业界有没有原生 8K 的文生图？

1. 概述与范围

问题：业界（商用 + 学术）有没有「原生 8K」的 text-to-image 方案？如果有，怎么做的？

先把「原生」定死，否则问题无意义。 本文把分辨率方案分成两类：

• 原生（native）：模型的训练分布就包含目标分辨率，且在单条生成流程里一次性吐出该分辨率——不靠事后把小图切块超分。判据是「训练时见过 8K 图 / 8K 潜变量」。级联（cascade）是灰色地带：UltraPixel 的高分辨率阶段是在低分辨率语义引导下训练出来的，姑且算「半原生」。
• 免训练外推（training-free / tuning-free）：底座只训练到 ≤4K（甚至 1K），推理时用分块反演、窗口注意力、频域引导等技巧把分辨率「拉」到 8K。模型从没在 8K 上训练过。

结论先行：截至 2026-07，没有任何一个原生 8K 的 T2I 模型公开发布。 原生训练的分辨率天花板是 4K（4096²）；8K 只存在于免训练管线里。下面是分辨率-路线的全景（✅ 表示 arxiv ID 已本会话联网核验）：

验证说明：本调研的每个 arxiv ID、年份、分辨率数字都在本会话内 WebSearch/WebFetch 核验过；Diffusion-4K 的小波损失、Sana 的 DC-AE 压缩比进一步做了源码交叉验证（见 §5）。商用模型（Seedream / Midjourney / Recraft / Firefly / Nano Banana）没有 8K 原生的公开技术证据——它们的「高清」大多是 4K 原生 + 平台侧放大。

时间窗：核心工作集中在 2024-07（UltraPixel）到 2026-02（PixelRush），本仓库已精读的 L2P / AsymFlow / OP4KSR（2026-05）提供了「原生 4K 像素空间」的第一手拆解。

2. 逐篇精要

分三组：A 组 = 原生训练（≤6K），代表「把分辨率训进模型」的正统路线；B 组 = 免训练 8K 外推，是目前唯一能出 8K 的路线；C 组 = 商用与像素原生底座，回答「业界产品到哪」。

2.1 A 组：原生高分辨率训练（分辨率天花板 = 4K，级联到 6K）

Sana (ICLR 2025 oral, arxiv:2410.10629) — ✅ verified

• 核心贡献：把原生 4K 生成的算力门槛砍到笔记本 GPU——靠一个 32× 深压缩自编码器（DC-AE，f32） 把 token 数直接减 16 倍。
• 方法：DC-AE（32× 空间压缩 vs 传统 8×）+ 线性注意力 DiT + decoder-only LLM 文本编码器 + Flow-DPM-Solver。
• 关键结果：4096×4096 单图 < 20s（1.6B 模型、8-bit 量化下 8GB 显存可跑）；比 Flux-12B 小 20×、快 100×。
• 代码：NVlabs/Sana，DC-AE 与线性注意力见 §5。

怎么做的：8K/4K 原生训练的第一性障碍是注意力对 token 数的 O(N²)。一张 4096² 图在传统 8× VAE 下是 512×512=262k 个 latent token，注意力矩阵直接爆炸。Sana 的解法是两把刀叠加：(1) DC-AE 把压缩比从 8× 拉到 32×，同一张 4K 图的 latent 边长从 512 降到 128，token 数从 262k 降到 16k——这是让 4K 变得「可训」的前提；(2) 即便如此 16k token 的全注意力仍贵，于是把 DiT 里所有 vanilla attention 换成线性注意力（O(N) 而非 O(N²)），高分辨率下才不至于二次爆炸。代价 / 权衡：32× 压缩把重建难度推给 VAE，细节保真依赖 DC-AE 的解码器质量；线性注意力牺牲了一点全局建模能力，Sana 用 Mix-FFN 补结构信息。Sana 是「原生 4K 能进消费级显卡」的分水岭，但它明确止步 4K——没有 8K 训练配置。

Diffusion-4K (CVPR 2025, arxiv:2503.18352) — ✅ verified

• 核心贡献：不改底座架构，只靠小波域微调（WLF）+ 尺度一致 VAE（SC-VAE），把 Flux / SD3 直接微调成原生 4K，并配套首个公开 4K 基准 Aesthetic-4K。
• 方法：SC-VAE 保证不同尺度潜变量一致；WLF 在 flow-matching 损失里加入对预测/目标的离散小波分解，让高频细节进入监督。
• 关键结果：在 Aesthetic-4K 上原生合成 4096²；提出 GLCM Score / Compression Ratio 两个细节度量补充 FID/CLIP。
• 代码：zhang0jhon/diffusion-4k，小波损失见 §5（含一个与宣传不完全一致的发现）。

怎么做的：直接在 4K 上训 flow-matching，模型倾向学到低频结构、丢高频纹理（因为 MSE 对高频不敏感）。WLF 的设计决策是把监督搬到小波域：对模型预测和目标各做一次 Haar DWT，拆成 LL/LH/HL/HH 四个子带，让损失显式覆盖高频子带（LH/HL/HH），从而逼模型把纹理学出来。为什么用小波而不是傅里叶？小波是空间局部的，UHR 图的细节是局部纹理（毛发、砖缝），小波子带能定位到具体区域，傅里叶全局频谱做不到。SC-VAE 则解决「4K 图过 VAE 后不同分辨率潜变量不自洽」的问题。这条路线证明了原生 4K 不需要重训底座，微调即可——但同样没往 8K 走（4K 已是 Aesthetic-4K 数据集的上限）。另有 Latent Wavelet Diffusion（arxiv:2506.00433）用类似小波能量正则「免费」拿到 4K，思路同源。

UltraPixel (NeurIPS 2024, arxiv:2407.02158) — ✅ verified

• 核心贡献：单个级联模型覆盖 1K–6K，是目前公开工作里原生分辨率最高的（6144²，半原生）。
• 方法：级联扩散 + 低分辨率语义在后段去噪引导高分辨率生成 + 隐式神经表示（INR）连续上采样 + 尺度感知归一化；高分辨率仅新增 < 3% 参数。
• 关键结果：1K–6K 单模型，高分辨率分支参数量 < 3%，算力集中在最紧凑空间。
• 代码：Stable Cascade 底座（论文未在摘要点名，但基于其高压缩 latent）。

怎么做的：UltraPixel 押注级联 + 语义引导。关键设计是用低分辨率图的富语义表征在去噪后段引导整张高分辨率图——直觉是「高分辨率图的全局布局早就由低分辨率决定了，高分辨率阶段只需补细节」，于是高分辨率分支可以极轻（<3% 参数）。INR 提供连续上采样，让同一模型吐 1K/2K/4K/6K 而不需要为每档单独训。权衡：级联天然引入「低分辨率决定的布局无法在高分辨率修正」的锁定效应，且 6K 已是它公开的上限——再往 8K 级联，误差累积和显存都会失控。UltraPixel 是「半原生」的代表：高分辨率阶段确实训练过，但强依赖低分辨率引导，不是纯粹的 8K 端到端。

L2P / AsymFlow（arxiv:2605.12013 / 2605.12964，本仓库已精读） — ✅ verified（见 l2p-2026、asymflow-2026、对比 latent-to-pixel-2026）

• 核心贡献：把预训练 LDM 的知识迁移到像素空间，8 卡训出原生 4K 单步扩散，并解锁 8K zero-shot 外推。
• 方法：L2P 拆掉 VAE、用 16×16 大 patch 打 token，冻结 LDM 中间层 + Detailer Head，训练数据是源 LDM 自生成的 20k 合成图；AsymFlow 不动架构、重设 velocity 参数化把 latent flow 数学 lift 成像素 flow。
• 关键结果：L2P 在 DPG-Bench 86.00 > 源 LDM 84.86，取消 VAE 瓶颈后原生 4K 单步显存降 38.81%、时间降 97.67%；原生 4K + 8K zero-shot。
• 代码：见本仓库精读页。

怎么做的：L2P 的关键洞察是「从零训像素扩散是灾难性 cold start，但可以从已经平滑的 LDM 流形上做轻量迁移」。它把 VAE 换成大 patch（16×16）直接打像素成 token——这样内存瓶颈从 VAE 解码转到 patch 化，反而更省。原生分辨率仍是 4K，但因为像素空间没有 VAE 的固定下采样率约束，它能在推理时把 patch 网格外推到 8K 而不崩（zero-shot 8K）。这是「原生 4K + 免训练 8K」的混合体：8K 那一档没有训练过，属于外推，所以本文归它为「4K 原生、8K 外推」。这恰恰印证了本文主论点——即使是最新的像素空间工作，8K 也只能靠外推拿到，没人在 8K 上真训。

OP4KSR（arxiv:2605.13457，本仓库已精读 op4ksr-2026） — ✅ verified

• 核心贡献：一步、无分块的真实世界 4K 超分（不是 T2I 生成，但常和 T2I 拼成「先生成后放大」管线）。
• 方法：UltraFlux 的 F16 极压缩 VAE 把 4096² 显存压到单卡 + 中间时刻对齐把 Flux 微调成一步前向。
• 关键结果：5.75s 出一张 4K；诊断并修复了一步化触发的周期 32 像素格子伪影（RoPE 基频 10000→100 + 自相关周期损失）。
• 代码：见精读页。

怎么做的（简）：OP4KSR 是超分而非生成，但它是「4K 原生生成够不着、就靠 SR 补」这一现实的注脚——业界大量「4K/8K」实际是 1K–2K 生成 + SR。它的价值在于把「一步 + 无分块」的 4K SR 做通，并揭示一步化在 Flux 上的 RoPE 相位坍缩病理。放到本调研里，它代表8K 的另一条务实路线：生成 2K，SR 到 4K/8K。

2.2 B 组：免训练 8K 外推（目前唯一能出 8K 的路线）

HiWave (arxiv:2506.20452, 2025-06) — ✅ verified

• 核心贡献：免训练让预训练 SDXL 生成 8192×8192 无伪影图，不改架构、不加训练。
• 方法：分块 DDIM 反演求初始噪声 + 小波域细节增强器（保低频、选择性引导高频）。
• 关键结果：8192² zero-shot，评测基于 SDXL；主打「beyond native resolution 且无重复伪影」。
• 代码：作者开源（未在本会话交叉验证函数）。

怎么做的：免训练超高分辨率的两大顽疾是物体重复（模型在超出训练分辨率时把同一物体平铺）和高频丢失。HiWave 的设计决策是两阶段解耦：先生成一张 native 图，上采样后分块做 DDIM 反演拿到与该图一致的初始噪声（保证全局结构不重复，因为噪声来自真实低分辨率图的反演而非随机采样）；再在小波域做细节增强——显式保住 LL 低频（维持全局一致），只对高频子带做引导（补纹理）。为什么分块反演能压住重复？因为重复源于随机噪声在大画布上的平移不变性，而反演噪声携带了低分辨率图的全局布局约束。这是 8K 落地的代表方案，但本质是「SDXL(1K) + 免训练放大」，模型从没见过 8K。

PixelRush (arxiv:2602.12769, 2026-02) — ✅ verified

• 核心贡献：免训练 + 一步细化，号称首个单卡 A100-40GB < 100s 出 8K。
• 方法：级联上采样（SDXL-Turbo 底座）+ 部分反演（截断噪声扰动而非全高斯）+ 一步细化 + 高斯滤波混合 + 噪声注入防过平滑。
• 关键结果：8K < 100s、4K ≈ 20s；比 SOTA 快 10×–35×。
• 代码：作者开源（未在本会话交叉验证函数）。

怎么做的：PixelRush 把 HiWave 那套「反演 + 细化」提速到一步。关键设计是部分反演：不做完整的从数据到纯噪声的反演，而是只截断一小段噪声扰动，因为放大任务里低分辨率图已经给了绝大部分信息，只需局部细化，反演到纯噪声是浪费。细化阶段用 SDXL-Turbo 的一步生成，配高斯滤波混合把分块边界抹平、噪声注入防止一步化过平滑。权衡：一步 + 部分反演换来 10–35× 加速，但细化能力受限于 Turbo 的一步质量，极端纹理会弱于多步。它把 8K 的时间成本压到 <100s，是「8K 免训练」目前最快的，但仍是外推，不是原生。

Scale-DiT (arxiv:2510.16325, 2025-10) — ✅ verified（注意：搜索页有时误标为「UltraGen」，正式题名是 Scale-DiT: Ultra-High-Resolution Image Generation with Hierarchical Local Attention；同期另有一篇 2510.18775 是同名的视频工作，勿混）

• 核心贡献：层级局部注意力让 DiT 无需任何高分辨率训练数据就稳定放大到 4K×4K，并延伸到 8K。
• 方法：把高分辨率 latent 切成固定大小局部窗口做窗口注意力，同时用低分辨率全局引导 + 缩放位置锚点维持全局一致。
• 关键结果：4K 生成 < 30s、8K < 2min；比 dense attention 快 2×+、显存更低；4K×4K 不需额外高分辨率训练数据。
• 代码：作者开源（未在本会话交叉验证函数）。

怎么做的：Scale-DiT 攻的是 §2.1 反复出现的 O(N²) 墙。设计决策是窗口注意力 + 低分辨率全局锚点的双分支：8K latent 的全注意力不可行，于是把它切成固定大小窗口做局部注意力（O(N·w)），全局一致性则靠一路低分辨率 latent 的全局注意力 + 缩放后的位置编码锚点注入。为什么要位置锚点？因为窗口化会丢失跨窗口的绝对位置信息，缩放位置锚点让每个窗口知道自己在大画布的哪里，避免「每个窗口各画各的」。它的特殊之处是4K 那档几乎不需要高分辨率训练数据（介于原生和免训练之间），8K 则是明确的外推。Scale-DiT 是从「注意力效率」而非「反演/频域」角度攻 8K 的代表。

2.3 C 组：商用与像素原生底座（业界产品到哪了）

Seedream 4.0 (ByteDance, arxiv:2509.20427, 2025-09) — ✅ verified

• 核心贡献：商用一体化多模态生成/编辑，原生 1K–4K（up to 4096px，无放大伪影）。
• 方法：高效训练 + 原生高分辨率快速生成；2K 图推理 ≈ 1.4s。
• 关键结果：原生 4K；商用摄影/产品/广告级素材。无 8K 原生证据。

怎么做的（简）：Seedream 4.0 代表商用侧的原生分辨率上限就是 4K。它的卖点是 2K 只要 1.4s、4K 原生无放大伪影——注意「无放大伪影」正说明 4K 是真训练出来的、不是放大的。往上到 8K，Seedream 也走平台侧放大，没有原生 8K 档。同期 HunyuanImage 2.1（原生 2K）、Qwen-Image（up to 2K）、HiDream-O1-Image-Dev（像素原生 8B，原生 2K，arxiv:2605.11061）、Z-Image（单流 DiT，arxiv:2511.22699）都停在 2K 原生。换言之，商用产品的原生天花板（2K–4K）比学术前沿（4K–6K）还低。

UltraHR-100K (arxiv:2510.20661, 2025-10) — ✅ verified（数据集，非模型）

• 核心贡献：面向 UHR 合成的大规模高质量数据集，直指「高分辨率训练数据稀缺」这一根因。
• 意义：8K 原生做不出来的第一性原因就是没有 8K 训练数据；UltraHR-100K 是往这个方向补的早期努力，但其规模/分辨率中心仍未到「8K-centric」。

3. 平行对比

把所有工作放到判别性轴上（分辨率 / 是否原生 / 机制 / 底座 / 步数 / 速度 / 训练成本 / 8K 能力）：

一眼看穿的分层：原生列里最高只有 UltraPixel 的 6K（还是级联半原生）；8K 列里全是「❌ 免训练」或「⚠️ 外推」——没有一个是「✅ 原生」。 这就是本调研的核心事实。

4. 一致与矛盾

一致（多篇独立工作收敛的信号）：

1. 原生分辨率天花板一致停在 4K。 Sana、Diffusion-4K、Seedream 4.0、L2P、AsymFlow 五个互相独立的团队（NVIDIA/MIT、学术、ByteDance、南大+腾讯、Stanford），路线各异（自研底座 / 微调 / 商用 / 像素迁移 / 重参数化），但原生上限惊人一致地都是 4096²。这种跨独立工作的收敛是强信号：4K 是当前数据 + 算力 + VAE 三者约束下的自然平衡点。
2. 8K 一致靠「反演 / 频域 / 窗口」三类免训练技巧。 HiWave（分块反演+小波）、PixelRush（部分反演+一步）、Scale-DiT（窗口注意力）、L2P（patch 外推）没有一个在 8K 上训练，全部是推理期外推。「8K = 免训练外推」是当前的行业共识，不是巧合。
3. 「压缩比」是所有原生高分辨率工作的胜负手。 Sana 的 32× DC-AE、L2P 拆 VAE 换大 patch、OP4KSR 的 F16 VAE——都在攻同一个瓶颈：token 数 / 显存。降 token 数是原生高分辨率的必要条件。

矛盾 / 需要小心的地方：

1. 速度数字不可直接比。 PixelRush「8K < 100s」用 SDXL-Turbo 一步细化，Scale-DiT「8K < 2min」用多步 DiT，HiWave 没给统一 8K 计时——三者硬件、步数、底座都不同，不能拉成同一张 8K 速度榜。任何把它们并列成「谁最快」的结论都是误导。
2. 「native resolution」被商用宣传稀释。 多个商用平台宣称「8K 输出」，但技术证据只到 4K 原生（Seedream 4.0）——「输出 8K」≠「原生 8K」，中间隔着一层平台放大。学术界严格区分二者，商用宣传常混用，这是最容易被带偏的点。
3. Diffusion-4K 的小波损失与「主打高频」的叙事有出入（§5 代码发现）：宣传是「引导高频细节」，但代码里 LL/LH/HL/HH 四个子带等权进 MSE，并没有对高频子带单独加权。效果或许来自小波域的表征变化而非显式高频偏置——这是叙事和实现的一处细微不一致。

启发（这组工作合起来告诉研究者什么）：

• 8K 原生是一片真空白地，不是因为没人想做，而是三个硬约束还没被同时攻破（见 §6）。
• 谁先把 UltraHR-100K 这类数据推到 8K-centric 规模 + 把 DC-AE 压缩比再上一个台阶（如 64×）+ 把窗口注意力做成可训练而非仅推理，谁就可能第一个做出原生 8K。

5. 代码交叉验证

Sana — DC-AE 32× 压缩 + 线性注意力：✅ 与论文一致。NVlabs/Sana 官方说明确认「DC-AE: 32× image compression (vs. traditional 8×) to reduce latent tokens」与「Linear Attention: Replace vanilla attention in DiT with linear attention」；4K 模型（1.6B）在 8-bit 量化 + model offload 下 8GB 显存可跑 4096²、<20s。压缩比与线性注意力这两个「让 4K 可训」的核心主张，代码/配置层面属实。

Diffusion-4K — 小波微调（WLF）：✅ 机制属实，⚠️ 一处叙事-实现不一致。zhang0jhon/diffusion-4k 的 train_flux_4k_wavelet.py：

• L1047-1049：from pytorch_wavelets import DWTForward, DWTInverse; dwt = DWTForward(J=1, mode='zero', wave='haar') —— 确认用 单层 Haar DWT。
• L1073-1080：对 model_input（目标）和 model_pred（预测）各做一次 DWT，解出 xll, xlh, xhl, xhh 四个子带。
• L1082-1087：四个子带沿通道拼接后统一进 MSE，损失式子 weighting * (model_pred - target)² 与标准 flow-matching 形式不变。

—— 即：WLF 确实把监督搬到了小波域（LL/LH/HL/HH 全覆盖），但四子带等权，没有对高频子带（LH/HL/HH）单独加权。论文「引导高频细节」的效果更可能来自「在小波域算损失」这一表征变化本身，而非显式高频偏置。这是一个高价值的实现细节：想复现 4K 细节增益的人，照搬「等权小波 MSE」即可，不必自己发明高频加权。

未交叉验证（诚实标注）：HiWave、PixelRush、Scale-DiT 的核心函数本会话未打开源码，其「8192²」「8K<100s」「8K<2min」数字来自 arxiv 摘要/正文核验，未做函数级验证——引用时按「作者自报」对待。UltraPixel 的 Stable Cascade 底座为摘要推断，未见配置文件确认。

6. 启发与白地

为什么 8K 原生至今是空白？三个硬约束（缺一不可）：

1. 数据：8K（7680×4320 ≈ 33M 像素）的高质量图-文对在互联网上极稀，且清洗/打标成本陡增。SDXL 训到 1K、Aesthetic-4K 到 4K、UltraHR-100K 才刚往 UHR 补——没有 8K-centric 数据集，原生 8K 无从谈起。这是第一性障碍。
2. 注意力 O(N²)：8K 图即使在 32× DC-AE 下也有 256×256=65k latent token，全注意力矩阵 65k²≈4.3B——训练时反传显存直接失控。Sana 的线性注意力、Scale-DiT 的窗口注意力都在攻这里，但可训练的高分辨率高效注意力还没成熟到能撑起 8K 端到端训练。
3. VAE 重建：要压 8K 就得更高压缩比（64× 甚至更高），但压缩比越高，解码器越难无损重建 8K 细节——OP4KSR 的 F16 VAE、Sana 的 DC-AE 已在极限附近。压缩比与重建保真的矛盾是第三道墙。

白地 / 下一步（给研究者的可执行方向）：

• 数据侧：把 UltraHR-100K 思路推到 8K-centric，或用 4K 原生模型 + 可信 SR 自举生成 8K 训练对（类似 L2P 用源 LDM 自生成数据的思路，但目标是 8K）。
• 架构侧：把 Scale-DiT 的窗口注意力从「仅推理」升级为「可训练」，配合缩放位置锚点，做原生 8K 窗口化训练——这可能是最快落地的一条。
• 压缩侧：DC-AE 往 64×+ 推，或用 L2P 式「拆 VAE、大 patch」绕开固定下采样率约束，把 8K token 数压到可训。
• 务实路线：短期内业界会继续用「2K–4K 原生生成 + 免训练/SR 放大到 8K」（PixelRush / HiWave / OP4KSR 组合）——这是 §2 全部证据指向的现实答案。

一句话回答用户：没有原生 8K 的文生图方案。 想要 8K，今天只能选「4K 原生底座（Sana / Diffusion-4K / Seedream 4.0）+ 免训练 8K 外推（HiWave / PixelRush / Scale-DiT）或 SR（OP4KSR）」的组合管线；纯粹在 8K 上训练出来的模型，业界和学术界都还没有。

7. 参考文献

全部 arxiv ID 本会话联网核验。

• Sana: Efficient High-Resolution Image Synthesis with Linear Diffusion Transformers — arxiv:2410.10629 (ICLR 2025 oral) · https://arxiv.org/abs/2410.10629 · code: https://github.com/NVlabs/Sana
• Diffusion-4K: Ultra-High-Resolution Image Synthesis with Latent Diffusion Models — arxiv:2503.18352 (CVPR 2025) · https://arxiv.org/abs/2503.18352 · code: https://github.com/zhang0jhon/diffusion-4k
• Latent Wavelet Diffusion: Enabling 4K Image Synthesis for Free — arxiv:2506.00433 · https://arxiv.org/abs/2506.00433
• UltraPixel: Advancing Ultra-High-Resolution Image Synthesis to New Peaks — arxiv:2407.02158 (NeurIPS 2024) · https://arxiv.org/abs/2407.02158
• HiWave: Training-Free High-Resolution Image Generation via Wavelet-Based Diffusion Sampling — arxiv:2506.20452 · https://arxiv.org/abs/2506.20452
• PixelRush: Ultra-Fast, Training-Free High-Resolution Image Generation via One-step Diffusion — arxiv:2602.12769 · https://arxiv.org/abs/2602.12769
• Scale-DiT: Ultra-High-Resolution Image Generation with Hierarchical Local Attention — arxiv:2510.16325 · https://arxiv.org/abs/2510.16325
• L2P: 把 LDM 潜在知识搬到像素空间，8 卡原生 4K — arxiv:2605.12013 · 本仓库精读 l2p-2026
• AsymFlow (Latent→Pixel 迁移) — arxiv:2605.12964 · 本仓库精读 asymflow-2026 / 对比 latent-to-pixel-2026
• OP4KSR: 一步、无分块的 4K 超分 — arxiv:2605.13457 · 本仓库精读 op4ksr-2026
• HiDream-O1-Image: Natively Unified Image Generative Foundation Model (pixel-native, 2K) — arxiv:2605.11061 · https://arxiv.org/abs/2605.11061
• Seedream 4.0: Toward Next-generation Multimodal Image Generation (原生 4K) — arxiv:2509.20427 · https://arxiv.org/abs/2509.20427
• HunyuanImage 3.0 Technical Report — arxiv:2509.23951 · https://arxiv.org/abs/2509.23951
• Z-Image: Efficient Image Generation Foundation Model with Single-Stream DiT — arxiv:2511.22699 · https://arxiv.org/abs/2511.22699
• UltraHR-100K: Enhancing UHR Image Synthesis with A Large-Scale High-Quality Dataset — arxiv:2510.20661 · https://arxiv.org/abs/2510.20661
• Qwen-Image（原生 2K，商用数据点，arxiv 未在本会话核验，按 name-only 标注）