Mr.Flow 可以理解为一种“先粗后细”的 AI 生图加速方案。它不要求你为每个模型重新训练一个加速模型，而是把原本昂贵的高分辨率采样步骤，尽量前移到成本更低的低分辨率阶段完成。 论文标题是 Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling，提交时间为 2026 年 7 月 2 日。官方仓库已经放出实现代码、示例脚本、结果图和 ComfyUI 相关内容。

本地生图最常见的痛点是等待时间长、显存紧、高清图成本高。Mr.Flow 的思路是先生成低分辨率结构，用 Real-ESRGAN 在像素空间超分，再重新编码回潜空间，注入与调度器一致的低强度噪声，最后用很少的高分辨率采样步骤做细化。 仓库和论文展示的结果里，Qwen-Image、FLUX.1-dev、FLUX.2 Klein、Z-Image 等模型族都有示例。作者报告了从 8 倍到 10 倍级别的端到端加速结果，部分组合场景还给出更高数字。这里更建议把它理解为“有实测潜力的加速框架”，不要简单当成所有场景固定 10 倍。

Mr.Flow 仓库里已经出现 ComfyUI-MrFlow 插件和相关更新说明，这对普通绘图用户很关键。相比只给论文代码，ComfyUI 节点更容易进入日常工作流，用户可以在自己的模型、分辨率、提示词和采样设置下做 A/B 对比。 它比较适合本地 AI 绘图玩家、模型研究者、图像生成服务团队，以及想降低推理成本的技术用户。尤其是高分辨率出图、批量生成和需要多次试稿的场景，只要画质损失可接受，速度收益就很有吸引力。

Mr.Flow 主要面向预训练 Flow Matching 文生图模型，不是所有绘图模型都自动适配。实际速度和画质取决于模型类型、分辨率、采样步数、超分权重、显卡性能和工作流配置。 如果你是普通用户，最稳妥的方式是等社区整理好的 ComfyUI 工作流，再用自己常用提示词做小样测试。它值得关注，但上线到生产或商业出图前，仍然要检查细节、构图一致性和不同题材下的稳定性。

GitHub 项目：https://github.com/Xingyu-Zheng/MrFlow arXiv 论文：https://arxiv.org/abs/2607.01642