近日，字节跳动智能创作部门（Intelligent Creation Lab）提出新作 DreamLite，一个主干网络仅有 0.39B 参数的轻量级统一扩散模型，在单一网络内同时支持文生图（Text-to-Image） 和图像编辑（Text-guided Image Editing）两个任务，是目前已知首个实现这一能力的端侧模型。

DreamLite 在 iPhone 17 Pro 上实现了约 3 秒生成或编辑一张 1024×1024 图像，完全在设备端运行，无需云端。在 GenEval、DPG、ImgEdit 等主流基准上，DreamLite 全面超越现有端侧模型，并与参数量大 10-30 倍的服务端模型表现相当。

目前，DreamLite 论文与推理代码已开源。

论文链接：https://arxiv.org/abs/2603.28713 项目主页：https://carlofkl.github.io/dreamlite/ GitHub 链接：https://github.com/ByteVisionLab/DreamLite 在线 Demo：https://huggingface.co/spaces/carlofkl/DreamLite

当扩散模型想 "搬进手机"：两大痛点亟待解决

在使用 FLUX、HunyuanImage、Qwen-Image 这类大模型创作或修图时，用户正在习惯 "提词即生图、一句话改图" 的体验。但当这些能力想真正走进手机、走向离线场景时，却遇到两个现实的拦路虎：

痛点一：生成与编辑，要装两个模型

现有方案中，文生图和图像编辑往往依赖两个独立的 pipeline： 一个负责 "从零生成"，一个负责 "看图改图"。对本就内存紧张、存储有限的移动设备而言，同时装下两套数十亿参数的模型，几乎不可承受。

痛点二：质量和速度，难以兼得

把大模型压缩到端侧可用的体量后，生成质量往往断崖式下跌；而如果追求画质和指令跟随能力，推理延迟又会退回到 "按下按钮等待十几秒"，彻底丧失实时交互的意义。

更关键的是，真实产品场景里，用户需要的是同一套应用里无缝切换 "生成一张图片" 和 "修改这张图片"。两个模型意味着两份显存占用、两份下载流量、两份维护成本，这在端侧尤其奢侈。

DreamLite：一个模型，两种能力

DreamLite 的核心思想非常直接：将把 "生成" 和 "编辑" 统一压进一个轻量级网络里，而不是分别训练两个模型。围绕这个思路，团队做了三项关键设计。

1. In-Context 空间拼接：用 "占位符" 统一两类任务

DreamLite 在剪枝后的 SDXL U-Net 主干上，引入了一种空间维度的 in-context 条件注入机制。具体而言，模型的输入始终是一对左右拼接的潜变量。对于文生图，输入的右侧参考图为全黑占位图，相当于 "没有视觉条件"；对于编辑，输入的参考图为待编辑的原图。

在此之上，团队还在文本 prompt 前插入显式任务 token（[Generate] 或 [Edit]），作为一种零参数的任务路由信号。这样一来，同一个 U-Net 就能根据输入自动分辨当下是 "文生图" 还是 "编辑"，无需新增任何分支、适配器或额外模块，天然适配紧凑主干。

2. Task-Progressive Joint Pretraining（渐进式联合预训练）

直接联合训练生成和编辑任务会导致小模型的训练不稳定。团队提出了分阶段的渐进式策略：

阶段一｜T2I 预训练：用大规模图文数据，以及经典的文生图范式，训练模型的生成能力； 阶段二｜编辑预训练：激活 in-context 条件，让模型在保留原图结构的前提下，学会 "指令编辑"； 阶段三｜统一联合预训练：在同一 in-context 范式下继续联合优化生成与编辑。

这种分阶段的策略，让一个 0.39B 的小模型也能稳定习得 "生成 + 编辑" 双重能力。

3. RLHF 对齐 + DMD2 步数蒸馏

预训练之后，DreamLite 还经历两轮 "打磨"：

高质量 SFT + RLHF 对齐：在精选高质量数据上监督微调，再通过强化学习做偏好对齐。生成任务以 HPSv3 作为 reward model，编辑任务以 EditReward 作为 reward model，并采用 ReFL 完成扩散模型的偏好优化。这一步显著提升了美学质量和指令跟随能力。 DMD2 步数蒸馏：通过 Distribution Matching Distillation 2，将采样步数从数十步压缩到仅 4 步。

两者叠加，DreamLite 真正具备了 "端侧实时" 的现实可行性。最后通过量化和部署，实现在手机端生成 / 编辑（如下图）。

实验结果：跻身轻量化模型第一梯队

1. 指标：同级压制，越级对标

在文生图侧，DreamLite 在 GenEval 拿到 0.72、DPG 拿到 85.8；在图像编辑侧，在 ImgEdit 拿到 4.11、GEdit 拿到 6.88。在一众基线的对比中，DreamLite 作为端侧模型，不仅领先于 SnapGen、SANA 等轻量级的单任务模型，与参数量高出其 10–30 倍的服务端统一模型（如 FLUX、OmniGen2）相比，也展现出了极具竞争力的表现。

2. 手机实机演示：全程离线、无需联网

在 iPhone 17 Pro 的实机演示中，DreamLite 可稳定支持以下典型工作流：

人像生成 + 风格迁移：先生成人像写真，再一键转换为油画风格；

视频链接：https://mp.weixin.qq.com/s/QbATASScSyD6AX7nF2dsWw

风景生成 + 背景替换：先生成自然风景，再完成冬夏的季节切换；

视频链接：https://mp.weixin.qq.com/s/QbATASScSyD6AX7nF2dsWw

商品场景 + 增删替换：生成日常桌面场景，灵活替换物体。

视频链接：https://mp.weixin.qq.com/s/QbATASScSyD6AX7nF2dsWw

完整流程全程端侧运行、无需联网、用户数据不出设备，对隐私敏感场景尤其友好。

意义与展望

DreamLite 给端侧生成式 AI 的落地，提供了一条相当工程化、也相当有说服力的路径：

一个模型替代两个：统一生成与编辑，直接砍掉端侧 "双模型部署" 的内存、存储与调度开销； 4 步出图、秒级可用：DMD2 步数蒸馏让实时交互成为可能，真正贴合 App 级别的产品体验； 完全端侧、零数据外传：所有计算在设备本地完成，既降低云端推理成本，又从根本上规避了用户数据上传带来的隐私风险； 硬件门槛大幅降低：0.39B 主干意味着在更广泛的中低端设备上，也有机会享受到扩散模型级别的创作能力。

DreamLite 的意义，不只是 "在手机上又能跑一个扩散模型"。它更像是在回答一个更根本的问题：当扩散模型进入生产级的移动端时代，"生成" 和 "编辑" 能否作为同一个能力、由同一个小模型来承担？

随着端侧算力的持续提升、模型组件的持续轻量化，像 DreamLite 这样的轻量统一模型，很可能成为 AI 创作工具走向大规模、人人可用的关键一步 —— 把生成式 AI 从 "云端算力密集型服务"，变成 "口袋里随时可用的画板"。

作者介绍

Kailai Feng 为字节跳动实习生，Yuxiang Wei, Bo Chen, Yang Pan, Hu Ye, Songwei Liu, Chenqian Yan, Yuan Gao 均为字节跳动研究员