training-free 加速这半年一堆新论文，之前那批 multi-resolution 方案都有个绕不开的毛病：中间步在 latent 空间 upsample，出来一片糊。

MrFlow 干了件很朴素的事——把 upsample 拉出 latent 空间。

流程 4 步：低分先跑主结构 → decode 出来用 Real-ESRGAN 做 pixel-space x2 → 重新 encode 回去注一点低强度噪声 → 高分再走 1 步 refine。Qwen-Image 给的是 12+1 步的配置，49s 压到 4.7s，10x 端到端；叠上 timestep distillation 能上到 25x。

🤔 这个改动看着不起眼，其实是分水岭。之前 Bottleneck Sampling 那类方法在 latent 里做 upsample 硬拉回去，本质上违反了 VAE 训练时的空间分布假设，模糊和伪影都是这一步欠的债。绕到 pixel 空间用 Real-ESRGAN，反而干净。

⚠️ 代价也很实——Real-ESRGAN 那套老毛病一并继承：人脸塑料感、纹理过锐、汉字容易崩。最后 1 步 refine 得当整容医生用，sigma 调得不对，SR 留下的锐化痕迹压不回去。

💡 但对做视频生成、ComfyUI 集群这类活的人最有价值的点是另一个：它跟 distillation 完全正交。蒸馏过的模型多样性会掉一截，走 training-free 路线不动权重能保住多样性池子。所以生产上真要上，就是"蒸馏权重 + MrFlow"叠着跑，速度和多样性都想要。

有 ComfyUI 插件，FLUX 系、Qwen-Image、Z-Image 都能接。 arXiv: 2607.01642