一步出图追平八步教师，判别器这次盯住了文本流

少步扩散蒸馏的对抗损失，历来只用图像特征做判别。萨里大学 SketchX 团队的 NitroFusion2（arXiv 2611.05648）注意到一个被闲置的金矿：多模态扩散 Transformer（MMDiT）的联合注意力让中间文本 token 的状态依赖图像内容，条件一变，它从图像里抽取的信息就变。把判别器挂到这条文本流上，判别信号会灵敏得多。

设计分两层。TSAD（文本流对抗蒸馏）在冻结骨干的中间文本流注意力输出上挂轻量判别头，学生和判别器骨干都从 Z-Image-Turbo 初始化。ACD（方面提示判别）更巧：为每张参考图生成六个图像支撑的字段（排版、物体、风格、背景、动作、布局），每步从 caption 或非空字段里采样一个提示去条件化判别器，学生保持原 prompt，信号路由到对应方面的专属判别头，零额外骨干前向成本就得到了「专家判别器」。

数字按论文口径：单步（1 NFE）生成在全部五个基准（LongText-Bench 英中两版、OneIG、GenEval、DPG-Bench）领先所有基线；对比 TwinFlow 单步，LongText-EN 高 14.2 分、LongText-CN 高 10.9 分；单步 DPG-Bench 86.48 分，超过了 8 步教师 Z-Image-Turbo 的 84.86，等于用八分之一的采样成本追平教师。两步档则与 12B 参数的教师增强版打平，而 NitroFusion2 任意步数只用单个 6B 模型。

局限作者也列了：单步处理复杂场景仍吃力，样本多样性有下降，ACD 的提示之间存在跷跷板效应。但「把判别器从图像流挪到文本流」这个观察，对所有做 MMDiT 蒸馏的团队都是一个可以立刻试的位移，成本只是加一个轻量判别头。