마이크로소프트 Lens — 데이터 양보다 캡션 품질이 효율적인 이미지 생성기를 만든다
핵심 요약 마이크로소프트 리서치가 38억 파라미터 텍스트-이미지 모델 Lens를 공개했다. 800억짜리 Hunyuan-Image-3.0보다 작고, 같은 품질을 약 5분의 1의 컴퓨트로 낸다. 이 모델의 진짜 무기는 모델 크기가 아니라 캡션 품질이다. 8억 장의 이미지-텍스트 쌍을 모은 Lens-800M 데이터셋의 캡션은 GPT-4.1이 다시 쓴 평균 100단어짜리 묘사다. 웹에서 긁어온 alt-text는 학습 신호로 너무 흐렸다. GenEval 절제 실험에서 짧은 캡션·혼합 캡션은 상세 캡션을 단 한 항목에서도 이기지 못했다. 구조도 단정하다 — 압축은 FLUX.2의 시맨틱 VAE, 텍스트 인코더는 GPT-OSS, 프롬프트 재작성기에는 GPT-5.5 또는 GPT-OSS, 마지막에 Lens-RL-8K로 강화학습을 한 번 입혔다. Lens-Turbo는 1초 미만, 표준 모델은 H100 한 장에서 100만 픽셀당 약 3초다. 코드와 가중치는 MIT 라이선스로 허깅페이스·깃허브에 풀렸다(연구용). 1. 38억으로 800억을 넘어서는 시점 이미지 생성 모델 경쟁은 한동안 “더 큰 파라미터·더 큰 데이터셋” 한 방향으로 굴러왔다. Hunyuan-Image-3.0은 800억, Qwen-Image도 Lens의 다섯 배 규모다. 같은 라인을 따라가면 결국 H100 수십 장이 있어야 학습도, 추론도 시작할 수 있다는 결론이 나온다. ...