MrFlow：四步分阶段采样把文生图扩散推到 10× 加速，OneIG 损失压到 1%

北航郑星宇等人在 arXiv 2607.01642 提出 MrFlow —— 一种完全 training-free 的多分辨率扩散加速方案。FLUX.1-dev、Qwen-Image 把文生图质量推到开源 SOTA，但每张图动辄要跑几十步 denoising，推理成本成为落地的主要门槛。timestep distillation 需要为每个底模重新训练；现有 training-free 多分辨率方案在潜空间上采样，又常出现明显模糊与伪影。MrFlow 把推理拆成四步显式流水线：低分辨率主体生成 → 像素空间 GAN 超分 → 低强度噪声注入 → 高分辨率细节精修，无需训练、无需运行时动态判别。在 FLUX.1-dev、Qwen-Image 上实现 10× 端到端加速，OneIG 损失控制在 1% 以内；与 timestep distillation 正交叠加可达 25×。这是半年内 diffusion 加速路线里少见的"真正可落地"方案 —— 不绑模型、不依赖定制 kernel，对开源社区尤其友好，暗示了"加速可以一层一层叠加"的新范式。代码已开源至 GitHub（Xingyu-Zheng/MrFlow）。