마이크로소프트 'Lens', 모델 크기보다 상세한 캡션의 중요성 입증
마이크로소프트 리서치는 적은 컴퓨팅 자원으로도 고성능을 발휘하는 텍스트-투-이미지(T2I) 생성 모델 'Lens'를 공개했습니다. GPT-4.1이 생성한 고품질의 상세한 이미지 설명(캡션)과 강력한 언어 인코더, 그리고 강화학습 및 추론(Reasoner) 모델을 결합하여 800억 파라미터급 거대 모델들을 무시하는 효율성을 입증했습니다. 이는 자원이 제한된 환경에서도 데이터 품질과 아키텍처 최적화만으로 최고 수준의 이미지 생성 모델을 만들 수 있음을 보여준다는 점에서 매우 중요합니다.
마이크로소프트 연구팀의 'Lens', 이미지 생성 모델 학습에 있어 원시 규모(Raw scale)보다 상세한 캡션이 더 중요하다는 것을 입증 Jonathan Kemper / 2026년 6월 8일 / Microsoft Research
마이크로소프트의 MAI 팀이 성능이 대폭 향상된 이미지 모델들로 주목을 받고 있는 가운데, 마이크로소프트 리서치는 상세한 캡션과 스마트한 아키텍처 선택을 통해 제한된 컴퓨팅 자원으로 어디까지 갈 수 있는지 증명하고 있습니다.
마이크로소프트 리서치는 학습 중 극히 일부의 컴퓨팅 파워만 사용하면서도 훨씬 더 큰 경쟁 모델들과 경쟁하는 것을 목표로 하는 텍스트-투-이미지 모델인 'Lens'를 소개했습니다. 기술 보고서에 따르면, Lens는 사전 학습에 있어 Z-Image와 같은 유사 모델에 비해 약 5분의 1 수준의 컴퓨팅 자원만을 필요로 합니다. 이는 여러 벤치마크에서 자신보다 몇 배나 큰 모델들을 능가하는 성능을 보여줍니다. 예를 들어, Hunyuan-Image-3.0은 약 800억 개의 파라미터를 가지고 있지만, Lens는 단 38억 개의 파라미터만 가지고 있습니다.
원시 데이터 볼륨보다 풍부한 캡션이 중요 연구진은 이러한 효율성 향상이 보다 컴팩트한 모델, 학습 단계별 더 많은 유용한 정보, 그리고 더 적은 패스(반복)로 수렴하는 학습 과정 덕분이라고 설명했습니다. Lens-800M 데이터셋은 이 접근 방식의 핵심입니다. 이는 GPT-4.1이 생성한 캡션이 포함된 8억 개의 이미지-텍스트 쌍으로 이루어져 있습니다. 평균 약 100단어로 구성된 이 캡션들은 웹에서 스크래핑한 일반적인 대체 텍스트(Alt-text)보다 훨씬 더 상세합니다. 마이크로소프트에 따르면, 절제 연구(Ablation study)를 통해 이러한 긴 설명으로 학습할 때 짧거나 혼합된 캡션을 사용할 때보다 명확히 더 나은 결과를 생성한다는 것을 보여주었습니다. 웹의 대체 텍스트는 종종 모호하거나 완전히 틀린 경우가 많아 학습 신호를 희석시킵니다.
팀은 또한 각 학습 배치에 세로 모드부터 가로 모드까지 다양한 해상도와 가로세로 비율을 혼합하여 사용했습니다. 연구진에 따르면, 모델이 고정된 크기의 이미지 세트로 학습되었음에도 불구하고 약 200만 화소(Megapixel)까지 본 적 없는 형식과 해상도로 일반화될 수 있다고 합니다. 이를 통해 고해상도 데이터에 대한 비용이 많이 드는 학습 과정을 절약할 수 있습니다.
아키텍처 측면에서 팀은 픽셀과 압축된 이미지 공간 간의 변환을 처리하는 Variational Autoencoder (VAE, 변분 오토인코더)의 여러 변형을 테스트했습니다. 마이크로소프트는 표준 재구성 메트릭에 의존하는 대신, 텍스트-투-이미지 학습에서 직접 후보들을 테스트했습니다. 그 결과 FLUX.2의 시맨틱 VAE가 가장 좋은 성능을 보였으며 수렴 속도도 높였습니다. 텍스트 인코더는 OpenAI의 공개 언어 모델인 GPT-OSS입니다. 절제 연구에 따르면 더 강력한 언어 인코더는 모델이 더 빠르게 학습하게 할 뿐만 아니라 학습된 적 없는 언어의 입력도 처리할 수 있다는 두 가지 이점을 가져옵니다. Lens는 영어 이미지-텍스트 쌍으로만 학습되었지만 중국어, 프랑스어, 일본어 또는 스페인어로 된 프롬프트도 허용합니다. 더 강력한 언어 인코더는 프롬프트 충실도(Fidelity)도 향상시켰습니다.
추론기(Reasoner), 모호한 사용자 프롬프트를 재작성 사전 학습 후, 모델은 Lens-RL-8K라는 맞춤형 프롬프트 세트를 사용하여 강화학습(Reinforcement Learning, RL) 단계를 거칩니다. 이 프롬프트는 사람, 동물, 풍경, 음식, 가상 세계 및 UI 디자인 등 10가지 범주를 다룹니다. GPT-4.1은 각 프롬프트에 대한 평가 기준을 생성하고, 더 작은 모델인 GPT-4.1-mini가 보상 모델 역할을 합니다. 절제 연구에 따르면 강화학습(RL) 세트를 줄이거나 텍스트가 많은 프롬프트와 같은 특정 범주를 제거하면 해당 영역의 성능이 저하되는 것으로 나타났습니다. 즉, 강화학습 프롬프트의 다양성이 단순한 양보다 더 중요하다는 것을 의미합니다.
마이크로소프트는 실제 이미지 모델 앞에 '추론기(Reasoner)'를 배치했습니다. 이는 모호한 사용자 입력을 상세한 프롬프트로 다시 작성합니다. 기본적으로 GPT-5.5가 사용되지만, 텍스트 인코더로 이미 사용된 GPT-OSS도 추가 메모리 없이 작동하여 이 역할을 수행할 수 있습니다. 또한 마이크로소프트는 추가 학습 없이 추론기의 시스템 프롬프트를 반복적으로 개선하는 방법을 설명했습니다. 연구진은 이 전략이 훨씬 더 큰 Qwen-Image 모델에도 잘 이전(Transfer)되어 긍정적인 효과를 보였다고 말했습니다.
Lens-Turbo, 1초 미만으로 이미지 생성 더 빠른 추론을 위해 마이크로소프트는 단 4단계 만에 이미지를 생성하는 증류된(distilled) 변형인 Lens-Turbo를 구축했습니다. 표준 모델은 H100 GPU에서 100만 화소 이미지를 생성하는 데 약 3초가 걸리지만, Lens-Turbo는 1초 미만으로 이를 처리합니다.