Microsoft ปล่อย Mage-Flow โมเดลสร้างและแก้ภาพ 4B ใบอนุญาต MIT — 1024² ใน 0.59 วินาทีบน A100 ใบเดียว

ท่ามกลางกระแสโมเดลภาษาที่กลบทุกอย่าง มีโมเดลเปิดตัวหนึ่งที่นักพัฒนาสายภาพไม่ควรพลาด — Microsoft Research ปล่อย Mage-Flow โมเดลสร้างภาพจากข้อความและแก้ภาพตามคำสั่ง (instruction-based editing) ขนาด 4 พันล้านพารามิเตอร์ โดยเปเปอร์ขึ้น arXiv วันที่ 21 กรกฎาคม 2026 และน้ำหนักโมเดลอยู่บน Hugging Face แล้วภายใต้ใบอนุญาต MIT

จุดขายไม่ใช่ “เก่งที่สุด” แต่คือ ความคุ้ม — บทคัดย่อเปิดด้วยประโยคที่ตรงประเด็นว่าโมเดลภาพขนาดใหญ่นั้น “แพงทั้งตอนเทรน ตอน fine-tune และตอน deploy” แล้วเสนอสแต็กขนาด 4B ที่ทำงานได้ในระดับแข่งขันได้บนเบนช์มาร์กมาตรฐาน แต่รันได้จริงบนการ์ดใบเดียว

Mage-VAE: ลดต้นทุน tokenizer ลง 12 และ 22 เท่า

ครึ่งแรกของงานอยู่ที่ตัว tokenizer ทีมออกแบบ Mage-VAE ใหม่ ใช้การเข้ารหัส/ถอดรหัสแบบ one-step diffusion ร่วมกับเทคนิค anchor-latent regularization ผลคือลดจำนวน MACs ลง ราว 12 เท่าสำหรับการ encode และ 22 เท่าสำหรับการ decode โดยยังรักษาคุณภาพการ reconstruct ไว้ได้

ตัวเลขนี้สำคัญกว่าที่เห็น เพราะในไปป์ไลน์ diffusion จริง ๆ VAE คือส่วนที่กิน VRAM เป็นก้อนใหญ่ตอน decode ภาพความละเอียดสูง การบีบตรงนี้ลงคือสิ่งที่ทำให้ภาพ 2048 พิกเซลเป็นไปได้บนการ์ดที่ไม่ใช่ระดับดาต้าเซ็นเตอร์

NR-MMDiT: ความละเอียดแบบ native ตั้งแต่ 512 ถึง 2048

ครึ่งหลังคือ backbone ชื่อ NR-MMDiT (Native-Resolution Multimodal Diffusion Transformer) ขนาด 4B เทรนด้วย rectified flow matching และรองรับความละเอียดยืดหยุ่นตั้งแต่ 512 ถึง 2048 พิกเซล แบบ native — ไม่ต้องสร้างที่ความละเอียดคงที่แล้ว upscale ทีหลัง

ฝั่งการเทรน ทีมใช้ native-resolution packing ร่วมกับ CUDA kernel fusion ระดับ stack ได้ throughput ตอนเทรนเพิ่มขึ้น ราว 2.5 เท่า ส่วนฝั่ง inference ตัวแปร Mage-Flow-Turbo ทำเวลาได้ดังนี้บน A100 ใบเดียว:

• สร้างภาพ 1024² — 0.59 วินาที
• แก้ภาพตามคำสั่ง — 1.02 วินาที

บน Hugging Face ปล่อยมาครบเป็น pipeline ของ diffusers (คลาส MageFlowPipeline) มีทั้ง transformer/, vae/ และ text_encoder/ เป็น safetensors พร้อม model_index.json แปลว่าโหลดมาแล้วเรียกใช้ได้เลยไม่ต้องประกอบเอง

มุมมอง AI Curator

สิ่งที่ทำให้ Mage-Flow น่าจับตาไม่ใช่คะแนนเบนช์มาร์ก แต่คือ ใบอนุญาต MIT จาก Microsoft ตลาดโมเดลสร้างภาพโอเพนเวทช่วงหลังเต็มไปด้วยใบอนุญาตแบบมีเงื่อนไข — non-commercial บ้าง ต้องขออนุญาตถ้ารายได้เกินเกณฑ์บ้าง ซึ่งทำให้ทีมผลิตภัณฑ์ต้องส่งเรื่องให้ฝ่ายกฎหมายก่อนทุกครั้ง MIT คือใบอนุญาตที่หลวมที่สุดชุดหนึ่งเท่าที่มี และการที่มันมาจากบริษัทระดับ Microsoft ทำให้ความเสี่ยงเชิงกฎหมายของการเอาไปใช้เชิงพาณิชย์แทบเป็นศูนย์

สำหรับนักพัฒนาไทย ผมมองว่าเคสใช้งานที่ชัดที่สุดคือ งานแก้ภาพจำนวนมากในธุรกิจ e-commerce และเอเจนซี — ลบพื้นหลัง เปลี่ยนฉาก ปรับแสง ทำภาพสินค้าหลายเวอร์ชันจากภาพเดียว งานพวกนี้ปัจจุบันจ่ายเป็นรายภาพให้ API ต่างประเทศ ซึ่งพอคูณด้วยหลักหมื่นภาพต่อเดือนก็กลายเป็นค่าใช้จ่ายก้อนใหญ่ ที่ 1.02 วินาทีต่อการแก้หนึ่งครั้งบน A100 ใบเดียว ต้นทุนต่อภาพลดลงมาอยู่ระดับที่คุ้มจะรันเองแน่นอน และเนื่องจาก A100 ไม่ใช่การ์ดหายากอีกต่อไป ผู้ให้บริการคลาวด์ในไทยหลายเจ้าก็มีให้เช่ารายชั่วโมงแล้ว

ข้อควรระวังคือคำว่า “แข่งขันได้” ในบทคัดย่อ ไม่ใช่ “ดีที่สุด” — โมเดล 4B ย่อมไม่ชนะโมเดลระดับ 20B+ ในงานที่ต้องการรายละเอียดสูงสุดหรือการเข้าใจ prompt ที่ซับซ้อนมาก ๆ สิ่งที่ควรทำก่อนตัดสินใจคือทดสอบกับ prompt จริงของงานตัวเอง โดยเฉพาะ prompt ภาษาไทย ซึ่งเปเปอร์ไม่ได้รายงานผลไว้ (มีตัวอย่าง text_en และ text_zh ใน asset ของ repo แต่ไม่มีภาษาไทย) — ถ้าใช้ในงานที่ต้องเรนเดอร์ตัวอักษรไทยลงในภาพ ให้ถือว่ายังไม่รองรับจนกว่าจะพิสูจน์ด้วยตัวเอง

แหล่งข่าว

• microsoft/Mage-Flow — Hugging Face
• Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing — arXiv 2607.19064 (21 ก.ค. 2026)