PrismML 近日正式推出 Bonsai Image 4B 系列图像生成模型，该系列包含两个版本：1-bit Bonsai Image 4B 与 Ternary Bonsai Image 4B。这两个版本在模型架构上均基于 LUX.2 Klein 4B 构建，但通过创新性的权重表示方式实现了显著的性能提升与体积压缩。
1-bit 版本采用二值权重设计，权重集合仅包含 -1 和 +1，通过 FP16 分组缩放技术使单权重等效位宽达到 1.125bit。这种设计使其 Transformer 层体积压缩至全精度模型的 1/14，整体模型体积仅 0.93GB，仅为全精度 FLUX.2 Klein 4B（7.75GB）的 1/8.3。在内存占用方面，生成 512×512 图像时活跃内存仅需 1.5GB，生成 1024×1024 图像时为 1.95GB，远低于全精度模型的 11.74GB 和 14.39GB。
Ternary 版本则采用三值权重设计，权重集合扩展至 -1、0 和 +1，等效位宽提升至 1.71bit。这种设计在保持模型体积优势（1.21GB）的同时，显著提升了画面质量与提示词还原度。质量评测显示，该版本在 Geneval、HPSv3、DPG-Bench 三项基准测试中保留了全精度模型约 95% 的准确性，而 1-bit 版本在不足 1GB 的体积下仍保持了 88% 的准确性。
在生成效率方面，Bonsai Image 4B 系列展现出显著优势。在 iPhone 17 Pro Max 设备上，生成 512×512 图像仅需约 9.4 秒；在 Mac M4 Pro 平台上，该时间缩短至 6 秒，最高可比全精度 MFLUX 流水线快 5.6 倍。这种性能提升得益于模型对扩散 Transformer 权重表示方式的优化，通过量化技术大幅减少了计算资源需求。
PrismML 通过这一系列创新，成功在模型体积、内存占用与生成质量之间实现了平衡。1-bit 版本以极致压缩满足移动端部署需求，Ternary 版本则在保持轻量化的同时提供接近全精度模型的质量表现，为图像生成技术在资源受限设备上的应用开辟了新路径。
