Neuere Fortschritte bei großen multimodalen generativen Modellen haben beeindruckende Fähigkeiten im Bereich der multimodalen Generierung demonstriert, einschließlich der Bild- und Videogenerierung. Diese Modelle basieren typischerweise auf mehrstufigen Rahmenwerken wie Diffusion oder Flow Matching, die ihre Inferenz-Effizienz inhärent einschränken (erfordern 40–100 Number of Function Evaluations (NFEs)). Obwohl verschiedene Few-Step-Methoden darauf abzielen, die Inferenz zu beschleunigen, weisen bestehende Lösungen deutliche Grenzen auf. Prominente auf Distillation basierende Ansätze wie progressive und consistency distillation erfordern entweder einen iterativen Distillation-Prozess oder zeigen erhebliche Leistungsdegradation bei sehr wenigen Schritten (< 4-NFE). Gleichzeitig führt die Integration von adversarieller Trainingsstrategien in die Distillation (z. B. DMD/DMD2 und SANA-Sprint), um die Leistung zu verbessern, zu Trainingsinstabilität, erhöhter Komplexität und hohem GPU-Speicherverbrauch aufgrund zusätzlicher trainierter Modelle. Um diesem Problem zu begegnen, stellen wir TwinFlow vor – einen einfachen, aber effektiven Rahmen zur Trainings von 1-Schritt-generativen Modellen, der auf festen vortrainierten Lehrmodellen verzichtet und während des Trainings keine standardmäßigen adversariellen Netzwerke verwendet. Dadurch eignet sich TwinFlow ideal für die Entwicklung großer, effizienter Modelle. Auf Text-zu-Bild-Aufgaben erreicht unsere Methode bei nur 1-NFE einen GenEval-Score von 0,83 und übertrifft damit starke Baselines wie SANA-Sprint (ein GAN-Loss-basiertes Framework) und RCGM (ein Konsistenz-basiertes Framework). Besonders hervorzuheben ist die Skalierbarkeit von TwinFlow: Wir führen eine vollparameterbasierte Trainingsphase auf Qwen-Image-20B durch und transformieren das Modell in einen effizienten Few-Step-Generator. Mit lediglich 1-NFE erreicht unsere Methode die Leistung des ursprünglichen 100-NFE-Modells sowohl auf den GenEval- als auch auf den DPG-Bench-Benchmarks, wobei die Rechenkosten um den Faktor 100 reduziert werden, mit nur geringfügiger Qualitätsverschlechterung. Die Projektseite ist unter https://zhenglin-cheng.com/twinflow verfügbar.