（问题）近年来，基于文本提示生成图像的技术快速发展，在内容创作、广告设计、交互娱乐等领域显示出广阔应用前景。但在产业落地过程中，一个长期难题始终存在：生成速度与算力成本之间的矛盾。当前主流的高质量方案多依赖多步迭代生成，一张图往往需要重复计算数十次才能完成，端侧部署、实时交互和大规模并发服务因此受限。如何在不明显牺牲画质与一致性的前提下，把多步过程压缩为一步完成，成为学界与产业界共同关注的方向。 （原因）为实现“多步变一步”，知识蒸馏被认为是最有潜力的路线之一：以多步高质量模型作为“教师”，指导一步模型学习生成能力。然而在实践中，传统蒸馏方法常出现“学得快但学不像”的问题：一步模型虽然缩短了推理链路，却难以稳定复现教师模型的细节表现与审美质量。南开大学有关团队将原因深入下探到学习机制层面：蒸馏过程中模型内部权重到底发生了哪些变化，哪些变化真正决定最终质量。 （影响）研究团队系统对比多步生成模型与一步生成模型的参数差异，给出一个重要结论：蒸馏过程中的主要变化来自参数向量的“方向”，而不是“幅值”。分析显示，参数大小的平均变化约为0.1%，而方向变化约为2.2%，后者强度明显更高。进一步实验也验证了这个点：仅替换一步模型中对应的参数大小部分时，图像质量评价几乎不变；而替换与参数方向相关的部分时，生成质量出现明显下滑，输出图像失真突出。这意味着，若既有蒸馏方案主要围绕参数幅值做拟合与校正，可能难以抓住教师模型能力迁移的关键。 （对策）在明确“方向”是关键变量后，研究团队进一步发现，这类方向变化并非随机，而具有清晰的结构性特征，可用低秩模式有效刻画。也就是说，高维参数空间里看似复杂的变化，实际集中在少数主导方向上。团队报告称，提取约30%的核心信息即可恢复约93%的变化特征，显示其具备可压缩、可学习的规律性。基于这一发现，团队提出“低秩权重方向旋转”方法：通过旋转变换直接对权重方向进行精确调整，并用低秩分解降低学习与存储成本，使模型在保持计算效率的同时，更聚焦于决定画质的关键变化。相比传统“全面调参”，该思路把优化目标从“多维同时拟合”转为“沿主导方向对齐”，有望提升蒸馏的有效性与稳定性。 （前景）业内人士认为，如果一步生成在画质、可控性与一致性上接近多步模型，将直接推动多类应用落地：一是提升实时交互体验，支持更高频的创作迭代与人机协作；二是降低推理成本、提升算力利用效率，为端侧部署与边缘计算拓展空间；三是加速生成式内容在电商、广告、教育等行业的规模化应用，减少等待时间与服务成本。同时，该研究揭示的“方向主导”规律，也可能为其他生成任务的模型压缩与加速提供参考，例如同样依赖迭代推理的视频生成、三维内容生成等场景。下一步仍需在更大规模数据、更复杂提示条件以及更严格的安全合规要求下，评估该思路对鲁棒性、泛化性与内容可控边界的影响，并推动其与产业工程体系结合。
这项源于基础研究的进展，不仅回应了工程实践中的效率难题，也为理解模型能力迁移提供了新的视角。在全球科技竞争愈发聚焦底层创新的背景下，中国科研团队再次表明：持续扎实的基础研究，能够转化为面向应用的关键突破，并为人工智能走向更高质量的发展提供新的路径。