近年来，大规模多模态生成模型在多模态生成任务（包括图像与视频生成）中展现出令人瞩目的能力。这类模型通常基于扩散（diffusion）或流匹配（flow matching）等多步生成框架构建，其固有的生成过程限制了推理效率（通常需要40至100次函数求值，即NFE）。尽管已有多种少步生成方法致力于提升推理速度，但现有方案仍存在明显局限：主流的基于知识蒸馏的方法（如渐进式蒸馏与一致性蒸馏）往往依赖迭代蒸馏流程，或在极少数步数（<4-NFE）下出现显著性能下降；而将对抗训练引入蒸馏过程（如DMD/DMD2与SANA-Sprint）虽可提升性能，却带来了训练不稳定、模型复杂度增加以及辅助模型带来的高GPU显存开销等问题。为此，我们提出TwinFlow——一种简洁而高效的1步生成模型训练框架。该方法无需依赖固定的预训练教师模型，且在训练过程中避免使用标准对抗网络，因而特别适用于构建大规模、高效率的生成模型。在文本到图像生成任务中，我们的方法在仅1次函数求值（1-NFE）下即可达到GenEval评分0.83，显著优于SANA-Sprint（基于GAN损失的框架）与RCGM（基于一致性机制的框架）等强基线模型。尤为值得一提的是，我们通过在Qwen-Image-20B模型上进行全参数训练，验证了TwinFlow的可扩展性，并成功将其转化为高效的少步生成器。仅需1-NFE，该方法在GenEval与DPG-Bench两个基准测试上的性能即可媲美原始100-NFE模型，同时将计算成本降低约100倍，仅伴随轻微的质量损失。项目主页详见：https://zhenglin-cheng.com/twinflow。