一句提示词怎样变成一张图 三个组件按阶段接力，最重的计算集中在中间 40 步 提示词／参考图 人的需求 Qwen3-VL 8B 理解文字和参考图 7B DiT 反复修正潜变量 主要耗时：40 步 RGBA VAE 还原成像素图片 编码器通常只运行一次　·　DiT 按步数重复计算　·　VAE 在最后解码一次