一句话定义：生成分辨率（generation resolution）指模型一次直接输出的图像尺寸，如 1024×1024；生成成本指这一次推理（inference）消耗的算力与显存。两者不是线性关系：边长翻倍，算力大致涨四倍，而其中注意力（attention）部分可能涨到十几倍。
先看面积。 512×512 是 26 万像素，1024×1024 是 105 万像素，正好四倍。扩散模型（diffusion model）每采一步都要把整张图“过”一遍网络，图变大四倍，卷积和全连接层的工作量也跟着变四倍。所以“分辨率翻倍≈算力四倍”的第一层原因很朴素：分辨率是二维的，你翻的是一维的倍数。
潜空间先帮你打了个折。 主流模型并不直接在像素上算，而是先用AI 词典：变分自编码器">变分自编码器（VAE, variational autoencoder）把图压进潜空间（latent space），常见的下采样倍数是 8，也就是潜变量的边长只有原图的 1/8，面积只有 1/64。这一步决定了成本的绝对值——同样的分辨率，潜空间里要处理的元素少两个数量级。但它不改变增长斜率：边长翻倍，潜变量面积照样是四倍。打个比方，潜空间是把大画布换成小画布再作画，省的是画布钱，不省的是一画就要画满整张纸这件事。
注意力是那个“超线性”的家伙。 把潜变量切成 patch 变成 token 之后，注意力要让每个 token 和所有 token 互相看一眼，代价随 token 数的平方增长。接上面的例子：512 出 1024 个 token，注意力矩阵约 100 万格；1024 出 4096 个 token，矩阵约 1600 万格，是十六倍。所以真实的成本曲线是“线性部分 4 倍 + 二次部分 16 倍”的混合，模型越偏 Transformer 结构、分辨率越高，就越往 16 倍那头靠。潜空间决定起点有多低，注意力决定爬坡有多陡。
| 翻倍的东西 | 计算量大致变化 |
|---|---|
| 采样步数（steps） | ~2× |
| 批量（batch size） | ~2× |
| 输出边长（像素×4） | 卷积/全连接 ~4×，注意力 ~16× |
| patch 变小（token 数×4） | 注意力 ~16× |
和相邻概念的区别。 分辨率不等于画质：分辨率是画布多大，画质是每格画得多准；硬拉到超出训练分布的分辨率，容易出现构图重复、肢体错位。分辨率也不等于细节量：常见做法是低分辨率生成再超分（super-resolution / upscale），成本低一个量级，但细节是模型“合理编出来”的，不是真算出来的。这跟调采样步数、调模型参数量是两回事——后两个是质量旋钮，分辨率是几何级涨价的成本旋钮。
对从业者的意义：做容量规划时按面积估，别按边长估；实际项目里常常先撞显存墙而不是算力墙，因为注意力矩阵要常驻显存。工程上的对策是潜空间压缩、分块（tiling）、级联（cascade）、窗口或线性注意力。对普通人：按像素计价的接口，1024 比 512 贵出四倍左右属于合理量级；只有印刷、大屏才值得买高分辨率，否则超分更划算。各家结构差异大，具体计费口径以官方页面为准。