近年来，少步扩散蒸馏技术在图像生成领域取得了显著进展，从4步到8步的高质量生成已逐渐成熟。然而，将生成步数进一步压缩至两步仍面临巨大挑战，主要瓶颈在于任务难度激增和模型容量不足。针对这一问题，由董阳刘等九位作者提出的新论文（arXiv:2606.12575，2026年6月10日提交）介绍了Z-Image Turbo++，这是一种从8步Z-Image Turbo教师模型蒸馏得到的高质量两步图像生成模型。该模型通过三种精心设计的策略，在保持高保真度的同时大幅缩短了生成时间。
首先，分布对齐对抗学习（Distribution-Aligned Adversarial Learning）创新性地将教师模型生成的图像而非外部真实图像作为GAN训练的真实样本。这种方法提供了更易达成且信息量更大的对抗目标，既避免了真实图像分布可能不匹配的问题，又充分利用了教师模型的知识，使得两步生成在对抗训练中能够更准确地逼近教师输出。
其次，步解耦参数化（Step-Decoupled Parameterization）为两个去噪步骤分配了独立的模型参数。由于每一步对模型容量的需求不同（第一步通常需要更强的语义理解，第二步侧重细节修复），独立参数能够更灵活地适配各自的任务，从而提升整体生成质量。
第三，带有迭代正则化的端到端训练（End-to-End Training with Iterative Regularization）允许第一步直接接收来自最终图像质量的梯度，同时通过显式的第一步损失函数保留有意义的中间生成结果。这种设计确保了整个训练过程的一致性，避免了传统蒸馏中分步训练可能导致的误差累积。
实验结果表明，Z-Image Turbo++在定性和定量评估中均显著缩小了两步与八步生成之间的质量差距，在部分指标上甚至接近八步生成的效果。这项研究不仅证明了精心定制的蒸馏策略在改善少步生成质量与效率权衡方面的巨大潜力，也为实时图像生成等实际应用提供了新的可能。该工作已被提交至计算机视觉与模式识别（CS.CV）领域，并获得了广泛关注。