你输入一句“雨夜里的旧电影院”，文生图模型就要把文字变成画面。过去，从零训练这种模型——从随机参数开始学，而非拿现成模型微调——往往意味着不小的算力账单。两人研究团队 Linum 说，他们用约 2.1 万美元完成了一次训练，还把模型权重按 Apache 2.0 许可证开放。真正值得追问的不是“便宜模型已经追上大厂了吗”，而是一个更实际的问题：小团队跨过文生图训练门槛，如今到底要多少钱？
这次发布名为 Pyramid-JiT（P-JiT），是 Linum 为下一代视频模型进行的概念验证。以下性能、成本和效果描述均来自团队自述，目前没有第三方评测、复现结果或成本账单。
不再先把图片塞进压缩箱
常见生成流程会先用 VAE——一种负责压缩和还原图像的模型——把图片转换到较小的“潜在空间”，再让生成模型在其中工作。这样可以减少计算量，但压缩器与生成器各学一套目标：前者擅长还原图片，不一定最有利于后者生成图片。
P-JiT 换了一个思路。它直接在像素空间学习，同时承担压缩和生成。可以把传统方案理解为先请一名打包员压缩行李，再交给另一名旅行者使用；P-JiT 则让旅行者自己决定什么该带、怎样打包。Linum 认为，这有机会得到更适合生成任务的内部表示。不过，“去掉 VAE 就一定压得更多、学得更快”仍是团队的架构动机，不能当作已经普遍成立的结论。
团队还让模型在中途多次尝试预测最终图片的低分辨率版本。用人话说，它不是等做完整张图才接受批改，而是在草图阶段就不断获得反馈。训练开始时，模型先集中学习画面的基本结构；之后再扩大任务难度，补充细节。
两个数字说明了什么
据 Linum 自述，P-JiT 相比自家的 Linum v2，用少 11 倍的样本即可收敛。这里的“收敛”指训练逐渐稳定，而不是证明画质达到某个行业标准。团队还称，它把 token 数量压缩得更激进：token 可以理解为模型处理画面时使用的小块信息；过去表示一张 图片所需的 token，现在可以表示一张 图片。
这组实验最终训练约 6 亿个样本，并从 分辨率继续训练到 。团队称成片效果超出预期，于是把原本的压力测试作为实验版本发布。所谓“效果不错”仍是主观判断，材料没有提供 FID、GenEval、人类评分或同规模基线等证据。
两万美元为什么值得关注
Linum 由两人组成，并称模型完全从零训练。Microsoft for Startups 此前介绍，两兄弟 Sahil Chopra 与 Manu Chopra 的起点并不是做一款便宜的图片生成器，而是他们在 Hollywood 看到许多编剧和艺术家因筹不到制作费，故事无法开拍。他们希望把动画制作压缩到少数朋友用笔记本电脑也能完成。由此看，这次训练更像一次中途压力测试：如果图片模型能以更低成本学会压缩和生成，未来的视频工具才可能进一步降低制作与推理成本。
模型权重采用 Apache 2.0。开放权重意味着外部用户可以下载参数，用于推理、研究或继续训练；该许可证通常允许修改、分发和商业使用，并含专利授权条款。但开放模型成品，不等于训练数据、完整配方和全部过程都已公开，实际使用仍需结合权重说明及训练数据权利判断。
局限与未知
- 约 2.1 万美元是否只计算算力，是否包含失败实验、数据、工程和人力，材料没有说明。
- “少 11 倍样本”和“4 倍 token reduction”都是团队与 Linum v2 的内部比较，缺少完整实验条件，不能外推为相对其他模型的优势。
- 当前材料无法确认训练代码、完整数据和可复现配方是否全部开放，也没有第三方复现证明其他团队能以相同预算得到同等结果。
所以，这次发布更适合被看作一张新的价格标签，而不是终局答案：两人团队已经展示了约 2.1 万美元的从零训练尝试，但“可用”到什么程度、成本能否复现，以及开放权重能否形成真正可重复的开放研发，仍要等待外部验证。