让小设备自己“画图”，难点不只是缩小生成模型，还得塞下理解文字和还原图片的整套工具。AuroraIMG-6M把完整文生图流水线压到682万参数：文本编码器负责读懂描述，去噪器负责从噪声中生成内容，VAE（变分自编码器）负责压缩并还原图片。三部分都计入参数量，而且没有借用预训练组件。
它的取舍也很明确：只能根据简短英文描述生成64×64图像，更像端侧和教学实验的起点，而非实用画质模型。最值得注意的是，最大头的去噪器也只有442万参数；它在16×16的压缩图像空间里用 Flow Matching——学习把随机噪声逐步推向目标图像——完成生成。作者称，模型在约988万组 CC12M 图文对上从零训练，并在1万张留出图像上取得 FID 33、CLIP score 24.8；前者粗略衡量生成分布与真实图片的接近程度，后者衡量图文匹配度。两项指标都不能单独代表实际观感，但这个项目至少证明：一整套文生图系统，可以小到在 CPU 上运行。