这条帖子介绍的是 Bonsai Image 4B（Prism-ML 推出的本地图像生成模型），主打把模型权重压到 1-bit 或 ternary 级别，以便在 iPhone、Mac 等设备上离线推理。标题里的“1-bit”说的是权重压缩，不是把输出图片变成 1-bit 黑白图；评论里还反复提到它基于 FLUX.2 [klein]（一个同级别本地图像模型）这一家族，并依赖 text encoder、VAE 等常见组件。讨论围绕几个老问题展开：同级模型是否早已能在 iPhone 上跑、WebGPU 和浏览器演示是否稳定、以及更小的模型是否真的能替代云端订阅。更大的背景则是本地 AI 逐渐逼近手机和笔记本算力上限，促使大家重新争论生成式内容会不会进一步侵蚀互联网信任。
不少评论把话题迅速拉到“以后还能不能信任图像和文字”的层面。有人认为生成式图片和自动写作只是让旧有的伪造更容易，摄影诞生以来就能修图，互联网上的“真假难辨”并不是新现象。也有人反驳说，问题不只是造假存在，而是这种技术在主动利用人们对图像真实性的默认信任，正在永久污染信息环境，旅游宣传和类似场景会被直接放大。还有人把低信任社会看成一种反向的矫正，认为更怀疑来源反而能减少 propaganda 直接被当成事实吸收。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11]
很多人把这类模型的意义放在“在设备上立刻出图”而不是单纯的参数大小。支持者认为本地推理能绕开排队和按次计费，适合频繁生成 throwaway images，也更利于隐私，因为提示词和图片不必上传到云端。还有人强调边缘侧推理能把云端 GPU 省下来，尤其在算力紧缺时期，哪怕单次更慢也能提升整体资源利用率。怀疑者则觉得现有手机和 Mac 方案已经覆盖不少场景，而这款模型在画质和速度上未必明显领先。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9]
围绕大量 token-heavy workloads，评论一直在算本地机器和订阅谁更划算。支持本地的一方举了常驻 agents 的例子：只要把几千美元的 GB10、Apple Silicon 或类似设备买回来，再加上每月十几到几十美元电费，长期跑起来可能比 API 订阅便宜得多，尤其是在某些订阅被补贴得异常便宜时。反对者提醒 capex、维护、供电、网络延迟和可用性保证都要计入，云厂商在资源调度和多租户利用率上也通常更强。争论的结论更像是工作负载分层：高频、长久在线任务更适合本地，零散、小规模任务则继续用云更省心。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8]
很多评论在挑标题和产品表述的毛病。有人指出“首个能直接在 iPhone 跑的同级模型”并不严谨，因为 FLUX.2 [klein]（一个同级别本地图像模型）通过 Draw Things（一个可在 iPhone/Mac 上跑本地图像模型的应用）已经能运行，只是量化和加载方式不同。也有人补充这套东西更接近 rectified flow family，严格说不完全是传统 diffusion；同时 text encoder 和 VAE 仍然占掉不少体积，所以“1-bit”并不等于整个包都很小。实际体验上，Web demo 依赖 WebGPU、在部分浏览器或系统上会崩溃，文字生成也经常出错，另有本地图像模型对比站和测试页说明可跑的选择其实已经不少。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13] [来源14] [来源15]
“1-bit” 这个词本身就引来误解：有人第一反应以为是把图片空间也压成 1-bit 黑白或抖动图，而不是模型权重的极限量化。随后讨论延伸到 Floyd-Steinberg、Atkinson 之类的 dithering，如果训练和表示空间都限制在 1 bit，模型是否能更小更快。另一些人则提醒，ternary 方案通常仍会配 FP16 scaling factor，所以并不是把所有乘法都拿掉，只是把参数压缩得更狠。整体上，这条线更像是在探讨压缩路线的上限，而不是立刻能替代主流高质量生成。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6]
还有一条更激进的支线在讨论是否该把 photorealistic 图像生成直接定为非法。支持禁令的人认为，能随手生成逼真的假图会放大诈骗和误导，尤其当它已经被旅游推广、宣传等场景使用时；反对者则担心这会把普通的夕阳、海景之类的合法创作也卷进去。有人用“因为一张夕阳图被抓进监狱”来讽刺这种立法冲动，也有人拿 AACS key 泄露一类事件作比，认为一旦被禁，传播和挑战禁令反而会更活跃。
1-bit quantization: 把模型权重压到接近 1 bit 的离散表示，以显著降低体积和内存占用。
ternary model: 一种三值权重模型，通常用 -1/0/1 等离散值表示参数。
rectified flow model: 一类图像生成架构，常被视为 diffusion family 的近亲或变体。
WebGPU: 浏览器里的 GPU 计算接口，常用于把模型直接跑在网页端。
text encoder: 把提示词编码成向量的组件，通常和生成模型一起部署。
VAE: 变分自编码器，用于在潜空间和像素图像之间转换。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。