitHub的inclusionAI仓库，论文当天登上Hugging Face日榜前列。
扩散与流匹配模型的推理账单几乎全压在网络评估次数上。把去噪步数从几十步压到一两步，延迟和成本会成倍下降，代价是几乎没有修正机会，提示词里指定的每个细节都得在那一次前向里落对位置。
文字是最先崩的部分。海报上的中文标题、菜单上的价格、书封上的作者名，既要排得整齐，又要逐字正确。步数一少，模型容易把字写成形似的符号，笔画看着像，读出来不对。这个问题在英文上表现为拼写错误，在中文上更严重，因为汉字的结构相似度更高，错一笔还是像字。
还有一个常被低估的难点是版式。长文本不是把字堆上去就算完成，它要求模型理解区块、对齐、层级与留白，本质上是把排版规则也塞进那一次前向。研究者把这类任务单独做成基准，中文侧的LongText-Bench就是为此建的，考核的是整段文字的字符准确率而不是整图相似度。
行业里常见的补法是加外挂。在分布匹配蒸馏的基础上，再挂一个DINOv2特征编码器或一个对抗判别器，用外部特征来锚定生成分布。这套方案能提分，但会带来额外显存、额外工程复杂度，也多了一处训练不稳定的来源。
IDM的思路是把反向KL场拆成两部分：高斯矩分量与非高斯残差。残差部分由原有的分布匹配修正处理，矩分量则用显式约束去匹配特征均值与逐坐标标准差。关键在于特征从哪里来。
论文给出的答案是生成器自己的指数移动平均副本。这个副本本来就存在，训练时用于稳定采样，没有额外参数，也不需要单独加载一个视觉编码器。作者的原话是保留完整的DMD修正，同时用生成器的EMA副本匹配特征均值与逐坐标标准差，全程不需要外部特征编码器。
消融实验是这篇论文最有说服力的部分，全部在Z-Image全参微调、两次网络评估的同一配置下跑。不加分布匹配也不加矩损失，OneIG是52.25、GenEval是76.24、中文长文本92.70；只加内部DMD不加矩损失，三项变成52.87、77.46、93.87；换成DINOv2特征做矩匹配，53.00、77.75、94.13；用生成器EMA特征，53.06、77.81、94.25。
这组数字说明两件事。矩约束本身确实有增益，加上去比不加好；而用什么特征来约束矩，比要不要约束更影响结果。生成器自己的表征已经足够，外接一个编码器并没有带来不可替代的信息。
主结果在Z-Image-Turbo 6B上，两次网络评估下中文长文本准确率94.25%，英文90.20%，是同一预算下对比方法里的最高分。同一张表里，Z-Image-Turbo++是91.62与89.88，APEX是90.38与88.76，换算成百分点分别领先2.63与0.32、3.87与1.44。换到Qwen-Image 20B、同样两次评估，GenEval报91分，FID报6.34。
论文自己写了两处不利结果，这一点值得记下来。其一，八次网络评估的Z-Image-Turbo在英文长文本上仍是91.74，比IDM的90.20更高，说明英文侧还没有完全追平多步版本。其二，APEX在DPG-Bench上是88.64，高于IDM的86.82，美学与复杂语义这一项并没有一起领先。
作者也提示，公开的参照模型训练设置与数据不同，只有同一配置下的消融才真正可比。换句话说，94.25这个数字应该被理解为同预算同配置下的相对领先，而不是全面超越多步模型。
速度数据可以给落地一个参照。全参的Z-Image在单张A100上用BF16推理，一次网络评估0.25秒，两次0.30秒。这个量级意味着，海报批量出图、电商主图改版这类需要一次生成几十上百张的场景，成本结构已经和调用一次通用接口差不多了。
省掉的编码器不只是省显存。多挂一个特征网络，训练时就要维护两套前向、两套梯度尺度，学得动学不动经常要靠调权重去凑。把它去掉之后，需要调的部件少了一个，复现的方差也小一些。对做蒸馏的小团队来说，这一点的实际价值可能超过那几个百分点。
需要留一手的是评测覆盖。论文主战场是长文本基准，考的是逐字准确与排版，真实场景里的审美、风格一致性、多物体关系并没有被这几张表覆盖。拿它做商业素材之前，还是得在自己的提示词集上跑一遍，尤其是中文竖排、艺术字、复杂背景这几种最容易翻车的情况。