AIGC 每日速读|2026-10-12|Google把token留给细节BudgetPix 今日 AIGC 论文速览 今日共 10 篇 · 图像计算与自训练 3 篇 · 视频编辑与加速 3 篇 · 局部三维生成 1 篇 · 音视频与语音控制 2 篇 · 生成编辑评测 1 篇 重点论文标题列表 BudgetPix（Google）：按细节分配可变token预算 Data-space DMD（字节）：不用时间表直接反复修图 Rubric-CEPR（MBZUAI）：只把核验通过的编辑教回模型 VINCIE-NExT（字节）：先编辑关键帧再把变化传给视频 PTD（NVIDIA）：让四步学生沿自己的曲线学 今日论文速览 1. BudgetPix：按细节分配可变token预算 BudgetPix: Compute-Adaptive Tokenization for Pixel-Space Image Diffusion | 伊利诺伊大学厄巴纳-香槟分校；Google | arXiv:2610.12307 关键词：像素空间扩散, 四叉树, 可变token预算, 多尺度解码 前序问题：固定网格给平滑背景和复杂纹理相同的计算预算；直接减少 token 又容易破坏细节，难用一个模型适配不同推理预算。 本文贡献：BudgetPix 按图像强度直方图熵构造四叉树，复杂区域保留细 patch，平滑区域合并为粗 token；多尺度 Patch Aggregator 编码粗格，Refiner 恢复固定分辨率。训练时扰动布局与预算，推理按当前去噪预测重估布局。新增编解码路径需要训练，Transformer 从已有像素空间扩散模型初始化。 论文 Figure 3：BudgetPix 总览。编码器把固定大小图像变成不同尺度、可变数量的 token，解码器恢复固定分辨率，训练和推理都支持不同 token 数。紫色编码器与解码器从头训练，蓝色 Transformer 从已有主干初始化；图中三部分共同构成预算自适应像素空间扩散。 实验效果：表 1：1024² PixelDiT-T2I，BudgetPix 在 25% token 预算下 GenEval 为 0.725、DPG-Bench 为 83.7；原模型全预算分别为 0.721、84.8。原模型同为 25% 预算时降至 0.323、55.1。不同指标说明保留指令遵循的程度，不能把 25% token 预算直接当四倍端到端加速。 论文 Table 1：1024² PixelDiT 文生图在 100%、90%、80%、70%、60%、50%、25% token 预算下的 GenEval 与 DPG-Bench。BudgetPix 各预算指标高于对应原模型；25% 时 GenEval 0.725、DPG 83.7，原模型全预算为 0.721、84.8。这里是预算与指标比较，未给出四倍端到端时延。 批判点评：布局依据中间预测，尚未出现的小细节可能分不到 token；PixelDiT 的全分辨率像素阶段还形成计算下限。需先微调，不能视为免训练插件，也不能把一个指标接近说成画质无损。作者项目页目前未提供可确认的方法代码或权重入口。 2. Data-space DMD：不用时间表直接反复修图 Few-Step Generation via Data-Space Iteration | 字节 Seed | arXiv:2610.12102 关键词：少步图像生成, 数据空间迭代, DMD蒸馏, 自rollout 前序问题：少步采样通常仍沿概率流选定几个时间点；难例和不同空间区域需要的修正次数不同，手工时间表未必适合。 本文贡献：共享生成器从噪声开始，直接把上一轮数据预测、原始噪声和迭代编号作为条件，反复修正干净样本，不再在每轮输出后按指定时间点重新加噪。通过分布匹配蒸馏 DMD 训练每一轮输出，并用自身 rollout 形成训练输入。它取消流时间离散化，仍需选择迭代次数与训练噪声采样。 论文 Figure 1：（a）现有少步生成沿概率流空间迭代，需要预定时间离散化，可能并不最优；图中从初始噪声经多个带噪状态到数据端点。（b）数据空间迭代直接修正每轮数据预测，以原始噪声和轮次作条件，取消流时间离散化瓶颈。两排小图用于示意各自迭代过程。 实验效果：表 3：类别条件 ImageNet 256×256，四次网络评估、启用 CFG 时，Data-space DMD 的 FID 为 2.29，均匀时间表 DMD 为 2.61，搜索三种时间表后的 Phased DMD 为 2.37。250 次评估的流模型 FID 为 2.06，少步方案尚未达到该教师水平。 论文 Table 3：ImageNet 256×256 的主结果，FID 越低越好。上半不开 CFG，下半启用 CFG；比较 250 NFE 流模型、1–4 NFE DMD、4 NFE Phased DMD 与数据空间 DMD。oracle 仅取三种搜索时间表中的最佳结果；数据空间方法无需时间表，启用 CFG 的四步 FID 为 2.29，教师 250 NFE 为 2.06。 批判点评：主结果是类别条件小图，文生图与其他模态仍属未来工作；自 rollout 有训练成本，不是把任何现有采样器换个循环就有效。不同训练权重与 CFG 需同时核对。作者在附录给出实现细节，未从论文入口确认独立代码仓库或权重。 3. Rubric-CEPR：只把核验通过的编辑教回模型 Rubric-CEPR: Self-Evolving Image Editing via Reward-Verified Self-Distillation | 穆罕默德·本·扎耶德人工智能大学；阿尔托大学 | arXiv:2610.12469 关键词：图像编辑, 内部奖励, 可行性门控, 自蒸馏 前序问题：模型自己生成的编辑样本可能真实却没按指令改；单一奖励还可能让“保留得好”补偿“根本没编辑”，把失败教回模型。 本文贡献：Planner 从未标注图像提出结构化编辑要求，Editor 采样多个候选，冻结 Critic 利用原编辑器的视觉语言特征和 VAE 潜变量检查新状态、旧状态消除及局部保留。任何适用检查不通过就拒绝，再把最佳可行样本用于 LoRA 加权去噪训练；主要循环不查询外部奖励模型。 论文 Figure 2：Rubric-CEPR 的提出、编辑、核验与蒸馏循环。冻结 Qwen-Image-Edit 提供 Qwen2.5-VL 理解分支、MMDiT 与 VAE；Planner 的 LoRA 给出指令 c 和结构化要求 s，Editor 的 LoRA 采样 K 个编辑。冻结 Critic 以语义支持与增益、VAE 保留检查构成 R=Gate·√(Edit×Preserve)，新状态、旧状态消除、正确操作、无关内容保留与局部性任一适用项失败即拒绝；最佳通过样本训练 Editor，难度带内提案轨迹训练 Planner，进入下一轮。主要循环不查询外部奖励模型。 实验效果：表 1：Qwen-Image-Edit-2509 在 ImgEdit 的 0–5 分制总分 4.36→4.60，相对提升 5.5%；物体分离 3.41→4.26，相对提升 24.9%。总分差为 0.24±0.02，报告的是三次训练种子的标准差。表 2 的 GEdit-Bench 总分 7.39→8.31。 论文 Table 1：ImgEdit 各编辑类别及总分，0–5 分制。内部奖励自蒸馏使 Qwen-Image-Edit-2509 总分 4.36→4.60，相对提升 5.5%，差值 0.24±0.02 为三种子标准差；物体分离 3.41→4.26，相对提升 24.9%。Δ 按 100×(适配分−原分)/原分计算；† UniWorld 使用外部奖励，其原模型与裁判协议不同，不能直接横向归因。 批判点评：内部可检查的编辑更受益：若原模型完全采不到正确样本，多采样也找不到训练目标；调整类内部信号最多追回 30% 的 oracle 空间。主要结果是一次适配，不能称为持续多轮自进化。跨论文裁判协议不同。作者仓库可访问，未运行复现。 4. VINCIE-NExT：先编辑关键帧再把变化传给视频 VINCIE-NExT: Unlocking Video Editing from Images via In-Context Modeling | 新加坡国立大学；字节 Seed；中国科学技术大学 | arXiv:2610.12104 关键词：视频编辑, 图像示范, 共享空间位置, 编辑链 前序问题：视频编辑三元组昂贵；成熟图像编辑数据很多，但改对一帧不代表变化能稳定传到所有视频帧。 本文贡献：把任务拆成视频→图像→编辑图像→视频，以源与目标图像对作为上下文示范；TDF3D-RoPE 将示范和视频帧放在共享空间坐标中，统一扩散主干联合学习各子链。Chain-of-Editing 在推理时先得到编辑图像，再生成编辑视频，也允许更强图像编辑器提供示范。 论文 Figure 2：VINCIE-NExT 总体架构。把视频编辑分成视频→图像→图像→视频子任务链，源图 Iˢ 与编辑图 Iᵗ 作为上下文视觉示范。统一扩散主干据此把成熟图像编辑先验迁移到视频帧；图中各段代表可组合子链，而非完全无需视频编辑训练数据。 实验效果：表 1：431 段 OpenVE-Bench，Gemini 2.5 Pro 按 1–5 分评分，VINCIE-NExT 总分 3.08，高于 OpenVE-Edit 的 2.49，但低于 Runway Aleph 的 3.65；输出分辨率分别为 640×480、1280×704、1280×720。表 2 的第一阶段 256×256 模型，全数据加 CoE 为 2.65，不是同条件的 3.08。 论文 Table 1：OpenVE-Bench 八类编辑比较，Gemini 2.5 Pro 按 1–5 分自动评分。#Reso. 为输出分辨率，灰行是闭源商业模型。VINCIE-NExT 在 640×480 总分 3.08，OpenVE-Edit 在 1280×704 为 2.49，Runway Aleph 在 1280×720 为 3.65；各类包括全局风格、背景、局部改删增、字幕、创意与相机编辑。 批判点评：训练仍用了 OpenVE 视频编辑配对，不能叫完全不用配对视频；关键帧编辑错误会被传播，长视频与大相机运动仍待验证。CoE 增加串行扩散阶段。arXiv 注释明确已接收 NeurIPS 2026。作者项目页有仓库入口，但当前仓库只有 LICENSE 和 README，方法实现与权重尚未公开。 5. PTD：让四步学生沿自己的曲线学 Parametric Trajectory Distillation for Few-Step Video Generation | 洛桑联邦理工学院；NVIDIA；斯坦福大学 | arXiv:2610.11498 关键词：视频少步蒸馏, 参数化轨迹, 教师速度监督, 多样性 前序问题：把高度弯曲的教师轨迹压成几次学生评估，学生容量可能学不动，导致细节变软或不同种子生成近似视频。 本文贡献：Parametric Trajectory Distillation 让学生预测片段的平均速度与多项式曲率，在学生当前曲线上查询教师速度，以最小二乘损失同时学位移和形状；部署时去掉曲率头，只用平均速度更新端点。MiniMax-H3 的最后一个较平滑片段采用教师积分目标，并非所有片段都同一种监督。 论文 Figure 2：参数化轨迹蒸馏。一次学生评估输出平均速度 h 与曲率系数 c，参数化潜变量去噪片段；在学生曲线上查询教师速度，以同一个最小二乘损失监督两者。推理只使用 h 更新片段端点，移除曲率头。小视频图示意片段终止于数据端点，同样构造适用于中间噪声层；箭头为步长缩放速度，默认每片段查询两次教师。 实验效果：表 1：Wan2.1-14B 四次网络评估，匹配训练设置的 PDD 复现 VBench 总分 83.67→PTD 84.57，语义分 77.40→81.10。盲测人类偏好份额相对 PDD 为 55.1%，相对 MiniMax-H3 上的 LightX2V Turbo 为 63.4%。这是两项独立比较，不是所有基线的平均胜率。 论文 Table 1：Wan2.1-14B 的 VBench 与多样性。粗体只对比相同训练设置下 PDD 第96次更新与 PTD 第64次更新；灰色行是已发表参考，训练预算及协议不同。NFE 含引导评估，教师为 50×2；多样性是 V-JEPA 2 与 VideoMAE V2 特征余弦距离。PTD 总分和语义分提升，但这两项多样性不高于该 PDD 复现；rCM 用专有 prompt 且未报告多样性。 批判点评：表 1 的 VideoMAE 多样性 0.0254→0.0180，改善并非所有指标同时成立；发表的参考行训练预算和协议不同。去掉训练曲率头不等于不用蒸馏，四次评估也不等于视频生成时延。作者项目页有演示，未确认 PTD 方法权重公开。 6. iCATS：按交互与噪声动态稀疏注意力 iCATS: Fast Video Generation via Interaction-Aware Sparse Attention and Timestep-Adaptive Sparsity | 杭州师范大学；平头哥半导体；阿里巴巴 | arXiv:2610.11302 关键词：视频DiT加速, 交互聚类, SNR稀疏调度, 尾部合并 前序问题：独立按特征距离聚类 query 与 key，未必保留实际注意力交互；固定稀疏度和不规则簇填充又会损伤画质与 GPU 利用率。 本文贡献：iCATS 用 query-key 点积交互定义聚类目标，并改写成低成本二次型；以信噪比 SNR 调整各去噪时间步的 top-p 稀疏掩码。执行时将不满计算块的尾部 token 重新分配，减少 padding。无需微调生成主干，但聚类、调度与稀疏 kernel 都有实际开销。 论文 Figure 3：iCATS 的稀疏注意力流程。①按 query-key 交互聚类，用簇中心估计簇级 softmax；②以 SNR 引导每个去噪步的 top-p 值并选注意力计算区域；③在稀疏 kernel 前重分配未对齐计算块的 query 簇尾部 token，减少不规则簇的 padding。图中 interaction clustering 为交互聚类，Euclidean clustering 仅用于首个稀疏步初始化 query 簇。 实验效果：表 1：5 秒 720p、八张 H100，HunyuanVideo-T2V-13B 的 iCATS-Base 从 1730 秒降至 854 秒，2.03 倍，PSNR 31.017 dB；Wan2.1-T2V-14B 从 1889→1222 秒，1.55 倍，PSNR 29.301 dB。相应 VBench 为 0.844 与 0.838。 论文 Table 1：三种视频主干的密集、SVG、SVG2、iCATS-Base 与 Turbo 比较。PSNR、SSIM、LPIPS 衡量相对原模型输出的保真度，VBench 衡量视频质量，Time 是实测秒数，Sparsity 是理论注意力计算削减比例。5秒720p、八H100下，Hunyuan Base 为854秒、2.03倍、31.017dB，Wan文生视频 Base 为1222秒、1.55倍、29.301dB；不可把稀疏率当整体加速率。 批判点评：PSNR 比的是相同配置的原密集模型输出，不是真实视频真值；理论稀疏率不能当实际整体加速率。八卡结果不能外推单卡，且聚类多卡并行和 token 级 kernel 仍待优化。未从论文作者入口确认代码或权重公开。 7. SpaceFlow：不同3D部位分配不同控制强度 SpaceFlow: Locally Controllable 3D Generation | 苏黎世联邦理工学院；斯坦福大学；Microsoft | arXiv:2610.12399 关键词：3D生成, 局部几何控制, 部件条件路由, 自相似引导 前序问题：对整个物体统一控制强度，难同时保住指定结构并让其他部位自由生成；局部材质 prompt 还可能串到别的部件。 本文贡献：SpaceFlow 在 TRELLIS 推理中给每个几何 primitive 指定强弱控制，在受控时间段注入高控制区域；生成结构后用 PartField 划分部件，将局部文本或图像外观条件路由到对应区域，再用自相似引导细化外观。几何约束与外观条件分别作用，支持同一物体各部位不同自由度。 论文 Figure 2：SpaceFlow 流程。输入可编辑几何及局部控制强度 τᵢ，在受控时间段把高控制区域注入稀疏结构 flow；PartField 分割生成结构后，将每个部件的文字或图像条件只路由到该部件，再经外观 flow 与自相似引导得到局部几何和外观可控的3D资产。 实验效果：表 1：83 个资产，局部 τ=3/10 对比统一 τ=3，prompt 与几何保真胜率 78.3%、总体胜率 75.9%，但真实感胜率仅 43.4%；对比统一 τ=10，总体胜率为 68.7%。表 4 的外观总体评分 6.78，但纹理细节 6.49 低于 TRELLIS 的 6.87。 论文 Table 1：83个资产上局部几何控制胜率。SpaceFlow 低/高 τ 为3/10，与统一全局 τ=3及τ=10的 SpaceControl 比较 prompt与几何保真、真实感和总体偏好；括号为95% Wilson区间。对τ=3，总体75.9%但真实感43.4%；对τ=10，总体68.7%，说明保真与真实感存在条件相关取舍。 批判点评：胜率来自指定视觉语言裁判与资产集，表中附 95% Wilson 区间，不能当任意3D对象的成功率。语义与强几何约束冲突时会变形；更多局部控制也未必提升纹理细节。原文给出推理设置，未确认作者已发布 SpaceFlow 实现。 8. SepGen：同次生成视频混音和两路分轨 SepGen: Multi-Stem Audio-Video Separation and Generation in a Single Model | 特拉维夫大学；Google | arXiv:2610.11361 关键词：音视频生成, 分轨生成, 文本寻址, 混音噪声调度 前序问题：音视频模型通常只给一条混音；想换视角做空间音频，或单独编辑某个声源，就缺少可寻址的独立波形。 本文贡献：SepGen 在预训练音视频双流模型中增加分轨 adapter，每路由独立描述指定声源，在同次采样中生成视频、混音与分轨。分离模式保持输入混音干净；生成模式在高噪声读取带噪混音，低于阈值 σ_g 后读取其干净预测，减少分轨与混音错位。原混音主干保持不变。 论文 Figure 2：σ空间中的三种推理调度，从左到右：（a）分离模式保持混音 m 干净；（b）朴素共享噪声生成让分轨和混音处于同一噪声层；（c）SepGen 的分轨在 σ_g 以上读带噪混音，以下读其干净估计 ẑ₀,m，以改善生成时各声源与混音的对应。 实验效果：表 1：134 个声音案例和 60 个语音案例，联合生成的声音裁判分为 3.82，FlowSep 串行分离为 3.35；语音 WER 为 0.07，即 7%，FlowSep 为 1.03，即 103%。额外自分离声音分为 4.21，却使 WER 变为 0.10；这需要再运行一次，不能算同次采样。 论文 Table 1：生成评测，134个声音与60个语音案例；所有串行基线对同一生成混音和相同描述做分离，两行 SepGen 都使用生成 checkpoint。Judge/J-swap 为声音裁判及描述交换分，CLAP/C-swap为声音文本对齐及交换分，越高越好；语音WER与跨轨Cosine越低越好。联合采样WER0.07是7%，额外自分离WER0.10是10%；粗体与下划线是最好与次好，不代表额外自分离也是一次采样。 批判点评：当前训练和评估固定两个声源，不能声称任意数量分轨；声源仍带原场景混响与距离线索，完整新视角空间渲染属于后续工作。codec 重合成相位还影响 SI-SDR 的解释。作者项目页列出代码、模型和数据入口，未运行复现。 9. EDICT：全局改音色局部切换说话方式 Edit Who Speaks, Control How They Speak: Global Timbre Editing and Local Instruction Control for TTS | 新加坡国立大学；LIGHTSPEED；南洋理工大学；独立研究者 | arXiv:2610.11437 关键词：语音生成, 音色编辑, 局部指令, KV缓存重建 前序问题：参考语音克隆保留旧音色，文字设计又难在同一参考上微改；整句表达指令无法准确控制每个文本片段的语气。 本文贡献：EDICT 先把参考语音和结构化属性编辑送入可训练音色编辑器，生成 codec token 参考，作为各段共享的身份锚。冻结 TTS 主干按分段指令连续生成，在每个边界重建 KV 缓存：换入新指令和文本，同时保留首段与最近一段选定声学上下文，让表达变化但声音身份连续。 论文 Figure 1：EDICT 联合全局音色编辑与局部表达控制。可训练编辑器读取源参考和全局编辑指令，输出共享codec参考；每段冻结TTS均使用它。在指令边界重建KV缓存，以选定历史声学上下文保持衔接，多个片段组成一条连续话语。 实验效果：表 4：Qwen3-TTS-VD 联合控制，EDICT 的片段指令准确率 81.62%、过渡质量 83.45%；原 Joint 为 60.19%、70.07%。段间说话人相似度为 0.917、与原 0.918 接近；英文 WER 3.6%→5.1%，中文 CER 1.2%→1.9%，内容正确性付出代价。 论文 Table 4：Qwen3-TTS-VD上的联合音色及表达控制，请求结合TimbreEdit-Bench的音色编辑与IntraTTS-Bench的分段指令。SIM-T是整条语音与目标声线相似度，SIM-I是段间相似度；WER/CER分别为英文/中文百分数，粗体/下划线为最好/次好且分语种排名。EDICT的SegAcc81.62%、Trans83.45%、SIM-I0.917；错误率5.1%/1.9%，须与控制分共同看。 批判点评：音色编辑器仍要训练，冻结 TTS 主干不等于全系统免训练；训练、指令构造和评测含合成数据与模型裁判。指令遵循更高不能代替低错误率，推广到更多声线还待验证。作者演示页，未确认官方方法代码与权重入口。 10. RISEBench++：检查图像编辑是否真的推理对 Reasoning-Informed Visual Editing | 上海交通大学；东南大学；华南理工大学；微软亚洲研究院；复旦大学；华东师范大学 | arXiv:2610.12343 关键词：生成编辑评测, 隐式规则, 多轮一致性, 多图条件 前序问题：画得自然或保住外观，不代表模型从图中推断了正确状态；因果、空间规则和多轮条件经常在编辑图像中失效。 本文贡献：RISEBench++ 用六类推理、12 个子类和 65 种任务组织 1000 个英中文人工标注案例，覆盖单图、多图与多轮编辑。裁判分别评指令推理、外观一致性和视觉合理性，以任务条件检查生成图像；论文另研究带规划与核验的编辑执行流程，本期关注生成能力评测。 论文 Figure 3：RISEBench++的三维评测与流程。指令推理与外观一致性由Gemini-3-Flash按类别专用prompt评判，视觉合理性由Gemini-3.1-Flash-Lite评判；分别检查是否推理并执行正确、保留应保内容及画面是否合理，不能以自然外观替代推理正确性。 实验效果：表 1、2：共评估 58 个视觉编辑方案。英文集 GPT-Image-2.5 Sunburst 总任务准确率 56.6%，逻辑类 27.0%、混合类 39.0%；Nano Banana Pro 总分 54.6%，逻辑类 36.0%。领先总分也可能有明显类别短板，不能从一个榜单分推断所有编辑能力。 论文 Figure 6：英文RISEBench++细粒度任务准确率雷达图，展示七个模型在12个子类的65种任务上的表现。各轴对应不同任务，局部短板与总分排名并不一致；数值是此评测协议的任务判定，不是所有真实编辑的通用成功率。 批判点评：准确率是本数据集、指定模型版本和裁判协议下的任务判定；混合多轮错误会累积，英中文结果须分别看。不是纯视觉理解测验，产出要求确实编辑图像。官方仓库提供评测说明与样例，完整千例数据链接已单独核查。 趋势观察 先定义计算预算再谈加速 BudgetPix分配token，Data-space DMD调整迭代位置，PTD匹配学生能学的曲线，iCATS兼顾注意力保真和kernel开销。token比例、网络评估次数和端到端时延是不同口径。 内部监督也要验证失败条件 Rubric-CEPR用不可互相补偿的门控筛目标；RISEBench++把推理执行与外观合理性分开。画面真实或自评高分都不够，仍要检查未编辑内容和真实任务约束。 把控制绑定到正确对象与时间 VINCIE-NExT绑定关键帧示范，SpaceFlow路由到局部部件，SepGen分配声源描述，EDICT在分段边界重建上下文。局部控制有效，还要验证全局一致性与连续性。 更高总分仍可能付出代价 EDICT内容错误率、SpaceFlow纹理细节、PTD部分多样性都揭示不同目标间的取舍。部署时应使用自己的分辨率、声源数、视频长度与硬件复核。 今日讨论 BudgetPix用四叉树按熵分配token，在25%预算下GenEval为0.725，但全分辨率像素阶段形成计算下限；你会用哪些细节证据与端到端时延测量，判断这种预算在自己的图像生成场景中是否值得采用？ 人工智能炼丹君 整理 | 2026-10-12

AIGC 每日速读|2026-10-09|KAIST视频生成快11.1倍GRACE 今日 AIGC 论文速览 今日共 10 篇 · 视频表示与自回归生成 3 篇 · 图像token与跨模态编辑 2 篇 · 几何与物理场景生成 2 篇 · 连续语音与情绪控制 2 篇 · 生成图像文字评测 1 篇 重点论文标题列表 GRACE（KAIST）：压缩潜空间让视频快11.1倍 QuadTok（UCSD）：用四叉树把token留给细节 SGF+（清华）：让记忆写入与去噪各练各的 CrossEdit（Adobe）：从复杂音频编辑迁移到音视频 Tetris3D（KAIST）：生成能互相支撑的3D物体 今日论文速览 1. GRACE：压缩潜空间让视频快11.1倍 GRACE: Generation-aware latent compression for efficient video generation | 韩国科学技术院；Kakao | arXiv:2610.10524 关键词：视频潜空间, 双潜变量, 生成对齐, 非对称去噪 前序问题：更强的 VAE 压缩能减少视频 token，却会改变预训练生成模型熟悉的分布。重建更清楚的潜空间，也未必更容易生成。 本文贡献：GRACE 保留冻结编码器从降采样视频得到的基础潜变量，另学残差潜变量补回丢失信息；在冻结 DiT（用 Transformer 做扩散生成）的特征空间对齐压缩前后表示。第二阶段用 LoRA 适配 DiT，让基础部分比残差更早去噪，后者依托已稳定的结构补细节。 论文 Figure 2：GRACE 总览。第一阶段冻结编码器从降采样视频提取基础潜变量，残差编码器从完整视频补信息，联合解码；对齐损失在冻结 DiT 内匹配压缩前后表示，右侧虚线框示意新增模块。第二阶段用 LoRA 适配 DiT，每步让基础部分处于更低噪声，先于残差稳定。 实验效果：表 1、2：Wan2.1-I2V-14B 的 token 约 32.8k→4.3k，VBench-I2V 总分 87.92→87.90；480×832、81 帧、50 步、单 A100 下加速 11.1 倍。表 3 的 736×1280、81 帧配置为 15.5 倍。计时含条件图编码、去噪和视频解码，不含加载、文本编码及 MP4 写盘。 论文 Table 1：视频自编码器在 256×256×81 重建与 480×832×81 生成条件下的对比。GRACE 将潜变量 token 从 32.8k 减至 4.3k，适配同一 Wan2.1-I2V-14B 后总分 87.92→87.90；但重建 PSNR 35.15→32.63 dB。灰色行是本文方法，粗体仅比较后三种同为 4.3k token 的压缩表示。 批判点评：接近的总分不保证逐项或逐帧无损；表 1 重建 PSNR 35.15→32.63 dB，说明优化生成不等于改善重建。仍需训练 VAE 与适配主干，不能即插即用，更不能把特定 GPU 与视频长度的倍数外推所有配置。作者项目页提供演示与方法入口。 2. QuadTok：用四叉树把token留给细节 QuadTok: Quadtree Visual Tokenizer for Autoregressive Image Generation | 加州大学圣迭戈分校 | arXiv:2610.10497 关键词：自回归图像, 四叉树token, 空间对应, 复杂度引导 前序问题：固定二维网格把平滑背景和复杂纹理分到相同预算；一维压缩序列虽灵活，却容易丢掉 token 与空间区域的明确对应。 本文贡献：QuadTok 用四叉树逐级细分区域，并按广度优先顺序串成序列。tokenizer 的亲缘注意力限制粗细层与兄弟节点交互；互补探测树的重建收益决定哪些区域多分 token。生成器在预先给定的树拓扑上，用普通因果注意力逐项预测视觉码，保留零样本布局控制。 论文 Figure 2：（a）四叉树按广度优先遍历串成一维序列，ViT 特征聚合成树节点，再量化与解码；（b）层级解码，粗节点恢复整体结构，细节点补局部；（c）互补探测树估计各区域的重建收益，用于形成内容自适应树。 实验效果：表 1：256×256 ImageNet 上平均 230 个 token，相比 LlamaGen 的 256 个少约 10%，rFID 2.19→1.46，但 PSNR 20.79→20.37；零样本 COCO 为 232 个 token、rFID 7.88。表 2 的 947M 类别条件生成模型 gFID 为 2.08。 论文 Table 1：256×256 ImageNet 与 COCO 重建比较。QuadTok 的 token 数是各数据集平均序列长度，ImageNet 训练的 tokenizer 直接迁移 COCO；f 为 LlamaGen 降采样倍率。表中更低 rFID 与更低 PSNR 可同时出现；三层树预算更多，不能只按树深度归因。 批判点评：重建时的内容自适应树不等于生成器自行预测树：采样前须指定拓扑。文生图仍是未来工作，类别条件与布局控制不能直接叫通用文生图。表 2 各系统训练与采样设置不同，不能只凭 gFID 归因于树结构。官方仓库已提供 tokenizer 训练、重建与预编码，生成模型不在该发布范围。 3. SGF+：让记忆写入与去噪各练各的 SGF+: Decoupling Gradient Flows for Autoregressive Video Generation | 清华大学；京东探索研究院；香港中文大学 | arXiv:2610.10429 关键词：自回归视频, 上下文梯度, 参数分离, 长时生成 前序问题：当前帧去噪和给未来写入 KV 记忆若共享参数，两种梯度可能冲突；只截断记忆梯度，又让后续生成无法监督记忆怎么写。 本文贡献：SGF+ 先无梯度自生成并记录干净上下文与采样出口，再并行重算可微 KV，让未来预测的原生成损失监督记忆写入。把写入与去噪参数分开，以因果注意力连接两者，不增加辅助损失。论文实测采用两套完整参数，而非只训练两个小 adapter。 论文 Figure 4：SGF 与 SGF+ 的两遍训练。第一遍无梯度自回归生成，记录停止梯度的干净上下文 X 和采样出口的带噪目标 Z*；第二遍从记录重构计算，让未来生成损失通过可微 KV 监督上下文。SGF 共享 θ，SGF+ 分别使用写入 θ_c 与去噪 θ_d。 实验效果：表 1 的 240 秒、分块生成，主体一致性由 SGF 的 97.72→98.21，审美 62.54→64.74，动态程度 56.97→56.92。训练窗口为 5 秒；作者另展示最长 24 小时连续生成，定量主表评测的是 60 秒与 240 秒。 论文 Table 1：60 秒和 240 秒的逐帧、分块生成比较，分别使用 VBench-Long 和 MovieGen-128 prompt。每组各方法的初始化、prompt 与随机种子一致；质量与一致性指标越高越好。动态程度可能因跳景或形变变高，不能单项决定质量；此表不是 24 小时量化评测。 批判点评：24 小时是演示能力，不是完整时长的定量质量或剧情评测。动态程度及部分图像质量并非全面更好；复制参数还增加存储成本。长期画面稳定不保证事件逻辑成立。作者项目页包含长视频材料。 4. CrossEdit：从复杂音频编辑迁移到音视频 CrossEdit: Cross-Modal Training Enables Rich Audio-Visual Editing | Adobe Research；卡内基梅隆大学 | arXiv:2610.10264 关键词：音视频编辑, 跨模态迁移, 合成编辑对, 指令遵循 前序问题：修改电影场景时既要理解组合指令，又要只动指定内容并保持声音与画面一致；这样的真实音视频编辑配对很难大规模收集。 本文贡献：CrossEdit 利用声音可相加的特点合成复杂音频编辑对，结合音视频掩码重建、唇同步编辑及精选跨模态任务做微调。统一 MoE DiT 通过 flow matching 编辑图像、音频与视频，将已学的复杂指令能力迁移到未见过的音视频场景编辑组合，并提出 CrossEditBench 与 AV-FES。 论文 Figure 2：CrossEdit 编码音视频输入的架构。图中省略图像，因为图像按单帧视频处理；音频与视觉经各自 VAE 进入统一生成模型，条件侧还使用干净语义表示。跨模态迁移仍依赖音视频重建等训练任务。 实验效果：表 2 的 CrossEditBench：相对 CrossEdit-Base，AV-FES 0.26→0.30，视觉子分 0.20→0.26，音频子分 0.31→0.33。模型总参数 12B、每次激活 3B；这些编辑分是论文协议下的综合评分，不是 30% 任务成功率。 论文 Table 2：CrossEditBench 的零样本音视频场景编辑。灰色列为单模态 FES 子分，带下划线为所提技术带来的改善；表中另列指令、内容一致性与 ImageBind 音画对齐。综合 AV-FES 0.30 是协议评分，不是任务成功率。 批判点评：零样本指特定未训练任务与指令组合，不是没用过音视频数据；唇同步编辑和掩码重建都参与训练。表中 ImageBind 对齐分 16.29 仍低于输入的 19.79，某些未编辑内容可能漂移。演示不等于模型权重已公开。作者演示页。 5. Tetris3D：生成能互相支撑的3D物体 Tetris3D: 3D Scene Generation With Objects That Fit Together | 韩国科学技术院 | arXiv:2610.10539 关键词：3D场景生成, 物理关系, 遮挡补全, 自回归物体 前序问题：单张图恢复多个物体时，各自漂亮的形状摆到一起仍可能相交、悬空或不稳；遮挡又让真正接触的区域不可见。 本文贡献：Tetris3D 按视觉语言模型推断的物理依赖顺序生成物体，显式读取邻居几何和支撑、容纳等关系。深度与反投影图像特征把形状直接放到场景坐标中，可见到不可见的交叉注意力帮助补全遮挡部分；ComOb 提供 120 万个带物体网格与关系标注的模拟场景。 论文 Figure 2：Tetris3D 按视觉语言模型推断的物理依赖拓扑顺序自回归生成场景。每个物体经过稀疏结构及结构化潜变量两阶段；各 DiT 将深度、反投影图像与交互条件注入对应网格 token，可见到不可见交叉注意力补全遮挡区域。 实验效果：表 1 的 Toys4K 组合场景中，相对 ShapeR，场景 F1 0.6480→0.8407，平均位移 D_mean 115.1→38.91，穿透深度 PD 0.8862→0.0036，均按原表量纲。真实 MessyKitchens 表 2 的场景 F1 为 0.9620，PD 为 0.0011。 论文 Table 1：Toys4K 组合场景的重建、分布生成和物理稳定比较。带 † 方法用 FoundationPose 将生成物体对齐场景；所有方法使用真值深度。CD、MMD 与覆盖率的缩放及位移单位遵循原文，物理稳定是指定模拟协议下的结果。 批判点评：Toys4K 主表给所有方法真值深度；真实数据才用估计深度与推断关系，两种条件不能混成统一收益。物理稳定是引擎与对象假设内的评估，不是任意现实接触的保证。没有从论文项目入口确认方法代码已发布。 6. PositionForcing：用预测位置引导单阶段3D Position Forcing: Self-Conditioning 3D Generation | 南开大学；腾讯混元；香港中文大学；复旦大学；上海创智学院；香港大学 | arXiv:2610.10342 关键词：单阶段3D生成, 位置自条件, 逐级量化, 位置VAE 前序问题：无序形状 token 在单阶段生成中仍需隐式找位置；先单独生成位置虽然能提供结构，却又多出一条生成阶段。 本文贡献：Position VAE 联合学习形状解码与 token 位置恢复。每个去噪步从预测的干净潜变量恢复位置，按当前噪声程度由粗到细量化，再通过 RoPE 反馈给 DiT；训练阶段用真值 query 位置。这种自条件提供空间引导，无需独立位置生成阶段。 论文 Figure 2：（a）Position VAE 学习形状与 token 位置的对应，可同时解码几何与位置；（b）去噪中从预测干净潜变量恢复位置，通过 RoPE 注入后续步骤；（c）位置随去噪逐级量化，由粗到细提供引导。 实验效果：表 3 的图像条件 3D 生成，相比 Hunyuan3D 2.1，ULIP-I 0.125→0.130，Uni3D-I 0.320→0.321，ULIP-T 为 0.077、与 TRELLIS 2 持平。表 1 的 20% 噪声位置恢复准确率，联合微调 92.5%，冻结 VAE 为 23.0%。 论文 Table 3：图像条件 3D 生成比较。列出是否单阶段，以及 ULIP-T/I、Uni3D-T/I 的文本与图像语义相似度；粗体为该列最佳。Position Forcing 的 ULIP-T 与 TRELLIS 2 持平，其他小幅增益也不构成所有网格质量的保证。 批判点评：小幅语义相似度改善不等于每个网格拓扑都正确；位置恢复准确率是在指定 128³ 网格与噪声下测得，不能当生成成功率。需要位置解码器和联合训练，新增位置恢复的时延不能视为免费。作者项目页提供结果入口。 7. MORCA：按最终视频误差决定缓存复用 MORCA: Offline-to-Online Reinforcement Learning for Adaptive Cache Reuse in Video Diffusion Acceleration | 上海交通大学；阿里云；阿里巴巴 | arXiv:2610.10457 关键词：视频扩散缓存, 终点误差, 潜变量状态, 离线在线强化学习 前序问题：当前步的缓存误差不必对应最终视频损伤；固定阈值也难准确满足用户指定的加速预算。 本文贡献：MORCA 保留 SeaCache 的残差缓存粒度，用学习到的调度器替代阈值。状态同时包含潜变量特征、误差代理与剩余复用预算；以相对无缓存视频的终点保真度训练策略，先做离线 IQL，再在线补充轨迹，决定本步重算还是复用。 论文 Figure 2：MORCA 总览。下部调度器逐步选择缓存复用或重算；左上将目标加速映射为复用总预算，与误差代理、步统计、潜变量特征及当前复用数共同组成状态；右上以 IQL 做离线到在线强化学习。 实验效果：表 2：50 步 Wan2.2-A14B、RTX A6000，在约 3 倍加速时，SeaCache 为 320.41 秒、PSNR 14.99，MORCA 为 326.93 秒、PSNR 16.77、LPIPS 0.3435。Wan2.1-1.3B、RTX 4090 的 MORCA 为 84.98 秒、实际 3.01 倍，PSNR 20.95。 论文 Table 2：Wan2.2 与 Wan2.1 在不同目标加速下的时延及相对无缓存输出保真度，粗体为最佳、下划线为次佳。PSNR、SSIM、LPIPS 用相同 prompt 与种子的无缓存视频作参考，不是现实视频真值；目标与实际加速略有差异。 批判点评：PSNR、SSIM、LPIPS 比的是同 prompt 与种子的无缓存输出，不是现实视频真值或人工偏好。不是免训练缓存法，离线数据与在线 rollout 都有成本；预算离散会留下加速误差。在约 2.4 倍的 Wan2.1 配置，LPIPS 未胜过全部基线。作者仓库当前只标 Coming soon，方法实现尚未公开。 8. JoyAI-Voice2.0：连续潜空间同时规划语义声学 JoyAI-Voice 2.0: A Full-Continuous Autoregressive Speech Generation Model with Semantic-Acoustic Joint Representation | 京东探索研究院 | arXiv:2610.08834 关键词：连续语音生成, 语义声学双编码, 局部扩散, 语音克隆 前序问题：连续语音生成避免量化损失，却可能把声学噪声传回自回归规划，长期输出不稳定；只保语义又会丢掉音色与微小韵律。 本文贡献：JoyAI-Voice 2.0 将 AudioVAE 连续潜变量分成 patch，双编码器分别抽取纯化语义与完整声学信息，融合后交给 1.5B 因果 Transformer 规划下一块。局部 DiT 以历史块为条件生成下一块，再解码为 48 kHz 波形；训练结合 flow matching、停止预测、SFT 与 DiffusionNFT。 论文 Figure 3：JoyAI-Voice 2.0 架构。原始波形由 AudioVAE 压缩为连续潜变量并分块，双编码器抽取纯化语义和声学表示，融合后由因果自回归 Transformer 规划；局部 DiT 生成下一块完整潜变量，最终解码为 48 kHz 波形。 实验效果：表 2 的 Seed-TTS，中文 CER 0.74%、英文 WER 1.27%、困难集 CER 5.53%；三个子集的平均识别错误率为 2.51%，相对 dots.tts 的 2.95% 降低 14.9%。说话人相似度平均 74.8，低于 dots.tts 的 79.2，内容正确不等于声线最像。 论文 Table 2：Seed-TTS 零样本语音克隆。中文及困难集用 CER，英文用 WER，SIM 为说话人相似度；错误率越低越好、SIM 越高越好。平均识别错误率混合不同子集口径，2.51% 不能当所有语言的统一 WER；粗体标注各列最佳。 批判点评：平均 2.51% 混合中文 CER 与英文 WER，不能统称所有语种 WER。MDVD-Eval 是作者的中文多属性集，并用模型裁判评分；不能外推任意语言与真实交互延迟。原文首发 9 月 29 日，本期从候选池补充这篇未读报告，未确认官方代码或权重公开。 9. SteerSpeech：用小向量调节说话情绪强度 Steerspeech: Activation Steering For Emotion Control In Generated Speech | 弗吉尼亚大学；Netflix | arXiv:2610.10415 关键词：语音情绪控制, 激活steering, 低秩变换, 多专家监督 前序问题：情绪 prompt 或参考语音难细调强度；直接加激活差向量又可能改掉说话人身份与文本内容。 本文贡献：SteerSpeech 冻结 Qwen3-TTS 主干，为每种情绪训练 33,793 参数的低秩变换。将情绪与中性激活差修正为 steering 向量，用情绪、身份和转录专家共同监督；生成后再 replay，并用直通估计器跨过离散语音 token 训练，推理时以强度 α 注入隐藏层。 论文 Figure 1：SteerSpeech 总览。冻结语音主干，只学习情绪 steering 的低秩变换；训练经生成与 replay，用情绪、身份和转录专家监督修正向量，推理以 α 调节注入强度。免主干微调不等于完全免训练。 实验效果：表 1 汇总：愤怒目标情绪分从朴素 steering 的 0.651→0.835，WER 6.0%→5.1%；快乐情绪分 0.487→0.524，但 WER 7.1%→9.7%。表 2 的代表性情绪 A/B 主观比较中，相对朴素 steering，情绪强度偏好为 78.1%。 论文 Table 2：代表性情绪的主观 A/B 偏好，三组比较分别列情绪强度、身份保留与自然度。SteerSpeech 相对朴素 steering 的情绪偏好 78.1%，但身份与自然度偏好为 41.2%、47.7%；相对情绪参考语音也并非全项占优。 批判点评：更强情绪并非所有属性都更好；表 2 相对参考语音，身份偏好仅 12.6%、自然度偏好 16.2%。因此不能把强度偏好称为整体音质胜率。需训练低秩变换，且仅在指定主干与情绪上验证；arXiv 注释明确 ICASSP 2027 在审，未接收，也未确认官方代码。 10. UltraText：检查整幅图里的长文本是否对 UltraText Bench: A Comprehensive Bilingual Benchmark for Evaluating Visual Text Rendering in Image Generation | 西湖大学；蚂蚁集团；浙江大学；上海创智学院；香港科技大学；中科院自动化所；微信AI；MBZUAI；香港城市大学；北京大学 | arXiv:2610.09823 关键词：生成文字评测, 双语密集文本, 整图裁判, 保真度与清晰度 前序问题：一个招牌写对，不代表海报、菜单或网页里的所有区域都对。文字看起来清楚，也可能遗漏或改写指定内容。 本文贡献：UltraText Bench 提供 432 个英中文 prompt，覆盖 24 类场景、三个难度和每图 4–12 个文本区域；生成器只接收 prompt。完整结构化参考交给 Q-Judger，对整图六项评分映射为文字保真、清晰、空间与场景四维，并把失败覆盖率与有效图质量均值分开报告。 论文 Figure 4：任务与评分协议。生成器只接收 prompt，Q-Judger 读取完整参考与生成图，输出六项整图评分，再合成为四维与综合分；参考字段并非与分数逐项对应，网格只给粗位置，可共享格子。无效响应不评分并降低覆盖率；面包店示意简化自指定四区域记录。 实验效果：表 5 的 24 个模型配置：Z-Image-Turbo 相比 Base，清晰度 70.60→74.41，保真度 55.51→40.75；Qwen-Image-2512 的英文综合分由 L1 的 86.50 降到 L3 的 42.86。综合分权重为 60/30/5/5，分数在 0–100 范围。 论文 Table 5：24 个模型配置排行榜。VLM 评分 0–100，英中文 prompt 宏平均等权汇总；综合权重为保真、清晰、空间、场景 60/30/5/5。L1/L2/L3 为不同负载，Low/High 为 API 品质；失败影响覆盖率而不直接记零分，排名不等于字符正确率。 批判点评：这些是视觉语言模型评分，不是正确字符百分比；默认采样、分辨率和 API 设置不同，不能把 Base/Turbo 差异单独归因于加速。语言集独立编写且字符负载不同；报告没有置信区间，近分排名须谨慎。官方数据与评测仓库。 趋势观察 表示要为生成目标服务 GRACE 用 DiT 特征指导潜空间压缩，QuadTok 给复杂区域更多 token，JoyAI 把语义与声学分开再融合。重建指标、token 数和生成质量需要分别核对。 不同计算职责可以明确拆分 SGF+ 分开上下文写入与去噪，Position Forcing 从预测干净形状恢复位置，MORCA 按终点误差调度缓存。相似模块的职责不同，训练与部署成本也不同。 控制需要保留未编辑属性 CrossEdit 在组合指令中兼顾音画与内容，Tetris3D 条件化邻居关系，SteerSpeech 约束声线与转录漂移。控制强度或几何稳定单项更好，都不能代替整体质量。 把指标拆开才看得见代价 JoyAI 的低识别错误不代表最高说话人相似度；UltraText 的文字清晰不代表内容正确。总分与偏好都有边界，评估时要同时看分项、失败覆盖率和实验设置。 今日讨论 GRACE 用双潜变量在指定 A100 设置实现 11.1 倍提速，但重建 PSNR 下降；你会用哪些指标与逐帧证据，验证残差潜变量补回的信息足以满足上线画质要求？ 人工智能炼丹君 整理 | 2026-10-09

AIGC 每日速读|2026-10-08|Stanford视频生成快3.53倍LoT 今日 AIGC 论文速览 今日共 10 篇 · 生成架构与后训练 3 篇 · 图像视频算力与量化 3 篇 · 多参考图与长视频记忆 2 篇 · 数字人与生成语音增强 2 篇 重点论文标题列表 LoT（Stanford）：按细节分配视频生成算力 LiFT（阿姆斯特丹）：共享主干多循环细化图像 MEND（得州奥斯汀）：奖励收益够大才移动样本 RefRoute（达特茅斯）：十六张参考图也能轻量合成 Keepsake（中佛罗里达）：长视频只留难替代的历史帧 今日论文速览 1. LoT：按细节分配视频生成算力 Level-of-Token Diffusion | 斯坦福大学；Google | arXiv:2610.05816 关键词：多分辨率token, 图像视频生成, 算力分配, 不对称flow 前序问题：天空、虚化背景和人脸被分配同样密度的 token，生成时算力花在很多低细节区域。直接压缩 token 又会让预训练 DiT 只能输出低分辨率流场，难兼顾省计算与完整画面。 本文贡献：Level-of-Token 把框、语义掩码、纹理方差或景深转成大小和形状不同的矩形 token 布局。重要区域用细 token，其余区域合并；经分块不对称 flow、形状嵌入、与原网格对齐的 RoPE 及按形状区分的输出头，DiT 处理较短序列，但每步仍恢复完整分辨率速度场。需要微调预训练模型。 论文 Figure 3：LoT 流程。完整分辨率 token 网格 x_t 按 LoT 布局映射成较短序列，DiT 以 token 形状 s、时间步 t 与文本 c 为条件处理；按形状区分的输出头 h_e_i 恢复不对称速度 u，再转为完整秩速度用于 flow-matching 训练。 实验效果：表 2 的 Wan2.1 14B、三倍 token 压缩预算下，论文报告平均视频生成加速 3.530 倍；Aesthetic 为 0.5104、Imaging 为 0.5650，完整基座为 0.5518、0.6465。表 1 的 FLUX2 4B 对应预算最高加速 2.040 倍。数字代表不同预算下的速度与质量取舍。 论文 Table 2：视频生成量化比较。相同 token 预算下，与压缩基线相比，LoT 的 Aesthetic、Imaging 分数及加速更好；表内同时列出完整分辨率 Wan2.1 14B，压缩后这些质量分仍低于完整模型，不能把基线间优势读成全面无损。 批判点评：标题的 3.53 倍限于上述视频配置，不代表任意布局或所有模型。全画面都需要细纹理时，可减少的 token 很少；压缩过强仍损害细节。它不是只靠换采样器的免训练技巧。可从作者项目页核对布局及演示，本期未确认可下载的方法代码。 2. LiFT：共享主干多循环细化图像 LiFT: Loop Flow Transformers | 阿姆斯特丹大学；TNO | arXiv:2610.05538 关键词：循环DiT, flow matching, 推理深度, 参数共享 前序问题：生成质量通常随参数增长，模型存储预算有限时很难扩容。让同一主干循环多次，又常要求每次直接猜最终目标，训练深度之外未必继续改善。 本文贡献：LiFT 反复调用共享 DiT 核心，给每次循环连续深度坐标，并把各步预测监督到初始速度估计与 flow-matching 目标之间直线路径的对应位置。训练随机采样内部坐标，推理使用均匀网格；一个固定 checkpoint 可在不增加参数、不重新训练的情况下改变循环次数，并和外层积分步数共同分配计算。 论文 Figure 2：深度循环与时间 flow。（a）采样器沿生成时间推进，每步调用一次网络；（b）每次调用把共享核心运行 K 次，每次有自己的深度坐标 s_k，共享读出头给出预测 u_k；（c）训练把每个预测回归到从停止梯度的初始估计 b=sg(u_0) 到 u* 的路径对应点；（d）训练随机采样内部坐标，推理用均匀网格。各面板颜色标出同一循环，为清晰省略归一化及首次 h_0 重注入。 实验效果：表 2 的 ImageNet 256×256、50 个积分步设置：L/2 R10 在训练的两次循环时 FID 为 20.30，推理八次循环为 10.95。图 7 对应 dense L/2 的 250 步为 15.74，八次循环 LiFT 计算约少 30%。所有点均按五万张生成图评价。 论文 Figure 7：增加循环细化相同噪声的图像。展示 LiFT L/2 R10 在 50 个积分步与 dense L/2 在不同步数的选定配对样本，各行共享类别及初始噪声，列标题给每图 TFLOPs。第二列八次循环与末列 dense 的 250 步相比，计算少约 30%、FID 10.95 对 15.74；这些选定图不替代五万张量化评测。 批判点评：更深并非始终更好，八次后也有回退；B/2 小模型在所测预算下仍落后 dense 基线。实验为无 CFG 的类别条件图像生成，不能直接推广视频或文生图。FLOPs 是解析估计，未验证设备延迟、能耗或峰值显存；作者页中的代码入口仍标为 Coming Soon。 3. MEND：奖励收益够大才移动样本 MEND: RL For Flow Models via Proximal Velocity Matching | 得州大学奥斯汀分校；Google；科罗拉多大学博尔德分校 | arXiv:2610.05954 关键词：生成后训练, 可微奖励, 近端速度匹配, 多样性 前序问题：奖励重加权需要大量更新，直接沿奖励梯度推动所有样本又可能牺牲多样性。一个高分样本是否还该移动、移动多远，常由统一更新幅度决定。 本文贡献：MEND 在同一 prompt 组内给奖励设上限，已达上限的样本保持不动；其余样本沿奖励梯度提出三个不同长度的候选，只有截断后的奖励收益超过二次位移代价才接受。再把接受的位移转成存储状态处的速度回归目标。行为 adapter 随训练做 EMA，方法不使用冻结参考、KL 项或 advantage 权重。 论文 Figure 4：MEND 总览。（1）同一 prompt c 的组中，达到奖励上限 κ 的样本保持；（2）低于上限的样本沿奖励梯度得到三个提议，判据从截断奖励扣除位移代价并选最佳候选，示例选最短 y_1；（3）训练 adapter 在存储状态回归到行为预测加接受位移 d 的目标，即公式 5 的速度目标，行为模型随后用 EMA 跟随。 实验效果：表 2 的 DrawBench 200 个提示、每个五个种子：训练 PickScore 的 MEND 100 次更新得到 23.70，Flow-GRPO 约四千次为 23.52，两者到基座的距离同为 0.313；MEND 六个评价指标中五个更高。另一个等预算协议的表 7：PickScore 为 24.03，ReFL 23.92、DiffusionNFT 23.43，不能混成同一实验。 论文 Figure 3：SD3.5-M、Flow-GRPO、DiffusionNFT 与 MEND 的图像比较。每行共享同一提示与种子，各图标注 PickScore；这是配对示例而非整体成功率。 批判点评：更新次数差距不等于训练时间快四十倍，候选需解码和奖励评价。必须有可微奖励；目标选择的收益保证不等于模型每次更新保证，更无法识别错误奖励。长训练仍可能奖励投机；表 2 美学分数还低于 Flow-GRPO。作者项目页提供复现入口，实际代码状态按页面核验。 4. RefRoute：十六张参考图也能轻量合成 RefRoute: Decoupling Conditioning Cost from References via Compact Residual Conditioning and Spatial Routing | 达特茅斯学院 | arXiv:2610.07720 关键词：多参考图生成, 紧凑残差条件, 空间路由, 注意力加速 前序问题：多张参考图都编码成密集网格再全局注意力，计算随数量和分辨率上涨；不同参考的外观还会串到错误人物或物体上。 本文贡献：RefRoute 把每张参考图先降采样再 VAE 编码，用全分辨率像素残差编码器补回细节。条件路由与注意力路由把参考分配到目标区域，限制跨参考交互，同时允许区域外的选择性访问以处理反射、接触等场景关系。单张 1024×1024 参考的 token 从 4096 减为 256，仍需训练及多参考微调。 论文 Figure 2：RefRoute 总览。每张参考图先降采样并由 VAE 编码成紧凑 token，残差编码器从完整分辨率提取互补特征，在 DiT 输入投影后加到对应参考嵌入；增强嵌入与文本、带噪目标通过条件专用 adapter 和注意力路由联合处理。 实验效果：图 4 独立计算成本实验中，16 张参考图、50 步和四步配置分别比对应 FLUX 基线快 18.3、14.2 倍。表 2 的 ManyRef100 包含 10–17 张参考，多参考微调后的 Weighted-Ref-VIEScore 为 36.06，FLUX.2-Klein-9B 为 8.88；该分数不是成功率。 论文 Figure 4：参考数量与推理成本。与 FLUX.2-Klein 基线及相同主干上的 OminiControl2 参考分支实现相比，RefRoute 在所测配置中时延增长更慢、峰值分配显存接近恒定；分支实现比较不代表完整 OminiControl2 训练系统。 批判点评：加速实验和微调质量实验需分别理解。少参考 MICo-Bench 的 52.81 仍低于对应基座 55.67，不能宣传所有参考数量都更好。评分依赖多模态模型，自建数据有合成及筛选偏差。原文仅承诺发表后释放代码、配置和相关数据，不能写成当前已开源。 5. Keepsake：长视频只留难替代的历史帧 Keepsake: Selective Spatial Memory for Long-Horizon Video Generation | 中佛罗里达大学 | arXiv:2610.06588 关键词：长视频生成, 空间记忆, 固定容量, 免训练控制 前序问题：生成越久就保存越多历史帧，检索和存储持续增长；只保留最新帧又会忘掉刚离开的场景。历史帧价值随新视角出现而改变，一次性决定保留不够。 本文贡献：Keepsake 在每个视频块生成后，把已有和新增观察建成位姿—外观图，以相机距离及视觉相似度衡量替代关系。保留优先级同时看强替代帧数量与最近替代者相似度，优先留下难替代观察，逐步删除冗余直到满足固定容量。只修改持久记忆更新规则，宿主生成器、采样及检索规则保持原样，无需再训练。 论文 Figure 2：Keepsake 总览。上部将它插入长视频循环作为记忆更新模块，每个生成块后更新持久记忆，保持生成器及检索规则；下部把旧记忆和新观察汇集成位姿—外观图，边权结合相机邻近与视觉相似度。节点统计强替代者数量和最近替代者相似度，共同决定保留优先级；删除低优先级观察直到满足容量 B。缩略图与展示分数为说明示意。 实验效果：附录表 5 的十五条匹配 180 秒 MemCam 轨迹：完整记忆 5397 帧、FVD 734.2；Keepsake 留 32 帧、FVD 476.6，降低 35.1%，LPIPS 0.5980→0.5876。表 1 的另一组 60 秒 WorldMem：FVD 3077.6→1116.9，每次检索 77.92→4.54 ms。 论文 Table 5：长时 MemCam 结果。十五条匹配的 180 秒轨迹，有限记忆策略容量 B=32；比较完整保留、FIFO 与 Keepsake 的存储条目、LPIPS 和 FVD。Keepsake 的 32 帧相对完整 5397 帧仍改善质量，不能由检索收益推出完整生成时延。 批判点评：检索毫秒不是整段生成耗时，32 帧是记忆库容量而非视频长度。样本仅十五条匹配轨迹，几何与视觉相似度也未必代表未来所有重要事件；最优预算随任务变化。原文称策略代码在补充材料，本期未确认独立公开仓库，不能泛称无限长记忆已解决。 6. CentriQ：先去均值再做低比特量化 CentriQ: Calibration-Free Quantization of Diffusion Transformers via Exact Mean Centering | Tenstorrent；洛桑联邦理工学院 | arXiv:2610.06260 关键词：DiT量化, 无校准, 均值补偿, 四比特激活 前序问题：DiT 的条件归一化会重新引入逐 token 均值。Hadamard 旋转不一定能把这部分能量均匀摊开，单个大坐标会撑大量化范围；照搬语言模型的免校准量化会损伤图像。 本文贡献：CentriQ 先减去每个 token 的通道均值，再旋转与量化；减去的成分通过完整精度的 rank-1 分支精确补回线性层输出，因此不是丢掉均值。激活尺度由无数据规则得到，权重拟合使用抑制重尾影响的稳健目标。同一路径覆盖 PixArt-Σ、FLUX.1-schnell 和 SANA 的 adaLN 条件设计。 论文 Figure 3：CentriQ 的一个量化线性层。上部为在线逐 token 路径，下部为离线权重路径；每个 token 的均值 x̄_t 与权重行和向量 w_1 构成全精度 rank-1 分支，绕过权重与激活量化并补回均值分量。 实验效果：表 1 的 MJHQ、W4A4：FLUX.1-schnell 的 FID 为 18.8，带校准 SVDQuant 为 18.3，BF16 为 19.5；SANA-1.6B 为 16.2、19.3、16.0。表 2 的 FLUX W4A2 消融中，完整方法 FID 35.59，只有旋转为 455.30，二比特结果仍有明显质量差距。 论文 Figure 4：FLUX.1-schnell 在 W4A4、W4A2 与 W2A4 下的 GenEval 提示结果，同一行共享提示和种子；标记是 GenEval 检测器的判断，而非人工成功率。 批判点评：rank-1 补偿精确不代表整个量化模型无损。二比特激活采用模拟量化，没有支持它的融合 kernel；A100 整数张量核结果不能等同新 GPU 的 NVFP4。FID 单项改善也不是逐张更好。arXiv 注释明确代码及项目页将稍后发布，本期不放尚未确认的方法仓库。 7. BASA：标准注意力后端也能高效稀疏 Backend-Agnostic Sparse Attention for Fast High-Resolution Visual Generation | 上海交通大学；复旦大学；香港大学 | arXiv:2610.08772 关键词：稀疏注意力, 平移窗口, 全局KV池化, 高分辨率生成 前序问题：固定窗口算得快但边界易出方格伪影，细粒度滑窗质量较好却依赖复杂专用 kernel。理论注意力稀疏度并不保证实际加速。 本文贡献：BASA 在不同 DiT 层与去噪步交错平移空间窗口，让邻域跨边界交换信息；池化的全局 K/V 补长程上下文，标准 SDPA 完成本地与全局计算。视频窗口保留完整时间跨度，仅做空间稀疏。实验还用密集教师蒸馏注意力层，不应把全部结果写成免训练替换。 论文 Figure 3：BASA 总览。（a）稀疏注意力结合多个组件，在减少注意力成本时恢复局部及全局视觉交互；（b）作为 DiT 块视觉自注意力模块的替换，其余生成流水线保留。实验中的注意力蒸馏仍需训练。 实验效果：表 3 的单 A100、Wan2.1-T2V-1.3B，从 832×480 外推到 1664×960：窗口 10×10、池化 4×4 时，预热后注意力前向延迟 509.66→112.84 ms，加速 4.52 倍、稀疏度 90%。表 4 的一百段视频中，Imaging Quality 65.22%→67.02%，Aesthetic 57.53%→56.87%。 论文 Table 3：Wan2.1-T2V-1.3B 从 832×480 到 1664×960 的视频分辨率外推注意力效率。配置在 latent 网格上定义；时延为预热后的注意力前向耗时，加速相对 dense Wan，列出实现、稀疏度、TFLOPs、MFU 与 kernel 效率，不是端到端采样速度。 批判点评：4.52 倍限注意力前向，不能当端到端视频生成加速。各质量维度有升有降，表 1 的相似度还是与密集模型输出比较。窗口过小可能损伤保真度，标准后端兼容也不等于所有硬件都实测；未确认该方法独立代码链接。 8. TalkLikeYou：一步生成个人说话习惯 Talk Like You: Imitating How You Speak in Real-Time Talking Head Generation | 中国科学院自动化研究所；中国科学院大学；中科院香港创新研究院；澳门科技大学 | arXiv:2610.06658 关键词：数字人生成, 说话习惯, 一步flow, 运动空间 前序问题：同一发音，不同人露齿、张嘴和嘴角运动习惯不同。只保证音画同步与清晰度容易生成千人一面的表情，单人微调又增加部署成本。 本文贡献：TalkLikeYou 在隐式关键点运动空间建模说话习惯，用音频、源运动与可选习惯条件生成旋转和表情变化，再以冻结渲染模块合成视频。flow 模型预测干净运动，一步采样；两阶段学习先用预设 one-hot 习惯，再学习参考视频到统一习惯空间，并用 PLAD 评价相似性和多样性。 论文 Figure 2：TalkLikeYou 框架。flow 运动生成器从可选习惯来源一步采样习惯感知运动，再渲染视频；两阶段习惯学习增强泛化与稳定性。统一习惯空间中星号表示 one-hot 习惯编码、圆点为参考视频样本；第一阶段用对齐损失关联视频特征及对应习惯编码。 实验效果：表 1 的 HDTF：FID 7.71、FVD 112.94、身份相似度 CSIM 0.94，对应 Ditto 为 21.61、319.03、0.87。Sync-C 为 8.73，但 Sync-D 6.82 仍高于 Sonic 的 6.70，唇同步并非所有指标最优。推理运动采样为一步，训练两阶段在 RTX 3090 上分别 48、72 小时。 论文 Figure 3：三种选定说话习惯下与先进基线的视觉与唇同步比较。需放大观察细节，动态视频见作者补充材料；静态帧不单独证明完整时序质量。 批判点评：一步运动采样不代表整条视频流水线只做一次前向，静态图也无法证明时序同步或个人习惯完整复现。定制需参考视频或预设习惯，跨人物、姿态与口型应另测。作者项目页和官方仓库提供方法入口。 9. AuraSE：降噪时尽量不改词与声线 AuraSE: Low-Hallucination Generative Speech Enhancement via Multimodal Flow Matching and Inference Policy Optimization | 香港中文大学深圳；Microsoft Research | arXiv:2610.06632 关键词：生成语音增强, 多模态flow, 推理策略优化, 内容保真 前序问题：生成式降噪能让音频更干净，却可能改词或改说话人。即便输入转录文本，不同句子的最佳 guidance、温度和步数也不同。 本文贡献：AuraSE 用文本与声学双流再转单流的 MMDiT，保留退化音频的专门通路。IPO 从当前模型在多组解码配置下生成候选，按感知质量、词错误率、说话人相似度和语义保真组合奖励形成偏好对，周期刷新数据并优化。部署最终固定十步 ODE，不做逐句搜索，不使用 CFG。 论文 Figure 1：AuraSE 总览。左侧双流再转单流 MMDiT 以转录为条件增强退化 mel 并预测 flow 速度；中央双流块让 mel 与文本共同注意力但保持独立投影；右侧 IPO 用多样推理策略解码、评分、在缓冲中组成自生成偏好对，再闭环更新模型。 实验效果：表 3 每个合成测试集 824 句：有混响 WER 从 AuraSE 基础版 9.65% 降至 IPO 8.22%，无混响从 8.43% 降至 6.98%。表 4 的真实 DNS 盲测 OVRL 3.144→3.365，人类盲听综合分 3.60±0.13→3.74±0.13，区间为 95% 置信区间半宽。 论文 Table 3：合成主测试，有混响与无混响各 824 句；除 WER 外越高越好，粗体及下划线为增强系统中最佳与次佳，排除原始噪声音频参考。SIG、BAK、OVRL 是感知质量，SIM 是说话人相似度，SBS 是语义保真，不能只选一个维度宣称零幻觉。 批判点评：低 WER 不等于零幻觉，说话人相似度也并非所有系统最高。输入转录及评测依赖外部识别器，后训练还要多次声码器及奖励计算。结果限于论文的英语增强条件，不可直接外推所有语言、麦克风和音乐修复；本期未确认官方代码入口。 10. CoAl：对齐上下文token提升生成 Learning to Read the Contextual Tokens in Diffusion Transformers | 特拉维夫大学；康奈尔大学 | arXiv:2610.06844 关键词：多模态DiT, 上下文对齐, 全局语义, 生成表征 前序问题：多模态 DiT 会不断更新文本 token，但其内容与生成质量的关系不清楚。只对齐图像 token 的局部特征，可能忽略上下文中逐步形成的全局场景信息。 本文贡献：作者先用轻量瓶颈把多层上下文 token 映射给冻结语言模型，从隐表示询问生成图语义；再提出 Contextual Alignment（CoAl），把单个早期层的上下文表示通过小型 Q-Former 对齐到干净图的冻结 SigLIP 全局语义嵌入。空提示条件加权减少照抄 prompt 的捷径，额外对齐网络只在训练使用。 论文 Figure 6：Contextual Alignment。轻量 Aligner 把多模态 DiT 的上下文 token 映射成嵌入，以负余弦相似度损失对齐到冻结语义编码器从干净输入图得到的教师嵌入。 实验效果：表 1 的从零训练实验：REPA 加 CoAl 后 FID 4.95→4.29，Recall 0.338→0.407；另一个 SD3 在 Fine-T2I 上微调实验，基础 FID 19.30、常规 flow 微调 17.18、CoAl 16.75。两种协议数据与指标范围不同，不能直接排名。 论文 Table 1：与表征对齐基线的量化比较。（a）完整模型从零训练：给 REPA、HASTE、SRA 加 CoAl，分别列 FID、CLIP、HPS、Precision 与 Recall；（b）预训练模型微调：比较基础、常规 flow、视觉对齐及 CoAl 的 FID 和分布覆盖。两种实验使用不同协议，数字不能横向混排。 批判点评：读到语义及与偏好分相关，不等于模型能逐步逻辑推理或保证最终画面。Reader 训练集中于单个人物和十五类问题，标签来自 VLM；全局语义对齐也不能保证局部细节正确。这篇入选依据是实际改进生成的 CoAl，而非一般视觉问答；未确认方法代码已公开。 趋势观察 预算应跟随内容与条件 LoT 根据画面细节改变 token 布局，RefRoute 压缩参考条件并路由到指定区域，Keepsake 留下难替代视角。减少重复信息比统一压缩所有输入更值得先测。 计算位置和更新目标都能调整 LiFT 把计算放在共享主干循环，MEND 先检查样本移动是否值得，AuraSE 把多配置偏好训练进固定解码器。它们减少的是不同成本，不能用同一加速口径相互比较。 低比特与稀疏仍需保留关键通路 CentriQ 用精度较高的分支补回均值，BASA 用全局池化恢复长程信息。压缩不是简单删去内容，关键是被省略的部分如何表达及补偿。 可解释表征要落到生成验证 TalkLikeYou 用运动空间表示习惯，CoAl 对齐上下文全局语义。表征可读不等于可靠控制，仍须核对质量变化、数据范围与失败例。 今日讨论 你的生成内容中，哪些区域可以降低细节预算，哪些区域必须保持完整？ 人工智能炼丹君 整理 | 2026-10-08

AIGC 每日速读|2026-10-07|腾讯原生2K音画训练快2.5倍Prism 今日 AIGC 论文速览 今日共 10 篇 · 音画与流式声音生成 2 篇 · 规则一致性与四维世界 2 篇 · 图像生成与连续编辑 2 篇 · 视频编辑与推理加速 3 篇 · 结构可控声音变形 1 篇 重点论文标题列表 Prism（腾讯）：原生二千像素音画训练提速 S2PD（剑桥）：先串行推演再并行修画面 PVD（港理工）：两个半身专家接力生成图像 WorldSonus（港科大）：世界画面逐段配上立体声音 ALIVE（罗切斯特）：插入的物体跟着人物互动 今日论文速览 1. Prism：原生二千像素音画训练提速 Prism: Dynamic Sparse Attention for Native 2K Joint Video-Audio Generation Model Training | 腾讯混元；复旦大学；浙江大学 | arXiv:2610.05416 关键词：联合音画生成, 原生2K训练, 动态稀疏注意力, 跨模态引导 前序问题：2K 视频的 token 数量让全注意力训练昂贵，先生成低分辨率再超分又难补回原生细节。固定稀疏块还可能把不同运动方向或关键发声区域混在一起，省了计算却损伤动作与声音对应。 本文贡献：Prism 在 MOVA 双分支 DiT 中替换视频自注意力，保留音频与跨模态注意力。先划分 8×8×8 时空宏区，结合视频特征通道方差和音频到视频交叉注意力范数，为各区选择 64、128 或 256 token 的块形状；再用 Top-k/Top-p 混合策略分配注意力预算。稀疏布局适应空间结构和音画耦合，而非统一删去固定区域。 论文 Figure 2：Prism 架构。把 token 序列划分为时空宏区，动态给各宏区指定适配的块形状，再以 Top-k/Top-p 混合块稀疏注意力把计算集中到信息量高的交互。 实验效果：作者在十万条 2K 视频上训练，报告原生 2K 联合音画训练加速 2.5 倍。表 2 的 95% 稀疏配置相对全注意力训练：cpCER 从 0.374 降到 0.187，DeSync 从 1.05 降到 0.63，MotionQ 从 0.53 升到 0.89。2K-Bench 为 300 条未见的十秒视频；训练吞吐与这些质量指标是两类证据。 论文 Figure 3：与此前开源方法的定性比较。音频必须参看项目演示视频，更多结果见附录 A.7；此静态图展示视频画面，不单独证明音频质量。 批判点评：2.5 倍不能移写成端到端生成速度，95% 稀疏也不等于整个模型少算 95%。静态截图无法核对音频，须结合项目音画演示。自建测试集和自动评价不代表所有镜头、说话人与低分辨率任务都同样获益。项目页与官方代码给出复现入口。 2. S2PD：先串行推演再并行修画面 S2PD: Serial-to-Parallel Diffusion for Physically and Logically Consistent Video Generation | 剑桥大学；丰田欧洲 | arXiv:2610.06847 关键词：视频扩散, 串并行采样, 物理一致性, 游戏规则 前序问题：即使不断采样程序生成的训练数据，并行视频扩散仍会生成违规棋步、错误碰撞或不连贯物体。问题可能在于模型缺少逐段协调事件的串行计算，而不只是数据不够。 本文贡献：Serial-to-Parallel Diffusion 在高噪声阶段按时间块自回归去噪，先协调相互依赖的事件；到较低噪声再切换为整段并行细化，减少纯串行采样的闪烁。训练使用多种块大小；实验在从零训练的 DiT-B 与 Wan-5B-LoRA 上，按匹配训练预算比较双向并行、因果 Diffusion Forcing 和 Block Causal。 论文 Figure 2：各方法的注意力模式与本文采样策略。（a–c）分别为双向、因果 Diffusion Forcing（cDF）与 Block Causal（BC）的注意力掩码及噪声水平；（d）先串行去噪再并行细化；（e）时间切片内部的 token 顺序；（f）训练使用多种块大小。 实验效果：表 2：DiT-B 的 2048 每次 rollout 非法转移从并行基线 47.9 降到 0.9，双摆动力学误差从 73.4 降到 1.1；Wan 的 Kubric MOVi-A CD-FVD 从 252.8 降到 137.0。国际象棋则为 51.0→12.3，仍逊于另两种串行方法的 4.6 和 6.8，不能写成全任务最优。 论文 Figure 6：Wan-5B-LoRA 架构的定性比较。在 MPMWorlds 与真实魔方数据集上，串行方法表现相近，相比双向基线生成更连贯的视频。 批判点评：程序世界中的规则错误减少，不是开放世界物理定律的保证。串行块越小通常越慢，表 4 显示质量和采样成本需一起调；混合方法相对纯并行也有额外串行开销。建议先检查自己的事件依赖是否需要串行推演。项目页可核验，本文不使用未经确认的会议接收背书。 3. PVD：两个半身专家接力生成图像 Two Halves are More than One: Phase-wise Velocity Distillation for Fast and High-Quality Image Generation | 香港理工大学；OPPO研究院 | arXiv:2610.08070 关键词：图像生成, 分阶段蒸馏, 平均速度, 显存压缩 前序问题：粗结构与细节生成发生在不同噪声区间，却常由同一个完整学生网络承担。压到一次完整主干计算预算时，统一学生容易兼顾不好两个阶段；少步模型也未必减少活跃参数或显存。 本文贡献：Phase-wise Velocity Distillation 从教师抽取约半深度主干，先用 flow matching 对齐初始化，再学习粗到细两个区间的平均速度；文生图采用共享冻结主干与阶段 LoRA，并加阶段判别器做对抗细化。两个半身专家依次执行，累计 FLOPs 约等于一次完整教师主干前向，但实际仍是两次专家调用。 论文 Figure 3：PVD 总览。（a）从教师抽取半身主干，经 flow matching 微调初始化局部学生；（b）分阶段 LoRA 专家在划分的时间区间上学习平均速度；（c）文生图任务使用分阶段判别器进行对抗细化。 实验效果：表 1 的 ImageNet 256×256、归一化计算预算 1.00 下，PVD FID-50K 为 1.48，iMF 为 1.72，多步 LightningDiT 为 1.35。表 3 的 Qwen-Image 蒸馏：活跃参数 20.43B→10.40B，峰值显存 38.42→19.84 GiB，减少 48.36%；GenEval 为 0.8720→0.8846。 论文 Figure 1：文生图结果。上排为教师：Stable Diffusion 3.5-Medium、FLUX.1-dev、Qwen-Image，分别使用 50×2、50、50×2 步；下排以两个半身分阶段专家顺序生成，累计计算约等于一次完整教师主干前向。这是计算预算比较，不能读成只调用一个专家。 批判点评：活跃参数不是所有权重总量，等 FLOPs 也不是已实测的一倍调用延迟。Qwen 的 DPG 从 89.10 降到 86.54，WISE 从 0.64 降到 0.59，质量没有全面超过教师；密集计数和罕见布局仍困难。可从官方仓库核对权重与实现，再按具体 GPU 测显存及延迟。 4. WorldSonus：世界画面逐段配上立体声音 WorldSonus: Bringing Sound to Worlds | 香港科技大学；Noiz AI；沐曦；上海交通大学 | arXiv:2610.08760 关键词：视频到音频, 因果流式生成, 立体声, 交互提示 前序问题：交互视频的未来画面尚未产生，双向配音不能等待整段视频再工作。声音还要随左右位置与用户文字控制变化，同时维持跨块连续性。 本文贡献：WorldSonus 用因果自回归 Transformer 与 rectified-flow 头，逐块输出 48 kHz 立体声。两种时间尺度的视觉 token 同时提供场景计划与帧级线索，环形 KV 缓存限制历史长度；提示词在块边界更新。训练用冻结 Synchformer 的 ShiftNCE 做时间对齐，结合真实立体声筛选和全景一阶 Ambisonics 的视角解码学习方向，教师只在训练使用。 论文 Figure 1：WorldSonus 总览。（a）因果流式流程：视频映射为两种时间尺度的视觉 token，条件化自回归 Transformer 和 rectified-flow 头；（b）训练专用 ShiftNCE：冻结 Synchformer 教师以对比窗口匹配指导时间对齐；（c）立体声空间监督：真实立体声筛选与全景一阶 Ambisonics 视角解码提供方向依据；（d）交互文字控制：在块边界动态更新提示，保留会话状态和声学连续性。 实验效果：表 1 的单 H100 设置中，100 ms 音频块计算为 41.2 ms，实时因子约 0.41。VGG 五秒测试 FAD 为 1.73，PrismAudio 为 2.09；交互五秒为 2.68 对 6.22。五秒与十秒拆分各 4096 条，三十秒拆分为 1024 条，跨时长结果分别统计。 论文 Figure 2：两个交互片段中，与双向基线比较立体声布局。红框标出声源；能量平衡曲线中负值表示左声道占优，正值表示右声道占优。 批判点评：41.2 ms 是模型块计算，不是含采集、传输、播放缓冲的完整交互延迟。时间同步并非全优：VGG 五秒 DeSync 为 0.686，PrismAudio 为 0.539，后者更低。因果音频表示和有限立体声数据仍构成限制，三十秒评测不足以保证无限长会话稳定。项目页可听原始演示。 5. ALIVE：插入的物体跟着人物互动 ALIVE: Interaction-Aligned Object Insertion for First-Frame-Guided Video Editing | 罗切斯特大学；Adobe Research | arXiv:2610.08779 关键词：视频编辑, 首帧引导, 物体插入, 时间局部条件 前序问题：给视频首帧加一本书很容易，随后让人拿起、翻开它却难：插入物体常留在原地或穿过手。只写物体名称，也缺少每个阶段该发生什么交互的描述。 本文贡献：ALIVE 把干净源视频 latent 与带噪目标 latent 沿通道拼接，编辑后的首帧保持干净，以 LoRA 训练 LTX-2.5 22B 编辑器。35,800 对数据混合渲染、真实、模型生成与通用编辑来源，并标注多级提示。可选 VLM 从原视频、编辑首帧和物体名称预测分段交互描述与帧区间，再通过时间局部交叉注意力路由到对应片段。 论文 Figure 3：ALIVE 总览。（a）源视频与带噪目标 latent 沿通道拼接（C），编辑首帧 latent 保持干净（金色）；火焰表示编辑器及 VLM 的 LoRA 微调。（b）监督 VLM 从同样的视觉输入与物体名提示 P1 预测 P4 描述及帧区间，P4 文本独立编码；注意力图比较共享的 P0–P3 条件与时间局部 P4 条件。 实验效果：表 1 的 128 例交互插入测试中，0–100 的 VLM Overall：只给物体名的 ALIVE 为 86.71，Señorita 为 60.24；预测分段提示后为 87.66。103 例通用插入中，ALIVE 为 92.28，加入 VLM 后为 91.71，增强并非对所有任务有益。 论文 Figure 4：交互物体插入定性结果。（a）拿书，（b）提篮，分别展示首帧、视频 40% 和 90% 位置。AnyV2V 的方形帧以较窄宽度展示；† 表示按照各方法官方提示格式额外提供交互指导。 批判点评：这些是自动 VLM 判断与抽帧协议下的分数，不能当作接触力或真实物理正确率。区间预测错误、布料和物体旋转仍会造成伪影；编辑器也不是在线流式生成器。论文明确实现和实验在罗切斯特完成，署名 Adobe 合作不应改写为单一机构成果。项目页可查演示，未确认可下载的方法代码。 6. MC-Sparse：缓存稀疏布局再补注意力尾项 MC-Sparse: Deconstructing and Closing the Dense-Sparse Attention Gap in Diffusion Transformers | 腾讯混元；复旦大学；上海创智学院；香港中文大学；南开大学；北京大学；上海交通大学 | arXiv:2610.06801 关键词：视频生成加速, 稀疏注意力, 元数据缓存, 残差补偿 前序问题：稀疏注意力与完整注意力之间的差距不只来自删掉低权重连接，还来自块结构绑定和近似选择错误。每步重新精确筛选又可能吞掉节省的计算。 本文贡献：MC-Sparse 在锚点步骤精确选择 KV 索引，并用相似查询重排与 token 级选择减少结构误差；跨去噪步缓存查询分组、选择索引及完整减稀疏的残差，近似补回被丢弃尾项。Q、K、V 特征仍在当前步重新计算，因此不是复用旧视频 token。预热、锚点刷新和 CUDA 实现成本都需计入。 论文 Figure 6：MC-Sparse 流程总览，展示查询分组、精确选择及元数据复用、token 稀疏注意力和尾项补偿之间的连接；具体预算与刷新策略以正文为准。 实验效果：表 1 的 Minimax-H3-Base 768p 视频分支：15% 注意力密度下，DiT 去噪加速 1.80 倍，相对完整注意力输出 PSNR 为 27.30 dB；25% 密度为 1.61 倍、28.44 dB。15% 时 VBench ImgQual 从 69.20 变为 68.94，接近基线仍有质量差异。 论文 Figure 1：Minimax-H3-Base 768p 的质量和效率。左侧为质量指标及 DiT 去噪延迟：15%、25% 注意力密度分别相对 FA3 全注意力加速 1.80、1.61 倍；右侧为 15% 密度生成帧与完整注意力参考的逐段比较。接近参考不代表无损。 批判点评：这里的 PSNR 对齐完整模型输出，不是真实视频；1.80 倍也不包含 VAE 与条件编码。各任务约五十个评测样本、硬件并行设置和内部三维数据限制泛化与复现判断，不能宣传无损或全系统同幅提速。项目页已给出，未把未知代码状态写成开源完成。 7. CtrlCache：转向与动作变化决定是否复算 CtrlCache: Accelerating Interactive Video World Models with Control-Aware Caching | 奥克兰大学；新南威尔士大学 | arXiv:2610.08777 关键词：交互世界视频, 免训练加速, 控制感知, 残差缓存 前序问题：少步交互世界模型还要多次运行昂贵 DiT。只按内部特征相似度决定缓存，容易忽视用户突然转向或改变动作时需要及时刷新。 本文贡献：CtrlCache 先把输入控制分成初始、变化、持续转向与稳定状态：初始及动作变化块完整计算，转向和稳定块才在选定内部去噪步复用本块最近完整步的残差，首尾步骤始终完整。稳定交互时，再把上一块最后一帧的低频历史先验混入首步干净 latent 估计；无需重新训练，也不把所有历史特征无条件沿用。 论文 Figure 3：CtrlCache 总览。（a）按块自回归去噪，首尾步骤保持完整计算；（b）动作感知策略在转向与稳定块的选定内部步复用残差，在初始及动作变化块保留完整计算；（c）稳定交互中，频率混合历史先验把前一块最后干净帧的结构用于指导首步干净 latent 估计。 实验效果：表 1 的 WBench 导航、单 A100 设置：Matrix-Game 2.0 去噪时间 14.99→10.67 秒，加速 1.41 倍，Overall 0.6543→0.6786；LingBot-World v1 为 1.26 倍、0.7816→0.8127，v2 为 1.21 倍、0.8042→0.8201。使用相同提示、控制和初始帧比较。 论文 Figure 4：CtrlCache 与基线的定性比较。各方法使用相同初始条件和控制序列；蓝色虚线框用于比较布局、物体位置及运动细节，红框标出外观或结构失真，绿框标出本文保留较好的细节。控制字符串沿用 WBench：W/S/A/D 为平移，left/right/up/down 为视角变化。 批判点评：计时排除 KV 提交与更新，不能直接当完整交互延迟；TeaCache 与 EasyCache 在此表还更快，CtrlCache 选择了不同质量取舍。v2 的画质与交互分项略降，不能写成每项提升。复用步位置和控制规则依赖具体模型，移植时需要重新验证。项目页提供方法说明。 8. UniSlider：滑杆刻度对应感知变化 UniSlider: Perceptually Uniform Sliders for Continuous Image Editing | 巴塞罗那自治大学计算机视觉中心；Adobe Research | arXiv:2610.06831 关键词：连续图像编辑, 感知均匀性, LoRA, 自适应采样 前序问题：把编辑强度从 0.2 拉到 0.3，有时完全没变化，有时突然跳到另一种样子。现有强度参数并不对应均匀的可感知变化，界面有刻度却缺少稳定控制。 本文贡献：UniSlider 在冻结的 FLUX.2-klein-4B 上训练按强度缩放的 LoRA，完整运行少步采样，用 DreamSim 距离把中间图推向输入与满强度输出之间的相应感知位置。满强度目标只需缓存基座的默认编辑，不需人工中间图。推理再测量样本的感知曲线，自适应重映射滑杆参数，补偿残余不均匀。 论文 Figure 3：UniSlider 训练。采样强度 s，按公式 3 缩放可训练 LoRA 与冻结主干组合，完整运行 T 步得到 x_s；满强度 x_edit 在 s=1 时仅缓存一次。公式 4 的损失把 x_s 推向输入 x_src 与 x_edit 之间由 s 指定的感知位置。 实验效果：表 1 的 300 例基准：感知距离变异系数 CV-DSim 为 0.652，SliderEdit 为 1.199；LPIPS 单调性违例率为 0.016 对 0.251。表 3 中，只用均匀采样的 UniSlider 为 0.871，自适应采样后为 0.652，表明训练和参数重映射均有作用。 论文 Figure 2：训练缩小滑杆不均匀差距，自适应采样继续补偿。三行对同一图像执行同一指令：左侧为等滑杆刻度的 SliderEdit、仅用训练损失的 Vanilla、带强度重参数化的完整 UniSlider；右侧为每张图相对输入的 DreamSim 感知距离，以输入到完整编辑的总距离归一化。对角线表示理想均匀变化。 批判点评：DreamSim 上的匀速不等于每种语义属性都线性变化，原文失败例中颜色变化会掩盖球尚未膨胀的问题。编辑身份保持与 VQA 单调性也并非逐项最佳，基座本身的错误会沿滑杆传播。不同基座的比较需看附录同基座对照。作者项目站本次 TLS 验证失败，未降级访问，也不声称演示或代码已核验；本卡依据可访问的原论文全文。 9. ChronoWorld：用四维记忆回看修正世界 ChronoWorld: Camera-Controlled Consistent 4D World Generation via Spatiotemporal Cues and Geometric Reflections | 北京大学王选计算机研究所；加州大学默塞德分校 | arXiv:2610.06687 关键词：相机可控生成, 四维世界, 几何记忆, 反思修正 前序问题：按新相机轨迹生成视频时，动态物体在不同视角可能对不上，局部漂亮也不能保证整个时空场景一致。需要把生成结果放回可重建的几何状态，再检查历史视角。 本文贡献：ChronoWorld 的 Observation–State–Reflection 框架以相机条件 STC-DiT 生成视频，通过时空极线因果注意力联结视角约束和时间顺序；多头重建 decoder 预测颜色、几何与运动等四维属性。统一 4D 记忆用于检索和重渲染，几何反思再据不一致结果做校正，把视频观察转成可检查的世界状态。 论文 Figure 2：ChronoWorld 框架。相机轨迹条件化的时空线索 Diffusion Transformer（STC-DiT）去噪目标视频，多头重建 decoder 预测四维属性。 实验效果：表 1 的相同输入视频与目标相机轨迹设置：ChronoWorld 的 FVD-4D 为 177.41，Free4D 为 216.67；相对位姿旋转、平移误差为 0.95、2.34，对方为 1.73、3.28。表 2 的重建一致性 PSNR 为 18.87、SSIM 为 0.73。本次也核对 v2，相应主表数字一致。 论文 Figure 4：不同相机轨迹下 ChronoWorld 与基线的定性结果。作者提示放大查看局部细节；量化效果须结合 FVD-4D、相机误差和重建一致性表格。 批判点评：4D 同步、相机误差与重建一致性是不同指标，不宜合并为现实世界正确率。几何由生成和估计共同建立，回看改进仍可能继承错误；原文未给出足以验证无限场景或完整实时延迟的证据。训练使用八张 A100 80GB，推理单 A100；未确认官方项目或代码入口，不宣称已开源。 10. Smorph：换音色时保留节奏与音高 Smorph: Playable Sound Morphing with Diffusion Models | 美国西北大学；Adobe Research；Wizdom Music | arXiv:2610.06478 关键词：声音生成, 音色变形, 结构引导, 音乐交互 前序问题：从铜管变成弦乐、从鼓声变成气泡声时，音色与节奏结构常一起变化。音乐设计希望保持音高轮廓或响度包络，让声音身份沿连续路径变化。 本文贡献：Smorph 在扩散采样中组合文本或音频端点引导，并让所有中间状态共享固定的 RMS 或音高结构条件；支持提示到提示、音频到提示和音频到音频变形。SoundCanvas 预生成 5×5、共 25 个声音组成二维网格，鼠标在邻近样本间双线性交叉混音，MIDI 键盘触发当前音色。当前引导无需额外训练，但所用基座与音频条件模块已有预训练或适配。 论文 Figure 2：结构引导的组合指导，详见第 3.1 节。变形参数 α∈[0,1] 插值音频或文本端点条件 c_1…c_N；共享结构参考 c_S 为所有中间状态锚定时间包络或音高轮廓，并在全部 T 个去噪步保持固定。 实验效果：表 2 的 Clotho→Clotho、RMS 音频到提示设置：相对 SDEdit，结构控制分数 S_ctrl 从 0.356 升到 0.646，mel-L1 从 1.518 降到 1.027；目标音色相似度从 0.695 降到 0.646，KAD 从 4.420 升到 4.902。结构保留增强伴随目标变形及分布质量取舍。 论文 Figure 3：有显式结构控制（上排）与无显式控制（下排）的变形路径。每格为 mel 频谱，灰线为输入 RMS、橙线为生成 RMS；显式控制在展示的路径中更好保留预期时间包络。 批判点评：实时的是预生成样本间的演奏与混音，不是鼠标每次移动都实时运行扩散。感知路径也不保证处处线性；音乐人案例属于探索性反馈。机构由作者项目页核实，arXiv 注释和项目页标示 ISMIR 2026，但本期不把这一标示扩大为独立查证的接收结论；没有确认方法代码下载。 趋势观察 计算应随阶段与控制变化 S2PD 把高噪声串行推演和低噪声并行细化分开，PVD 把粗细生成交给不同专家，CtrlCache 在动作变化时刷新。减少计算之前，需要先识别哪些阶段或控制状态承载关键依赖。 缓存内容比缓存数量更关键 MC-Sparse 缓存布局与误差补偿，WorldSonus 限制流式历史，ChronoWorld 保存可重建的四维状态。缓存有不同语义，不能把索引、旧特征与几何记忆混为同一种技巧。 连续控制需要可测的约束 UniSlider 用感知距离修正滑杆，Smorph 用音高或响度结构锚定音色变化，ALIVE 用时间区间对齐交互。控制的意义要落到具体条件与失败例，而非只展示连续参数。 速度与质量必须分别核对 训练吞吐、DiT 去噪、单音频块计算和端到端响应是不同预算。自动质量分数的改善也常伴随其他维度退步，本期逐项写清测试条件，不拼成统一性能榜。 今日讨论 你的生成工作流更需要降低训练成本，还是让交互控制更稳定？ 人工智能炼丹君 整理 | 2026-10-07

AIGC 每日速读|2026-10-06|加州理工稳住镜头外场景LoGo 今日 AIGC 论文速览 今日共 10 篇 · 长视频一致性与定制 2 篇 · 一步图像生成与后训练 2 篇 · 视频蒸馏与加速 3 篇 · 配对动作生成 1 篇 · 语音与音乐生成 2 篇 重点论文标题列表 LoGo（加州理工）：镜头绕一圈场景少变形 Depth as Time（普林斯顿）：一步生成把去噪搬进深度 DuoMatching（港中文）：图像老师帮视频补回细节 VDOT++（悉尼大学）：四步蒸馏别硬配每个token Reward Composition（UCLA）：审美加分先过提示词约束 今日论文速览 1. LoGo：镜头绕一圈场景少变形 LoGo: Local-Global Rewards for Consistent Long-Horizon Video Generation | 加州理工学院 | arXiv:2610.03636 关键词：长视频生成, 相机控制, 三维一致性, 局部奖励 前序问题：镜头绕过墙面再回来，门可能移位、墙上数字可能变形。给整段视频一个三维一致性分数，会让局部错误被大面积正确区域稀释；只强化局部几何，又可能鼓励模型把画面变灰、变糊来降低误差。 本文贡献：LoGo 将关键帧经 VGGT 重建到共享三维空间，以 voxel 聚合 RGB 和深度重投影误差，把奖励分配到出错区域。训练混合归一化后的局部与全局奖励，并交替使用美学和相机跟随奖励。它改善的是相机可控视频的后训练信号，而非新增一个持久世界记忆模块。 论文 Figure 4：（a）说明 voxel 奖励如何聚合：把关键帧重建到共享三维空间，按体素汇总局部误差。（b）把局部奖励投影回视频帧进行可视化，突出需要修正的区域。 实验效果：表 1 的 TrajectoryBench 上，Lingbot2 的 PSNR-D 从 16.0 提高到 18.2 dB，极线误差从 1.507 降至 1.111，约下降 26%。表 2 的 DL3DV 上，同一基座极线误差由 2.161 降至 1.365。三个基座均有三维一致性收益，但相机指标并非逐项变好；例如 UniWorld 在表 1 的旋转误差由 13.8 变为 14.0。 论文 Figure 3：LoGo 的动机。（a）只用全局奖励难改善三维一致性；局部奖励改善以 PSNR 衡量的一致性，却降低以 HPSv3 衡量的画质，因此要组合二者。（b）绿色 LoGo 曲线扩展一致性与质量的 Pareto 前沿。（c）训练中的奖励曲线及质量评估显示，局部奖励随训练损害画质，LoGo 在改善一致性的同时维持质量。 批判点评：作者明确限定静态场景，超过 400 帧仍困难；因此不能写成动态世界无限稳定。奖励依赖重建模型估计的几何，改善重投影指标也不等于恢复真实物理。建议优先看局部奖励与画质的消融，再判断自己的相机轨迹是否在测试范围内。代码与 benchmark 已给出官方仓库。 2. Depth as Time：一步生成把去噪搬进深度 Depth as Time in One-Step Generative Models | 普林斯顿大学 | arXiv:2610.03626 关键词：一步生成, 深度探针, 共享权重, 模型压缩 前序问题：一步生成只调用一次网络，但网络内部仍有许多层。多步扩散的逐步去噪到底消失了，还是被重排到网络深度里？仅看最终图像，无法区分一次直达和层内反复细化。 本文贡献：作者用模型自身输出头解码中间层，并用独立训练及随机探针做对照：时间条件 flow-map 模型呈现随深度去噪的规律，部分 MeanFlow 任务甚至先去噪再加噪。进一步用带内部时间区间条件的共享 block 拟合教师隐藏层，把层数与独立参数组数拆开。 论文 Figure 2：大规模一步图像生成器也呈现沿深度逐渐去噪的现象。FLUX-schnell 和 MeanFlow 的逐层终点预测逐渐显露清晰图像结构；不依赖 τ 的 Drifting 模型作为对照。对 FLUX-schnell，模型输出头与独立训练探针得到相似的归一化终点距离下降规律，随机探针不能复现。 实验效果：附录表 1 的 ImageNet 256×256 实验：MeanFlow SiT-L/2 从 459M 参数压到 27.6M，压缩 16.6 倍；经 FD-loss 后训练，FID-50k 为 4.87，教师为 4.01。两组独立 block 的学生用 46.5M 参数达到 4.04。附录表 2 中，另行训练的两组 block 学生将执行次数减半后 FID 为 5.25。 论文 Table 1：ImageNet 256×256 的参数压缩结果。在教师原始深度、固定 K 执行次数下，分别报告 FD-loss 后训练前后的 FID-50k，各行采用最优 CFG 强度 ω。压缩倍数相对教师参数量；高亮行使用单个共享 block，灰色行为教师。增加独立 block 数量可用更多参数换取质量。 批判点评：16.6 倍是参数压缩，单组 block 仍可执行 24 次，不能换算成 16.6 倍延迟加速。相似的深度轨迹也不等于逐点复现教师的采样轨迹；缺少时间索引任务的 Drifting 模型未呈现同样规律。公开代码适合研究内部计算，结论尚不是所有一步模型的普遍定理。 3. DuoMatching：图像老师帮视频补回细节 DuoMatching: Joint-Marginal Distribution Matching for Few-Step Video Generation | 香港中文大学；字节跳动；香港科技大学；香港交互感知研究中心 | arXiv:2610.03543 关键词：视频蒸馏, 联合边缘分布, 图像教师, 潜空间桥接 前序问题：视频教师能教会时间连贯，但少步学生仍可能丢掉 prompt 中的羽毛、毛发等细节。整段视频的联合分布匹配会受到周围帧制约，需要额外的单帧监督补足视觉与语义先验。 本文贡献：DuoMatching 在视频联合 DMD 上增加来自图像教师的边缘 DMD。LatentBridge 将视频 latent、前一片段与局部帧编号映射到图像 latent，避免直接套用不同 VAE 空间；Latent Variation Sampling 用相邻 latent 的差异切分时间区间，每段抽样一片，提高有限监督预算的覆盖。 论文 Figure 3：DuoMatching 总览。（a）用图像教师参考分布 P_i 补充联合分布匹配；每组表示一个视频，节点表示帧级分布。（b）LatentBridge 根据视频 latent z^l、前一片 z^(l−1) 和局部帧编号 i，通过 ℓ₁ 重建损失映射到对应图像 latent。（c）Latent Variation Sampling 用相邻 latent 的差异分段，并在段内随机抽样。 实验效果：表 1 按生成单位和 NFE 分组：两步逐帧设置的 VBench Total 从 Causal Forcing++ 的 80.67 到 83.53；四步 chunk 设置从 82.79 到 83.51。表 2 在同一 Wan2.1 教师下，对四个基线的整体偏好为 80.87%–94.35%；对 Causal Forcing++ 的时间与运动偏好为 49.57%，说明主要收益来自画质与语义。 论文 Figure 1：DuoMatching 的动机与结果。自回归模型的后续帧常退化，图中 Q-Align 曲线展示这一现象。联合 DMD 缓解漂移，但学生与视频教师仍有画质差距，示例中缺少 prompt 要求的羽毛。联合与边缘匹配的组合改善画质、补回羽毛，同时保留时间连贯性；这张示例不代替完整统计评估。 批判点评：Full、Frame、Chunk 的函数评估单位不同，不能跨组把 NFE 当作相同成本排序。图像教师与桥接模块也带来训练成本；更清晰的单帧不是所有运动指标都提高的保证。项目页提供代码，值得在相同生成模式与预算内复现。 4. VDOT++：四步蒸馏别硬配每个token VDOT++: Unified Few-Step Video Generation via Unbalanced Optimal Transport Distillation | 悉尼大学；上海人工智能实验室；香港科技大学；香港中文大学 | arXiv:2610.03221 关键词：少步视频生成, 非平衡最优传输, 跨规模蒸馏, 条件生成 前序问题：同一个文字或图像条件允许多种正确视频。把学生与教师每帧的空间 token 强制全量配对，可能把本来合理但位置不同的内容当作错误，并在分布重叠不足时给出不稳定指导。 本文贡献：VDOT++ 在 DMD 上加入非对称非平衡最优传输：放松学生侧质量约束，下调不可靠 token 的质量，同时保持教师侧覆盖。ℓ₁ 距离使聚合更接近加权中位数，减少远处匹配的影响；DMD 与对抗项分两次反传。相同训练配方分别训练三类任务的生成器，还研究大 score 网络指导小生成器。 论文 Figure 3：VDOT++ 总览。上方：给定条件，少步生成器同时使用 DMD score 差异、逐帧最优传输匹配和对抗损失，经两次顺序反传及一次优化更新。下方图示一对时间帧，为清楚省略扩散时间与帧索引 (t,q)。DMD 在对应时空坐标提供 score 差异；平衡 OTD 显式耦合空间 token，却强制全量匹配；对称 UOT 放松两侧。非对称 UOT 放松学生侧、保持教师侧约束，压低不可靠学生 token 质量并维持教师覆盖。 实验效果：表 III 的文生视频 VBench 中，Wan-14B 四次评估学生的归一化均分为 81.59，50×2 次评估教师为 77.70；表 IV 的图生视频对应为 78.38 和 77.92。表 II 的 flow 条件任务却是 80.29，对应教师 80.35，因此不是每个任务、每项指标都超过教师。 论文 Figure 4：可控视频生成的定性对比。比较 100 次函数评估的 VACE 教师与 4 次评估的 VDOT、VDOT++，任务为（a）flow 条件的视频到视频，（b）视频向外扩展，（c）多参考图像到视频。顶行给出输入条件，每种方法展示 0、2.5、5 秒的帧。 批判点评：“统一”指训练配方跨任务复用，并非一个 checkpoint 同时完成全部任务。NFE 降低也不能直接等同端到端加速倍数。正文提到 CVPR 2026 的是前作 VDOT，这个扩展版本未核实接收证据，不能借前作会议作本篇背书；本文未发现可核验的新代码仓库。 5. Reward Composition：审美加分先过提示词约束 Post-Training Frontier Text-to-Image Models by Composing Preference and Rubric Rewards | 加州大学洛杉矶分校；Arena Intelligence | arXiv:2610.02967 关键词：图像后训练, 人类偏好, rubric奖励, 奖励投机 前序问题：优化审美奖励，模型可能擅自添加装饰、乱码或写实风格；只优化提示词完成度，又可能牺牲细节。把不同量纲的分数简单平均，无法处理“这个要求只对某类 prompt 生效”的情况。 本文贡献：这项图像后训练研究组合人类偏好、内容满足度和禁止内容 checklist。各奖励轴独立归一化；只有意图严格的 prompt 激活额外约束；适用的反投机检测发现问题后否决正向偏好加分。不同奖励配置得到的权重再做融合，使审美优化受到意图约束。Reward Composition 是本文的编辑短名。 论文 Figure 2：两类反复出现的奖励投机失败。左侧：prompt 要求不含文字，RL 策略却在餐巾上添加乱码。右侧：prompt 要求 Elsa Beskow 的故事书插画风格，基座保持该风格，而 RL 策略偏向照片写实。这些案例解释为何需要按 prompt 启用约束和否决。 实验效果：表 1 的 2026-09-04 Arena 快照中，FLUX.2-dev 从 1132.8±14 到 1202±13，约增加 69 Elo。表 2 在 1k 验证 prompt、五个候选 checkpoint 中选择最佳值，Stage 3 在 Gemini 评估配 Arena RM 的对比胜率为 0.660，单偏好为 0.507；这些自动评估与线上 Elo 不是同一个指标。 论文 Figure 1：奖励设计可视化。只用偏好训练会偏向通用装饰并忽略要求；只用满足度会洗掉细节并丢失风格和景物；Arena-T2I-Hard 能恢复要求元素但保留多余装饰；不加意图门控的禁止内容奖励，即使 prompt 允许细节也会将其压平。Stage 1 仅在意图严格时施加约束，示例中能满足要求而未明显损伤质量。 批判点评：只测试两个基座、单个随机种子，内容分解问题未经人工逐条审计。排行榜数字属于 9 月 4 日快照，不是今天的排名；多个 checkpoint 择优也需与固定预算评估区分。作者说释放 1k 训练子集，但本次项目页未提供可核验下载入口，因此不声称数据或代码已可下载。 6. PMD：冻结视频模型顺手生出动作 Parasitic Co-Denoising: Unlocking 3D Human Motion Generation in a Frozen Video Diffusion Model | 新加坡南洋理工大学 | arXiv:2610.03047 关键词：三维动作生成, 视频扩散, 共去噪, 多层特征融合 前序问题：视频模型学会了人怎么动，却没有显式输出可用于动画的三维动作。先生成视频再估计动作需要多阶段处理；从零训练动作生成器又受动作数据覆盖限制。 本文贡献：Parasitic Motion Decoder（PMD）附着在冻结的 Wan2.1 上。先对齐动作与视频 latent，再用轻量 flow-matching decoder 读取视频 DiT 多层特征，按噪声水平 σ 自适应融合，并与视频共享去噪日程。视频与动作的噪声独立，耦合来自同一日程和特征条件；一次联合采样流程得到配对输出。 论文 Figure 2：Parasitic Motion Decoder（PMD）的结构。先将动作与视频 latent 对齐，再让动作 decoder 与冻结视频宿主同步去噪；σ 自适应多层融合把宿主的中间特征送入动作流。 实验效果：表 1 的 MBench Protocol B：19M 可训练参数的 PMD，动作条件一致性 0.58、泛化 0.72；2B 可训练参数的 MotionVLA 对应 0.55、0.66。表 2 的 HumanML3D 上，PMD 的 R-Precision Top-1 为 0.537，FID 为 0.098；DisCoRD 的 FID 为 0.032，说明语义对齐优势没有覆盖全部分布质量指标。 论文 Figure 3：MBench prompt 上的定性比较，展示各动作生成方法对文字动作要求的可视化结果。图展示动作语义与轨迹外观；抖动、足部接触等质量仍应结合实验表分别判断。 批判点评：19M 是附加可训练模块，不包含冻结视频宿主，因此不是整个系统只有 19M 参数。冻结宿主没有接受本工作三维动作监督，但附加模块训练仍用配对动作数据。动作抖动、接触和 FID 也并非全面最佳；没有找到作者可核验代码链接，不把模板或会议样式当作接收证据。 7. Custom Forcing：两分钟视频保持同一个主体 Custom Forcing: Training-Free Subject Customization for Autoregressive Video Generation | 韩国庆熙大学；得克萨斯大学奥斯汀分校 | arXiv:2610.02914 关键词：视频个性化, 自回归生成, KV缓存, 免训练定制 前序问题：自回归视频能不断续写，却容易把用户给定的某只宠物或物品变成同类通用实例。固定参考帧只能提供初始锚点；文本的类别先验与后续漂移会逐步削弱主体身份。 本文贡献：Custom Forcing 将五张参考图和一张场景定制 anchor 一次写入持久 KV cache。DVA 根据当前主体相似度相对初始水平的下降增强参考 value；ACG 比较读取与不读取 anchor 的注意力输出，沿远离通用类别先验的方向引导。冻结基座，无需逐主体训练。 论文 Figure 3：Custom Forcing 总览。上方：参考图与 FLUX.2 [klein] 生成的定制 anchor 副本一次写入 KV cache。中间：冻结基座每层 self-attention 在 DVA 以 g(t) 放大参考 value 后，分别读取含及不含 anchor 的缓存，得到 z_+、z_-。左下：DVA 根据当前已完成 chunk 的相似度 s(t) 相对初始 μ_base 的下降设置 g(t)。右下：ACG 以 κ 沿远离 z_- 的方向外推，再与 z_+ 混合。 实验效果：表 1 的两分钟测试：固定 K/V 的首段与末段 DINO-I 为 0.583、0.415，Custom Forcing 为 0.622、0.578。表 2 在单 H100、30 秒、100 个案例上，相对 FramePack-F1、SkyReels-V2 DF、SkyReels-V3 的逐帧生成时间优势为 9.5、11.5、28.5 倍；这些基线架构和规模不同。 论文 Figure 4：两分钟生成示例。只使用定制 K/V 时，主体在第一分钟内发生漂移；Custom Forcing 在展示的两种主体案例中维持到两分钟。两种案例分别生成，并非证明一个视频同时控制两个主体。 批判点评：相对固定 anchor，DVA 与 ACG 增加 11%–13% 生成时间。测试为动物和物品、每段一个主体、最长两分钟，局部细节漂移和多个主体仍未解决。实际能力受冻结基座限制。作者项目页可访问，但没有找到该方法的可核验代码仓库。 8. SpectralCache：复用奇异子空间少算主干 SpectralCache: Accelerating Diffusion-Based World Models via Spectral Feature Caching | 史蒂文斯理工学院；美国东北大学；达姆施塔特工业大学 | arXiv:2610.02660 关键词：扩散加速, 世界视频生成, 频谱缓存, 特征近似 前序问题：世界视频模型每个去噪步都运行昂贵主干。直接复用完整特征没有利用结构：相邻步骤的主导奇异子空间相对稳定，变化更多体现在低维奇异值上。 本文贡献：SpectralCache 在完整步分解最终层特征，缓存最近两次的奇异子空间、奇异值和残差。近似步固定子空间，只线性外推奇异值；误差累积或间隔到阈值后，交替刷新主干和缩放奇异值，以进一步少算完整步骤。它是免训练近似，不是精确复用。 论文 Figure 4：SpectralCache 总览，区分完整主干计算与近似缓存步骤；稳定奇异子空间和残差被复用，奇异值通过外推或缩放更新，触发条件控制刷新。 实验效果：表 1 的 HunyuanVoyager-13B，512×768、49 帧设置下加速 5.22 倍；静态 WorldScore 从基线 66.28 变为 65.90，动态从 46.40 变为 46.13。Aether-5B 的 480×720、41 帧生成加速为 2.20 倍。不同模型与任务的收益应分别读，不能都写成 5.22 倍。 论文 Figure 1：SpectralCache 与基线在 HunyuanWorld-Voyager-13B 上的比较。（a）视觉效果，（b）延迟，（c）质量。在所测条件下加速约 5.22 倍，同时保持较高视频保真；接近原模型仍不代表逐像素无误差。 批判点评：频谱稳定和固定缩放系数来自所测模型的经验，强动态或采样日程改变时需重新验证。质量接近基线仍存在误差，不能写“无损”；PSNR 对齐基线生成也不是对齐真实视频的证明。当前原文没有可核验代码链接，工程复现还需要补足实现和预算测量。 9. DriftTTS：不用生成老师四步合成语音 DriftTTS: Few-Step Text-to-Speech Without Distillation via Distribution-Matching Drift | 马萨诸塞大学阿默斯特分校；伍斯特理工学院 | arXiv:2610.03390 关键词：语音合成, drifting模型, 分布匹配, 少步生成 前序问题：少步 TTS 往往依赖多步生成教师或预设噪声到数据轨迹。能否直接让真实和生成 mel 特征的分布接近，并让生成器学习自己实际会访问的中间状态？ 本文贡献：DriftTTS 在原始 mel 与冻结 MelMAE 特征空间构造真实样本吸引、生成样本排斥的 drift 目标，训练文本条件 decoder。on-policy rollout 用模型自身中间状态学习少步更新；MelMAE 只用于训练。推理从高斯噪声逐步替换 mel 状态，再由 HiFi-GAN 转为波形，无生成教师蒸馏。 论文 Figure 1：DriftTTS 总览。文本条件高斯噪声经少步 drift decoder 迭代细化为 mel 频谱，再用 HiFi-GAN 转为波形。训练时在 mel 域特征空间使用真实与生成样本计算 on-policy 分布匹配 drift 目标，优化 decoder。 实验效果：表 1 在 LJSpeech、相同 HiFi-GAN 和 Whisper-medium 评估下，四步 DriftTTS 的 MCD 为 3.87 dB、WER 3.7%，Matcha-TTS 为 3.85 dB、3.4%。表 2 的 MOS 为 4.18±0.16，对方 3.96±0.18；配对检验按受试者聚合 p=0.31，按语句 p=0.044。 论文 Table 1：LJSpeech 评估。所有合成系统使用同一个 HiFi-GAN 声码器，WER 由 Whisper-medium 计算，听测统计另见 Table 2。四步 DriftTTS 的 WER 为 0.037、MCD 为 3.87、UTMOS 为 4.25、MOS 为 4.18；四步 Matcha-TTS 对应 0.034、3.85、4.36、3.96。NFE 是声学生成器的函数评估次数。 批判点评：更高 MOS 均分不能写成所有统计口径显著胜出，两个客观指标还略逊基线。无生成教师不等于没有预训练组件，仍用 MelMAE 与声码器；只报告单说话人数据。推理次数应不超过训练深度 K，训练两步的模型直接跑四步会退化。官方代码可访问。 10. Music Rubric：音乐奖励别只盯一个分数 Rubric-Based Optimization for Text-to-Music Generation | 华盛顿大学；艾伦人工智能研究所 | arXiv:2610.03589 关键词：文本到音乐, rubric奖励, 音频语言模型, 后训练 前序问题：提高某一个音乐自动评分，可能牺牲提示词符合度或其他听觉质量。让音频语言模型按多个维度打分是否更稳，也要区分“音乐听起来好”与“速度、调性、乐器确实正确”。 本文贡献：作者用七维自然语言 rubric 评价 prompt 对齐、风格乐器、旋律、节奏、结构、制作和音乐性。MusicGen-small 与 ACE-Step v1 将候选排名转为 DPO 偏好对；ACE-Step 另用 DiffusionNFT 在线优化标量奖励，并比较一次联合评分和逐维评分。Music Rubric 是本文编辑短名。 论文 Figure 1：MusicCaps 上 DPO 后各评估器分数相对未训练模型的百分比变化，正值为好。上排为 MusicGen-small，下排为 ACE-Step v1。每面板对应一个偏好来源：左三列斜线柱按单一自动指标排序，右三列实心柱按音频语言模型 rubric 排序。面板内三柱对应三个评估器，三柱皆正表示无这三项的取舍。各排尺度不同，上排最大柱使用断轴以保持小柱可读；绝对变化见附录表 1、2，基线分数见表 4。 实验效果：附录表 3：ACE-Step 用 Qwen3-Omni 逐维奖励训练 125 次更新后，相对原模型 CLAP、SongEval、Audiobox 分别增加 0.0180、0.1057、0.3385。第 5.4 节的小听测有 7 人、40 条 caption、52 次判断，36 次偏好训练后模型，即 69%，95% 区间 48%–89%；这些是不同口径的证据。 论文 Figure 2：ACE-Step v1 的 DPO 与 DiffusionNFT 比较，每个评分器一面板。面板内三组为 rubric 偏好 DPO（斜线）、一次请求评价全部维度的联合提示 DiffusionNFT、每维度独立请求的逐维提示 DiffusionNFT。每组三柱为与 Figure 1 同色的三个评估器，以相对未训练模型的分数变化百分比表示。所有面板同尺度，对 Qwen2-Audio 最大柱使用断轴；绝对变化见附录表 2、3，基线分数见表 4。 批判点评：评分器和提问方式决定信号是否有效：Music Flamingo 联合评分可出现奖励上涨而外部指标下降，rubric 也没有改善所测调性准确率。短音乐、少量听测与宽置信区间不足以承诺长曲或专家质量；直接属性测量与 rubric 更适合互补使用。本次未找到可核验的作者代码入口。 趋势观察 奖励要定位错误并尊重条件 LoGo 将几何错误定位到三维区域；图像奖励组合按 prompt 意图启用约束，音乐 rubric 则暴露评分器和提示方式的影响。更细的奖励有机会改善生成，但也需要防止对评分代理的过度优化。 一步调用仍包含内部迭代 Depth as Time 把压缩目标推进到网络深度，SpectralCache 从稳定子空间中减少重复计算。参数、执行次数与端到端延迟是三种预算，本文分别给出对应测试条件。 跨模态先验需要明确桥接 DuoMatching 把图像教师接到视频 latent，PMD 把视频宿主知识接到动作流。对齐接口是关键，但附加参数或少步采样不能抹去宿主与训练的成本。 质量应按维度报告 主观偏好、文字符合度、三维一致性和接触质量不一定同步上升。不同论文的 benchmark、生成单位与采样预算不同，这份日报不把分数拼成统一排行榜。 今日讨论 你会优先改善长视频的一致性，还是压缩少步生成的内部计算？ 人工智能炼丹君 整理 | 2026-10-06

AIGC 基本功知识树 每日论文速读解决的是广度——今天世界上发生了什么。但读论文有个前提：你得先看得懂。 这里是另一条线：把视觉生成的底层零件一个个拆开讲透。每篇都给数学推导 + 能跑的代码 + 经典论文出处，并标注前置知识，你可以顺着依赖链一路读下来。 当前规划 38 个知识点，已发布 38 篇。 图例：● 已发布 · ◍ 已发布待更新 · ◐ 正在写 · ○ 计划中 数学与优化基础（2/2） 概率、变分推断、随机微分方程——读懂扩散模型公式的最小前置集合。 ● 变分下界与重参数化（ELBO） · 难度：入门前置 不理解 ELBO 就没法理解 VAE 的 KL 项为什么要加权，也没法理解扩散模型的训练目标从哪来。 ● 扩散过程的前向与反向推导（SDE） · 难度：入门前置 · 前置：ELBO 把 DDPM 的离散公式和 SDE 的连续视角对上，后面所有采样器的差异都能一句话解释。 注意力与核心零件（7/7） 注意力、位置编码、稀疏激活与循环记忆——视频生成里最吃显存、最难外推也最影响长程建模的部件。 ● 自注意力机制的计算与显存账本（MHA） · 难度：核心必修 先把 O(N²) 的常数项算清楚，才能判断后面各种稀疏/线性方案到底省在哪一项。 ● 旋转位置编码 RoPE 的原理与实现（RoPE） · 难度：核心必修 · 前置：MHA 许多现代视频 DiT 使用 RoPE；理解旋转和相对位置性质，才能区分坐标可计算与生成质量可外推。 ● FlashAttention 为什么不需要存下注意力矩阵（FlashAttn） · 难度：进阶 · 前置：MHA online softmax 这一个技巧撑起了整个长序列时代，值得把递推式一步步推一遍。 ● 视频 DiT 里的 3D RoPE 与分辨率外推（3D-RoPE） · 难度：进阶 · 前置：RoPE 换分辨率或帧数时，3D RoPE 的坐标、频率与轴分配是需排查的因素之一，还要检查训练分布、VAE 与注意力实现。 ● 混合专家 MoE：稀疏激活怎么省算力（MoE） · 难度：工程实战 · 前置：MHA 统一多模态模型开始普遍用 MoE 扛参数量，但路由不均衡带来的训练不稳定很少被讲清楚。 ● 线性、循环与记忆架构（LinearMem） · 难度：前沿 · 前置：MHA 长序列架构正在从保存完整注意力矩阵转向可更新状态和深度循环；把复杂度、记忆容量与并行性放进同一框架，才能判断它们何时真能替代 Softmax Attention。 ● 视频生成里的稀疏注意力（SparseAttn） · 难度：前沿 · 前置：FlashAttn、3D-RoPE 视频长序列的全注意力成本很高；稀疏化可以减少计算，但免训练部署的质量取舍需和精确 IO 优化、缓存等方案比较。 生成范式（9/9） 从 DDPM 到流匹配，以及把 50 步压到 4 步的蒸馏路线。 ● DDPM 训练目标与采样流程（DDPM） · 难度：核心必修 · 前置：SDE DDPM 是理解扩散模型的重要起点；先读懂其 loss 与采样循环，再比较其他生成路径和训练目标。 ● 分类器无关引导 CFG 的代价与调法（CFG） · 难度：核心必修 · 前置：DDPM CFG 让每步算两遍，是推理成本里最容易被忽视的 2×，也是蒸馏首先要干掉的对象。 ● 从 DDIM 到高阶采样器（DDIM） · 难度：进阶 · 前置：DDPM 采样器换一个、缓存策略就得重调——这是推理加速最常见的踩坑点。 ● 流匹配与 Rectified Flow（FlowMatching） · 难度：进阶 · 前置：SDE、DDPM 流匹配被许多近期生成模型采用；它与 DDPM 的概率路径、监督目标及采样方式值得系统比较。 ● 潜空间扩散与 Stable Diffusion 架构（LDM） · 难度：进阶 · 前置：DDPM、VAE 把扩散搬进潜空间这一步，直接决定了今天视觉生成的算力可行性。 ● DiT：用 Transformer 替掉 UNet（DiT） · 难度：进阶 · 前置：LDM、MHA adaLN-Zero 这个小设计是 DiT 能稳定训起来的关键，值得逐行对照公式看。 ● 自回归视频生成与 Forcing 范式（Forcing） · 难度：工程实战 · 前置：DDPM、DiT 双向扩散没法流式出帧，Forcing 系列是把视频生成变成可交互的关键一步，也是当下最活跃的范式。 ● 少步蒸馏：从 50 步到 4 步（Distill） · 难度：前沿 · 前置：DDIM、CFG 蒸馏是过去两年推理加速收益最大的一条线，也是最容易把质量搞崩的一条。 ● 世界模型：从视频生成到可交互环境（WorldModel） · 难度：前沿 · 前置：Forcing 视频生成正在从「出片」转向「可交互环境」，这是范式转变而不是又一个 SOTA 分数。 表征与压缩（4/4） VAE / Tokenizer——视频生成的「地基」，决定了上限和伪影形态。 ● VAE 结构与训练目标（VAE） · 难度：核心必修 · 前置：ELBO 潜空间扩散依赖编码器输出的统计尺度；像素空间扩散不使用 VAE，不能将 scaling_factor 推广到所有扩散模型。 ● 离散化表征：VQ-VAE 与 VQGAN（VQGAN） · 难度：进阶 · 前置：VAE 离散自回归视觉模型依赖 tokenizer，码本利用率是重要问题；连续潜变量自回归路线不适用这一前提。 ● 视频 VAE 的时空压缩结构（VideoVAE） · 难度：工程实战 · 前置：VAE 时间维压缩比和因果卷积的实现方式，直接决定了长视频能不能逐块解码而不接缝。 ● 视频 VAE 的常见 loss 组合（VAELoss） · 难度：工程实战 · 前置：VideoVAE L1 + KL + LPIPS + GAN 四项的权重配比是玄学重灾区，把每项在管什么讲透很有价值。 对齐与强化学习（4/4） 从 PPO 到 GRPO，以及怎么把 RL 用到扩散和视频生成上。 ● 策略梯度与 PPO 基础（PPO） · 难度：核心必修 PPO 是在线策略优化的重要基础；掌握优势估计和裁剪后，再区分 GRPO 与直接偏好优化等不同路线。 ● 从 DPO 到 GRPO：去掉价值网络（GRPO） · 难度：进阶 · 前置：PPO GRPO 用组内相对奖励省去 critic；净成本还取决于组采样、参考模型、奖励评估和显存，不能统一声称降低一个量级。 ● 把 RL 用到扩散模型上（DiffusionRL） · 难度：前沿 · 前置：GRPO、DDIM 把多步去噪当成一条 MDP 轨迹，是理解视频 RL 各种做法的统一视角。 ● 视频生成中的强化学习与奖励模型（VideoRL） · 难度：前沿 · 前置：DiffusionRL、FlowMatching 视频的奖励要同时管画质、运动和指令遵循，reward hacking 在这里表现得最明显。 分布式训练（4/4） 参数、数据、序列三个维度怎么切，以及切完之后通信量变成多少。 ● 数据并行与 ZeRO 显存切分（ZeRO） · 难度：进阶 先把「参数 + 梯度 + 优化器状态」的显存账算清楚，才知道该切哪一部分。 ● 混合精度与数值稳定性（AMP） · 难度：进阶 BF16、FP16 与 FP8 的范围、精度和缩放机制不同，排查异常时要区分前向溢出、梯度下溢与舍入误差。 ● 张量并行与流水线并行（TP-PP） · 难度：工程实战 · 前置：ZeRO TP 的通信量和 PP 的气泡率都能手算，算完就知道并行度该怎么配。 ● 序列并行与 Ring Attention（SP） · 难度：前沿 · 前置：TP-PP、FlashAttn 超长视频序列可能需要序列或上下文并行；是否值得使用取决于单卡容量、通信和计算重叠。 推理加速与部署（5/5） 先用性能模型定位算力、带宽和显存瓶颈，再用缓存、稀疏、量化与算子融合把生成时间从分钟压到秒。 ● 性能建模与 Profiling：算力、带宽与显存账本（Roofline） · 难度：进阶 · 前置：AMP 不先判断算力、带宽还是显存容量在卡住系统，量化、融合、缓存很容易做成负优化；这篇提供所有推理优化节点共同的测量方法。 ● KV Cache 与自回归视频生成（KVCache） · 难度：进阶 · 前置：MHA、Roofline 自回归视频模型正在把 LLM 的这套缓存工程整体搬过来，值得先打好底。 ● 算子融合与 CUDA Graph（Fusion） · 难度：工程实战 · 前置：MHA、Roofline 小算子多的模型往往卡在访存和 launch 开销上，融合的收益比换算法更确定。 ● 量化：从 INT8 到 FP4（Quant） · 难度：工程实战 · 前置：AMP、Roofline 激活里的离群值是量化掉点的主因，SmoothQuant 的迁移技巧值得逐步推演一遍。 ● 扩散模型的跨步缓存复用（DiffCache） · 难度：前沿 · 前置：DDIM、DiT、Roofline 相邻去噪步的特征高度相似，这是免训练加速里性价比最高的一类手段。 评测与指标（3/3） FID/CLIP/VBench 各自测的是什么，以及它们什么时候会骗人。 ● FID / CLIP Score 到底测了什么（FID） · 难度：核心必修 FID 对样本量和预处理极其敏感，不同论文的数字经常根本不可比。 ● 视频生成评测：VBench 与人工验收（VBench） · 难度：进阶 · 前置：FID 加速类工作最爱报 VBench 总分不变，但分维度看往往能发现明显退化。 ● 音频质量评测：MOS、PESQ 与 FAD 各测什么（AudioEval） · 难度：工程实战 音视频生成里音频质量几乎全靠几个数字说话，但这些数字测的根本不是一回事：SI-SDR 只管波形对齐、PESQ 只为通信语音设计、FAD 看的是分布而不是单条样本的保真度。选错指标会得到自欺欺人的结论——比如用波形指标验收 codec，数字很好听但高频毛刺全在。 最后更新：2026-10-26 09:17

AIGC 每日速读|2026-10-05|NeurIPS省七成token保孔洞SILSA 今日 AIGC 论文速览 今日共 10 篇 · 3D生成 1 篇 · 持久世界建模 2 篇 · 视频表征与3D控制 3 篇 · 个性化图像生成 1 篇 · 音频生成 2 篇 · 视频生成评测 1 篇 重点论文标题列表 SILSA（伊利诺伊大学）：省七成token保住孔洞 Oneira（莫纳什大学）：新物体能互动且留下后果 World Observer（KAIST）：镜头外的物体也继续演化 SemanTok（Stability AI）：小模型先学会视频语义 Tacit-TTS（杜比实验室）：免转写克隆语音快十倍 今日论文速览 1. SILSA：省七成token保住孔洞 SILSA: Sliding-Window Slice Latents for Topology-Preserving High-Resolution 3D Generation | 伊利诺伊大学厄巴纳—香槟分校 | arXiv:2610.02201 关键词：图像生成3D, 切片潜空间, Rectified Flow, 拓扑约束 前序问题：高分辨率 3D 生成常先预测活跃体素，再补局部几何；连续曲面被拆成大量局部 token，细杆、孔洞和远距离连接容易断裂。增加体素数能补细节，却同时推高序列长度与训练显存。问题不只是模型画得像不像，还包括生成的网格是否保留原有结构。 本文贡献：SILSA 沿 x、y、z 三轴使用重叠的滑动窗口切片，每个 token 概括一段局部深度窗口。Slice VAE 将带朝向的表面采样编码成切片潜变量，再通过稀疏体积解码器重建网格；Volumetric Anchor Lattice 给三组切片共享的 3D 工作空间。切片级持久同调与相邻切片 Betti 转变损失约束连通分量和孔洞，图像条件 Rectified Flow 则一次生成整组潜变量。 论文 Figure 2：SILSA 总览。沿 x、y、z 轴以重叠切片 latent 表示形状。拓扑感知 SliceVAE 将表面编码为固定的多轴切片 latent，再通过稀疏体积上采样解码为高分辨率网格。图像条件 Rectified Flow Transformer 生成 latent，并以 Volumetric Anchor Lattice 作为共享 3D 记忆协调不同轴。VAE 训练中的切片级持久同调与 Betti 转变损失监督连通分量、孔洞和拓扑一致性。 实验效果：表 3 中固定 384 个 token，对比最紧凑基线 Dora 的 1280 个减少 70.0%；batch size 4、单张 A100 下训练显存 8.7GB，对比 Dora 的 14.6GB 减少 40.4%，端到端推理 0.34 秒/形状，对比 0.82 秒减少约 58.5%。表 1 的 PSNR 为 32.74，SparseFlex 为 30.12；表 2 的 Betti-Err 为 1.582，对比 1.743。arXiv comments 明确标注 Accepted at NeurIPS 2026。 论文 Figure 3：自然场景输入图像的 image-to-3D 生成结果。图中展示 SILSA 从不同输入得到的 3D 形状；这是定性展示，不能仅凭样例推出分布外形状可靠性。 批判点评：这些数字来自不同对照：70% token、显存和延迟以 Dora 为参照，PSNR 与 Betti-Err 的强基线是 SparseFlex，不能拼成对同一模型的全面领先。切片拓扑监督改善结构，并不提供任意形状的拓扑保证；作者也承认分布外结构及信息不足的输入视角会降低保真。值得关注的是表示方式，而不是把单物体结果直接外推到完整场景。 2. Oneira：新物体能互动且留下后果 Oneira: From Open-Ended Generation to Open-World Interaction in Video World Models | 莫纳什大学；大连理工大学；香港中文大学（深圳）；牛津大学；布里斯托大学 | arXiv:2610.01614 关键词：交互式视频生成, 显式世界状态, 状态持久性, 条件视频 前序问题：能生成新房间，不代表能持续与新房间里的东西互动。镜头发现一个新苹果，模型要把它变成可操作对象；把苹果拿走之后，再回头也应看到空桌面。纯视频续写往往把交互当作局部视觉效果，缺少记录事件后果并供后续片段查询的状态载体。 本文贡献：Oneira 用显式世界状态表把视频生成与交互闭环连接。coding agent 读取当前观察和目标，定位实体、规划动作并把结果写回表；探索中发现的新物体也会注册。渲染引擎沿相机轨迹把更新后的表转成粗条件视频，视频生成器结合首帧、可选记忆帧和分块 caption 补齐外观与动作；末帧和更新后的状态进入下一段。它的贡献落在生成可互动且状态连续的视频环境。 论文 Figure 2：Oneira 单片段流程。给定输入图像与目标，coding agent A 读取世界状态表并规划动作 P_k。引擎 E 将每个动作写入表，把更新结果 T_k 沿相机路径 C_k 渲染成粗条件视频 V_k（第 3.2 节）。交互表现为物体框的删除或重新着色；被移动物体的框暂时移除，静止后从生成帧重新注册，新露出的物体也如此。视频模型 G 结合首帧、可选记忆帧、V_k 与分块 caption c_k 生成片段（第 3.3 节），末帧与更新后的表启动下一段。球体仅为示意，条件与生成帧来自同一个 Oneira 片段。 实验效果：表 1 的 InteractionBench 包含 100 个交互案例和 50 条记忆链。Oneira 的交互成功率为 0.78、目标正确率 0.82，LingBot-World-V2 分别为 0.49、0.39；记忆部分 State 通过率 0.80，MiniMax-H3 Ref2VA 为 0.68。图 3 展示三个片段组成的 30 秒链，比较执行交互后转回原处的状态。 论文 Figure 3：三个片段组成的 30 秒链的定性比较。各列上方标出当时的动作，橙色单元格表示 caption 携带交互的 chunk，插图显示 Oneira 的条件视频。红色标签标注 baseline 帧中的失败。Oneira 在指定 chunk 控制两次交互，并在相机转回时维持改变后的状态。 批判点评：状态表使“后果被记住”更明确，却没有让底层视频模型成为物理仿真器。作者列出的动作空间仍是离散的，连续控制和精细接触并未解决；长时域视觉一致性仍受生成器能力限制。100 个交互案例与 50 条记忆链是作者的专用评测，不能等同于开放世界任意操作均可靠。 3. World Observer：镜头外的物体也继续演化 World Observer: Joint Actor-Observer Generation for Persistent World Modeling | 韩国科学技术院（KAIST）人工智能学院 | arXiv:2610.02162 关键词：视频世界模型, 全景观察者, 多视角生成, 镜头外动态 前序问题：视频世界模型通常只生成行动者当前看见的画面。汽车驶出视野之后，没有可见证据约束它继续前进；再次入镜时可能丢失、停住或变成别的车。仅保存旧图像能帮助记住外观，却不一定能维护镜头外持续发生的动态。 本文贡献：World Observer 把“行动”和“观察”拆成两个同步生成流：透视 actor 负责当前视角，全景 observer 持续观察选定区域，二者由共享 DiT 联合生成。共同全景源的 warping 建立几何对应；Observer Sink 从高分辨率初始全景取四个透视参考，帮助物体重返视野时恢复细节。观察者还能放在不同位置，或接收单独条件来控制画面外的事件。 论文 Figure 4：模型总览。（a）World Observer 使用共享 DiT 联合生成 actor 与全景 observer 两条流。（b）Observer Sink 将高分辨率初始全景转换为四个透视参考，以保留精细外观信息。 实验效果：表 1 的真实/合成 OOV 测试中，单观察者 2B 模型的 FVD 为 291.7/196.2，LingBot-World 为 420.0/333.3；OOV-D_gt 为 0.426/0.531，对方为 0.337/0.340。多观察者仅在合成集测试，FVD 为 147.0，但 OOV-D_gt 为 0.528，略低于单观察者 0.531。因此视角增加改善部分指标，并非所有动态指标同步上涨。 论文 Figure 7：与其他模型的定性比较。红框标出目标离开视野前与重新进入视野后的物体。已有模型常丢失物体、冻结其状态或不一致地重建它；World Observer 在视野外间隔后更好地保持物体身份与状态演化。 批判点评：方法目前需要全景条件，作者将从普通透视图补全全景列为后续方向；真实世界多观察者条件稀缺，多观察者优势只在合成集有证据。有限的观察者预算也无法覆盖整个世界。它更像把算力分配到感兴趣区域，而不是获得无限范围的世界记忆。 4. SemanTok：小模型先学会视频语义 SemanTok: Predictable Semantic Tokens for Efficient Autoregressive Video Generation | Stability AI；卡尔斯鲁厄理工学院 | arXiv:2610.00686 关键词：视频tokenizer, 自回归生成, DINO语义监督, 可变长度token 前序问题：自回归视频生成需要先确定场景是什么，再补纹理细节。可变长度 tokenizer 虽能从粗到细输出，已有 decoder-REPA 对齐却可能利用带噪输入满足损失，未必迫使短 token 前缀本身承载语义；小 AR 模型因此仍可能生成类别不对或随时间漂移的画面。 本文贡献：SemanTok 保留 VideoFlexTok 的可变长度训练和 nested dropout，在编码端加入冻结 DINO 特征，并用轻量 Dense DINO 与 Class DINO 读出头，要求每个保留下来的 token 前缀单独预测教师语义。冻结 tokenizer 后，AR 模型按时间优先、由粗到细的顺序预测 token，再由扩散 decoder 还原视频。语义监督直接落在短前缀，而不只落在 decoder 的中间状态。 论文 Figure 2：方法总览。（1）tokenizer 训练：encoder、FSQ 与扩散 decoder 联合训练，nested dropout 使 decoder 能从任意 token 前缀重建视频。SemanTok 保留 VideoFlexTok 的训练方案（橙色），再加入冻结教师的语义监督：教师特征输入 encoder，每个保留的前缀都学习预测这些特征（紫色；细节见图 3）。（2）AR 训练与生成：冻结 tokenizer，AR 模型按时间优先、粗到细的顺序预测 token，步骤（1）的 decoder 将任意生成前缀渲染为视频。 实验效果：摘要与实验分析报告：201M 的 SemanTok AR 模型可匹配或超过约 3.4 倍规模的 VideoFlexTok AR 模型；附录表 4 中相应规模阶梯为 201M 和 679M。正文还报告在相同 AR 模型下，k=16 时每 token 预测约少用 32% 的 bits。图 7 比较同一 Kinetics-600 弹吉他类别的 rollout，201M 的 SemanTok 随时间退化更慢。 论文 Figure 7：SemanTok 在两种 AR 模型规模下保持优势。图中是同一 Kinetics-600 弹吉他类别的 class-to-video rollout。在 201M 模型下，SemanTok 随时间缓慢退化，而 VideoFlexTok 只在 t=1 时清晰。项目页提供视频。 批判点评：“小模型追上大模型”限定在作者的数据、token 预算与指标配置；参数量减少不等于端到端生成耗时同比减少。正文专门指出每帧仅 1 个 token 时不能兼顾全部目标，附录重建表也显示部分 PSNR/SSIM 逊于基线。语义更准和逐像素重建更准是两种目标，部署时仍需按预算权衡。 5. Tacit-TTS：免转写克隆语音快十倍 Tacit-TTS: From Autoregressive Decoding to Masked Prediction for Efficient Transcript-Free Voice Cloning | 杜比实验室 | arXiv:2609.38658 关键词：语音克隆, Masked LM, 非自回归生成, ReFlow蒸馏 前序问题：自回归 TTS 逐个预测语义 token，零样本音色克隆效果好但延迟高。非自回归系统更快，却常要求参考音频的转写；参考是陌生语言、婴儿咿呀或无意义发音时，ASR 生成的错误文本反而污染条件。目标是在不要求参考转写的同时降低生成耗时。 本文贡献：Tacit-TTS 从 IndexTTS2 蒸馏，将 text-to-semantic 阶段替换为 masked 非自回归生成，同时保留预训练的说话人和情绪条件。免训练长度估计结合参考音频语速与目标文本音节数，确定输出长度；连续潜表示和 ReFlow 蒸馏则加速下游 semantic-to-mel 的 flow-matching 渲染器，最后由 vocoder 合成波形。 论文 Figure 2：Tacit-TTS 流程总览。输入为参考音频与目标文本，encoder 提取条件表征；text-to-semantic 模型通过 masked-LM 生成语义 token，semantic-to-mel 模型将其转成 mel 频谱，最后由 vocoder 合成波形。 实验效果：单张 NVIDIA A100 上，作者对超过 5 秒的语音报告相对 IndexTTS2 超过 10 倍加速。图 3 的端到端测试包含参考条件计算：4 秒输出约 9.0 倍、31 秒附近最高约 14.9 倍、125 秒为 11.8 倍。表 1 中 LibriSpeech speaker similarity 为 0.875，教师为 0.870；但 WER 为 5.54，教师为 3.115。参考语言另测试了 8 种语言及非词汇声音。 论文 Figure 3：IndexTTS2 与 Tacit-TTS 的端到端生成时间（包含参考条件计算）随输出时长的变化。使用同一参考片段，以固定段落重复延长输出。虚线表示实时速度；Tacit-TTS 曲线上方数字是相对教师的加速比，插图放大 Tacit-TTS 曲线。4 秒、31 秒附近和 125 秒的示例加速比约为 9.0、14.9 和 11.8 倍，不能当作全数据平均。 批判点评：更快没有消除质量损失：普通中文测试上的音色相似度和内容准确度仍落后于教师。图 3 使用固定段落重复拉长输出，最高 14.9 倍不能写成所有语音平均加速；长序列的全注意力成本也开始侵蚀收益。四个常规数据集的其他基线质量数字来自教师论文，而跨语言与非词汇测试由作者重跑，比较范围应分开理解。 6. 4Director：完整网格让物体转身不丢脸 4Director: Controlling Video World Models with Rigid 3D Geometry | Stability AI；伊利诺伊大学厄巴纳—香槟分校 | arXiv:2610.02160 关键词：可控视频生成, 4D场景, 刚体网格, Motion Adapter 前序问题：2D 框只能指定物体在屏幕上的位置，不能完整表达深度和转向；3D 点或 blob 也缺少完整表面。镜头与物体同时移动时，模型容易每帧重新猜未观测几何，导致物体转了一半、遮挡出错或身份变化。专业创作需要把相机和物体轨迹放进统一的 3D 坐标系。 本文贡献：4Director 从输入图为每个物体一次重建 canonical mesh，每帧只施加一个指定刚体变换。网格、背景点云与相机共享坐标系，用户编排轨迹后渲染成深度视频；可训练 Motion Adapter 将几何条件注入预训练视频模型，后者补充外观、光照与非刚体动态。团队构建含 20,774 个片段的 RealCOD-Rigid，并以身份判断门控 mask IoU，形成 IG-IoU 指标。 论文 Figure 3：4Director 总览。左侧：每个物体只重建一次为完整 canonical mesh，每帧用一次刚体变换移动；网格、背景点云与相机共享坐标系，用户在该坐标系指定物体与相机轨迹，并将场景渲染成深度视频（第 3.1 节）。右侧：可训练的 Motion Adapter 分支将刚体渲染注入预训练视频生成器，由后者补充外观、光照与非刚体动态（第 3.2 节）；训练使用 RealCOD-Rigid（第 4 节）。 实验效果：表 1 中 4Director 的 FVD 为 370.4，SymphoMotion 为 405.4、VerseCrafter 为 484.7；IG-IoU 为 60.4，对应 52.9 和 54.8，camera RotErr 为 3.65°。图 5 对比共同相机与物体控制，显示其更完整地跟随指定转向；图 6 另展示物体离开视野后重返的定性案例。 论文 Figure 5：相机与物体共同控制的定性比较。每个片段顶行展示输入图像和规定的轨迹，其下为四个 baseline、4Director 以及源视频按时间对齐的帧。箭头表示物体朝向，源视频中为绿色、生成视频中为红色。该组案例里只有 4Director 完成源视频的转向；baseline 保留原朝向、只转了一部分、模糊或丢失主体。 批判点评：完整网格减少逐帧几何猜测，却会把错误重建固定进控制条件。论文失败案例中，倒立舞者被当作一个刚体平移，生成结果一直保持初始姿态而没有跳舞，说明刚体轮廓可能压制应有的非刚体动作。IG-IoU 还依赖视觉语言裁判判断身份；作者的 VBench 优势多数在 2 个点以内，应避免把图中单例写成稳定保证。 7. GenCine：相机与物体在3D里一起编排 Generative Cinematographer: Composing Camera and Object Motion in 3D | 约翰斯霍普金斯大学 | arXiv:2610.02180 关键词：视频运动控制, 3D运动handle, XYZ引导图, LoRA 前序问题：同一条 2D 拖拽轨迹可能对应完全不同的 3D 运动；相机和物体一起动时，屏幕坐标更难区分“物体真的转身”和“镜头绕过去”。另一方面，整物体刚体控制过硬，人体、动物或机械臂的不同部分需要分别编排，而不必为每类对象建立物理模型。 本文贡献：GenCine 把单张图提升为可编辑的 3D 场景 scaffold，艺术家在共同世界坐标系里设置相机路径，并以局部 3D handle 控制前景不同部分。背景 XYZ、前景 XYZ 和恒定前景身份颜色图分别表达静态位置、动态位置和跨帧对应；有效性 mask 标记缺失条件。轻量 guidance branch 与 Wan 模型的 LoRA 学习这些控制，从真实视频恢复轨迹并结合合成数据训练。 论文 Figure 3：GenCine 的 3D 控制流程。首先从 RGB 图估计深度与动态 mask，再提升为供动作编排的 3D 场景。艺术家通过 Blender 等 3D 界面，在共同世界坐标系指定相机和物体运动。控制转为背景 XYZ、前景 XYZ 和前景身份图，分别指示静态场景位置、移动 handle 的位置及身份。有效性 mask 区分可用条件与缺失值，动态 mask 标出初始前景。冻结的 Wan VAE 将图编码给视频模型；训练配对从视频运动恢复的条件，推理时同样的图表达艺术家编排的控制。 实验效果：表 1 的 Camera Shooting 上，GenCine 的 TransErr 为 1.00，Wan-Move 为 1.02；受控前景 R-LPIPS 为 0.18，对方为 0.19。Object Interactions 上整体 LPIPS 为 0.35，Wan-Move 为 0.37，但整体 PSNR 为 16.54，略低于 Go-w-Track 的 16.59。图 5 给出艺术家编排运动的定性对比，体现 3D 意图与 2D 投影控制的区别。 论文 Figure 5：艺术家编排运动的定性比较。自上而下为 Living room、Bus 和 Robotic arm；每组按行展示 Wan-Move、VerseCrafter、Go-with-the-Track 和 GenCine。第一列为 3D 控制（GenCine）或共享的 2D 投影（baseline），随后四帧采样各控制区间。实线与虚线分别表示已执行和剩余目标路径，圆点表示当前目标，半透明 mask 表示投影目标区域。 批判点评：主要价值是可表达的控制接口，数值优势相当局部，不支持“全指标碾压”的结论。多个 handle 只是分段刚体近似，不能可靠表示复杂形变；单图深度估计出错、遮挡和超出归一化范围的运动都会影响控制。它与 4Director 各有取舍：局部操作更灵活，但没有完整网格带来的全表面约束。 8. PEARL：从用户历史推理个性化画面 Personalized Image Generation with Reasoning and Reflection | 范德堡大学；Adobe；马里兰大学帕克分校；佐治亚大学 | arXiv:2610.00737 关键词：个性化图像生成, 用户历史, 推理反思, DPO 前序问题：个性化图像生成通常依赖挑选好的参考图片，而真实用户偏好分散在评论、帖子、图片和 metadata 中。把某件商品放到什么环境、某个主题应采用什么风格，需要综合历史线索；检索一张最像的图片并不能完整表达生活方式与审美。 本文贡献：PEARL 将多模态 planner、reflector 与冻结图像生成器串成 reason-reflect 循环：先从历史形成场景计划并渲染，再根据实际图像与历史的不匹配修订计划。训练先蒸馏 silver personalization trajectory，再采用交替策略 DPO，用与用户历史相关的检索奖励优化两种策略。配套 benchmark 区分电商商品的 Personalized Scene Generation 和社交媒体的 Personalized Creative Generation。 论文 Figure 2：Pearl 的训练流程。先用 Silver Personalization Trajectory 做 warm start，再通过 Render-in-the-Loop 优化两种策略。图左的教师产生推理与计划供 planner 和 reflector 蒸馏；图右把两种策略与冻结渲染器串接，按奖励给候选排序、构建偏好对并做交替 DPO 更新。 实验效果：表 1 的 Amazon 场景生成中，H@5 为 0.2297，PMG 为 0.2143；MLLM Overall 为 3.92，对方为 3.48。表 2 的 Instagram 创作生成中，跨类别 R@1 为 0.876，Pigeon 为 0.748，MLLM Overall 为 3.541，对方为 3.334。图 4 将两种任务的指标归一化后汇总，比较完整 PEARL 与移除 reflection 的版本。 论文 Figure 4：消融：Pearl 与 Pearl -Reflection 的比较。该可视化对两种任务的指标进行归一化和汇总，展示保留 reflection 前后的差异；坐标是汇总后的相对值，不是原始 benchmark 分数。 批判点评：用户“喜欢”不等于模型能识别出用户：检索与 MLLM 分数只是偏好对齐的代理指标。作者明确指出电商场景没有每个用户—商品组合的自然真实目标图，只能间接评估；策略训练也只做了一轮交替 DPO。Instagram 的 LPIPS 和 MS-SSIM 并非最优，因此不能把摘要中的平均个性化提升写成所有画质指标普遍提升。 9. PLACE：让双耳声像跟随多模态条件 PLACE: Positional Latent Adaptation via Conditioned Embeddings for Binaural Audio Generation | 杜比实验室；佐治亚理工学院 | arXiv:2610.00630 关键词：双耳音频生成, 空间条件, 低秩latent适配, ILD与ITD 前序问题：音频与画面语义一致，还不一定听得出声音来自左边还是右边。现有空间声音生成器的条件接口常较固定，难以同时接收文本、视频和可选音频。想让耳机中的声像随场景变化，需要条件中的空间信息真正改变生成 latent，而不是只描述声源类别。 本文贡献：PLACE 基于 AudioX，增加 Perception Encoder Core 视频特征，将文本与视频表征对齐以提取空间线索，再用依赖条件的低秩变换调整生成 latent。适配器通过解码音频上的耳间声级差 ILD 和时间差 ITD 损失训练；五个预训练 encoder 与 SAO decoder 冻结，AudioX 通过 LoRA 微调。系统支持不同模态条件组合，而非只处理视频输入。 论文 Figure 1：PLACE 框架总览，蓝色突出视频特征路径，橙色突出文本路径。（a）AudioX 生成 latent，空间条件在冻结 SAO decoder 之前驱动其变换；五个预训练 encoder 与 decoder 全部冻结，AudioX 用 LoRA 微调。（b）投影后的 PE Core 特征在 MAF 模块之前补充 CLIP 与 Synchformer 特征。（c）文本—视频 cross-attention 与联合 self-attention 产生空间特征 H_c-sp。 实验效果：表 1 的 FAIR-Play split 1 上，ITD 误差 0.1077ms、ILD 误差 2.0495dB，ViSAGe 分别为 0.1136ms、2.1306dB；split 2 的 ITD 却较差。表 3 的分布外 T2A 听测平均分为 55.5，SpatialSonic 为 44.8；域内 V2A 为 65.3，对方 ViSAGe 为 44.9。原文只写 Submitted to ICASSP 2027，不能称为会议接收。 论文 Table 3：主观听测表。评分范围为 1–100，越高越好；SC 为语义一致性，SI 为空间感，SP 为空间一致性，Sy 为同步性（T2A 不评此项），AR 为音频真实感，Avg 为所评维度的均值。GT 是真实音频参考，不参与最佳模型加粗；粗体表示每种条件各列最优模型。表中区分域内与分布外 T2A、域内与 Gemini 视频条件 V2A；n 统计评分数。PLACE 在域内 T2A 均分 40.5，分布外 T2A 为 55.5，域内 V2A 为 65.3，Gemini V2A 为 58.4。 批判点评：收益取决于模态与分布。域内 T2A 听测均分仅 40.5，低于 SpatialSonic 的 44.4 和 AudioX 的 41.1；BEWO-1M SS-set 上 FSAD、ITD、ILD 也逊于 SpatialSonic，优势集中在原文定义的 SpatialCLAP 差值指标。听测表中的 n 是评分数，不能当作独立听众人数。空间一致性进步不等于全面音质领先。 10. VTR-Bench：视频逼真了字却还常写错 VTR-Bench: A Systematic Benchmark for Evaluating Visual Text Rendering in Video Generation | 香港城市大学；香港科技大学（广州）；香港科技大学；西湖大学；电子科技大学 | arXiv:2610.01499 关键词：视频生成评测, 视觉文字渲染, WER, 关键帧引导 前序问题：广告、科学演示和界面视频里的文字常承担核心信息。模型能把灯光与动作做得漂亮，招牌仍可能拼错、缺字或小字不可读；只评审美与物理合理性无法发现这些问题。需要把文本正确性与画面任务完成度分开衡量。 本文贡献：VTR-Bench 用 300 个 prompt 覆盖五类场景，对具体文字载体分别转写并计算 WER，同时用每条 prompt 的 20 问 checklist 检查场景与运动要求。作者另外提出关键帧引导生成流程，由 Director agent 根据视觉反馈反复调整图像、首帧及运动计划，再生成视频。主贡献是生成模型评测与改进，符合 AIGC 范围，而不是通用视频理解。 论文 Figure 2：VTR-Bench 总览。左侧：专家设计五种场景类别，引导场景 seed 生成与人工过滤；保留的 seed 用于构造 prompt，再通过参考图生成和 VLM 审查迭代完善，最后人工复核。右侧：生成视频在两个维度分别评估，Video Score 以 20 问 checklist 衡量场景与视频要求完成度，WER 比较针对具体文字载体的 VLM 转写与参考文字，衡量视觉文字保真。 实验效果：主表 1 比较 11 个视频模型，Wan3.0 的整体 WER 最低，为 0.250，Video Score 为 0.849；MiniMax H3 为 0.447/0.756，Seedance2.5 为 0.641/0.791。表 2 中 Qwen3.8-27B 对文字块 WER 的 Pearson 为 0.9541，视频级为 0.9842，支持其与人工转写的相关性。官方代码：VTR-Bench。 论文 Figure 1：即使视频视觉上可信，现有视频模型仍难正确渲染文字。上方是 Seedance2.5 生成的视频；Video Score 是 20 问 checklist 中满足要求的比例，WER 是相对参考文字的词错误率。左下展示视频中的四种文字渲染问题，右下展示 11 个模型在 VTR-Bench 上的整体 WER。 批判点评：WER 是词级编辑距离，0.250 不等于“25% 的视频失败”，也不能推出每个视频都错四分之一。不同模型的分辨率与生成管线不同，排行榜还受评审模型影响；相关性高不意味着每条转写都正确。关键帧 agent 的迭代成本也应单独核算，不能把更高预算的改进当作单次生成能力。 趋势观察 从像素记忆走向状态载体 Oneira 显式记录交互后果，World Observer 持续生成选定区域的视角；两条路线都让镜头外状态获得约束，但尚未证明无限时域或全面物理可靠性。 控制接口先解决几何歧义 4Director 用完整刚体网格，GenCine 用局部运动 handle；它们共同把相机和物体放进世界坐标系，分别在完整几何与形变灵活性之间取舍。 短序列必须携带可用信息 SILSA 的切片潜变量与 SemanTok 的短语义前缀都减少局部 token 负担；这是不同任务中的表示设计趋势，不能把各论文加速数字横向相乘。 评测拆开能力与代价 视频里的字、音频的空间感、用户历史匹配和端到端耗时都需要独立指标。各论文测试集、评分口径和硬件不同，本期不做跨论文统一排行榜。 今日讨论 SILSA 用切片拓扑监督改善单物体孔洞与连通性；面对输入视角不充分或分布外形状，你会优先增加多视角条件，还是设计可验证的拓扑约束？ 人工智能炼丹君 整理 | 2026-10-05

AIGC 基本功|扩散模型的跨步缓存复用-DiffCache AIGC 基本功|扩散模型的跨步缓存复用-DiffCache 同样走完采样器的每一步，能不能少算几次昂贵的去噪网络？跨步缓存把这个问题拆成两件事：复用什么，以及什么时候必须刷新。本文用残差缓存的最小实验解释机制，再对照 DeepCache 和 TeaCache 的真实实现。实验是人工构造的数值系统，不是视频模型的质量或速度复现。 本文承接 DDIM 与高阶采样器、DiT 和 性能建模与 Profiling。默认读者知道采样器会反复调用网络，不要求先读缓存论文。论文版本与官方代码核对日期为 2026-10-05。 01. 为什么需要它 一次视频生成中，潜变量在逐步变化，文本条件通常固定，网络却要一遍遍穿过相同的模块。假如两次调用的深层特征几乎一样，重新计算这部分就可能浪费时间。但“几乎一样”只是观测，不能推出“任意一次都可以省”。运动切换、条件变化和采样末期的细节修整，都可能让陈旧特征的误差显现。 这里最具体的失败场景是固定间隔缓存：先完整算一次，之后连续复用，直到计数器要求刷新。如果变化突然出现在间隔中间，策略不会因为内容变了而提前刷新。反过来，如果某段变化很慢，固定间隔也会做多余的完整计算。问题在于日历式排期没有感知当前输入，周期短会损失收益，周期长会增加近似误差。 本文实验保留全部 40 次状态更新。精确版本执行 40 次完整残差计算；自适应阈值为 0.16 时，只执行 11 次，复用 29 次。终点相对误差为 0.008222。它证明了在这个特定数值系统中确实可以减少计算次数，同时也证明输出发生了变化。它不证明视频质量达标，更不证明真实 GPU 上能得到相同的提速。 缓存适合回答“这个步骤里，哪些计算可以暂时沿用”。减少采样步数则改变采样器的离散路径。两种方法可以组合，但组合后的误差要重新评估：单独用缓存通过了一组样例，不意味着换成少步采样器后仍然通过。 02. 最小可用理解 第一，把网络拆成每步仍要计算的部分，以及准备复用的昂贵部分。第二，保存上次完整计算得到的特征或残差，用便宜的变化指标决定是否刷新。第三，即使命中缓存，当前输入仍然要参与输出，采样器仍然继续更新状态。 以残差形式为例，设当前嵌入是 $h_i$，完整模块输出为 $G(h_i,t_i,c)$。缓存保存的是 $R_i=G(h_i,t_i,c)-h_i$。如果上次刷新发生在 $r$，当前近似模块输出是 $h_i+R_r$。符号 $i$ 表示第几次网络调用，$t_i$ 是这次调用的时间条件，$c$ 是固定的文本等条件；$r$ 是缓存的生成时刻，通常小于当前 $i$。 这三句话的重点是“当前输入加旧残差”。如果直接把整个旧输出拿回来，连当前输入的变化也被抹掉了。残差复用仍然有误差，只是保留了输入的直通更新。DeepCache 的 U-Net 高层特征缓存并不等于这个残差写法，不能把所有缓存方法都称为同一个算法。 03. 数学推导 先定义缓存误差发生在哪里 设 $E$ 是便宜的输入嵌入，$G$ 是昂贵模块，$H$ 是输出头。完整调用写为： $$h_i=E(x_i,t_i,c),\quad R_i=G(h_i,t_i,c)-h_i,\quad y_i=H(h_i+R_i,t_i,c)$$ $x_i$ 是采样器当前的潜变量；$h_i$ 是网络内部的嵌入，不必与 $x_i$ 形状相同；$R_i$ 是昂贵模块对嵌入的修正；$y_i$ 是送回采样器的网络预测。这里的预测可以按模型定义代表噪声或速度，缓存逻辑本身不替模型选择参数化。等式只是代数分解，不要求模型专门训练一个名叫“残差缓存”的层。 命中缓存后，输入嵌入和输出头仍按当前条件计算： $$\widehat{y}_i=H(h_i+R_r,t_i,c),\quad r<i$$ 帽子表示近似计算。比较精确与近似时，先固定当前同一个 $h_i$：误差来自 $R_r$ 替代了 $R_i$，而不是来自状态已经分叉。若输出头在所讨论的局部区域满足 Lipschitz 条件，常数记作 $L_H$，那么： $$\|\widehat{y}_i-y_i\|\leq L_H\|R_r-R_i\|$$ Lipschitz 条件的意思是输入变化不能被这个局部映射无限放大；$L_H$ 是放大上限。本文没有测出真实模型的 $L_H$，这个式子是带假设的分析工具，不是线上质量保证。它告诉我们，缓存内部误差小仍然需要考虑输出头的敏感性。 为什么使用便宜的变化代理 直接计算 $\|R_i-R_r\|$ 能判断缓存是否陈旧，但得到 $R_i$ 就已经做了昂贵计算。为了节省计算，需要先观察一个便宜的量 $m_i$。它可以由当前嵌入与时间条件构造。相邻调用的相对 L1 变化写为： $$d_i=\frac{\operatorname{mean}|m_i-m_{i-1}|}{\max(\operatorname{mean}|m_{i-1}|,\varepsilon)}$$ $\operatorname{mean}$ 对张量所有元素取平均，绝对值逐元素计算，$\varepsilon$ 是防止除零的小正数。两次张量形状一致时，均值之比等于 L1 范数之比。这个值没有单位，反映变化相对之前幅度有多大。分母很小时，它也可能变得敏感，不能把这种数值问题误判成内容剧烈变化。 本文教学实现取 $\varepsilon=10^{-12}$。该保护和后面非负累计属于教学实现的防御性处理；不能据此声称官方代码逐字采用相同逻辑。 最直觉的想法是：如果每一步变化都很小，就一直复用。但缓存对应的是刷新时刻 $r$，不是上一时刻。利用三角不等式： $$\|m_i-m_r\|\leq\sum_{j=r+1}^{i}\|m_j-m_{j-1}\|$$ 这里 $j$ 遍历刷新之后的调用。即使单步变化很小，连续多步也会积累成明显差异，因此策略应保留“自上次刷新以来的变化预算”。这个式子约束绝对变化；把每项分别除以不同的幅度后，不能直接称相对变化之和为严格误差界。 实际决策可以采用累计代理： $$A_i=A_{i-1}+g(d_i),\quad \text{refresh if } A_i\geq\delta$$ $A_i$ 是累计预算，$g$ 将输入变化映射到预估的输出变化，$\delta$ 是刷新阈值。完整计算后把预算归零并保存新残差。TeaCache 使用多项式重标定来改善这种代理；拟合关系是经验估计，不会把统计相关性变成对所有样本成立的数学上界。TeaCache 原文第 3.2–3.3 节 给出了指标与累计决策。 本文取 $g(d)=d$，以便只观察状态机。阈值 0.16 因而只属于本实验的代理尺度，不能迁移成真实模型的推荐阈值。换掉嵌入幅度、时间调制或采样路径，同一个阈值对应的刷新频率就会改变。 一次局部近似如何影响后续轨迹 现在让两条轨迹分别使用精确和近似输出。为便于推导，考虑显式 Euler 更新： $$x_{i+1}=x_i+\Delta s_i v(x_i,s_i),\quad \widehat{x }_{i+1}=\widehat{x }_i+\Delta s_i\widehat{v}(\widehat{x }_i,s_i)$$ $s_i$ 是积分坐标，$\Delta s_i>0$ 是步长，$v$ 是精确向量场，$\widehat{v}$ 使用缓存近似。令 $e_i=\|\widehat{x }_i-x_i\|$ 表示轨迹差异，令 $\eta_i=\|\widehat{v}(\widehat{x }_i,s_i)-v(\widehat{x }_i,s_i)\|$ 表示在近似轨迹当前状态上的局部缓存误差。 先在更新差值中加减 $v(\widehat{x }_i,s_i)$，把“缓存误差”和“输入状态不同”分开。再使用三角不等式，并假设 $v$ 对状态的 Lipschitz 常数为 $L$，得到： $$e_{i+1}\leq(1+\Delta s_iL)e_i+\Delta s_i\eta_i$$ 若初始状态相同，则 $e_0=0$。重复代入可得： $$e_N\leq\sum_{i=0}^{N-1}\Delta s_i\eta_i\prod_{j=i+1}^{N-1}(1+\Delta s_jL)$$ 空乘积取 1。这个展开说明早期误差会通过后续更新传播；最后一次强制刷新只能去掉最后一次局部缓存误差，不能恢复此前已经走偏的轨迹。真实系统可能局部收缩，实际误差小于这个上界；高阶求解器还涉及历史预测，不能把 Euler 的式子直接冒充所有采样器的误差定理。 为什么命中率不能直接当加速比 令 $N$ 是总调用数，$K$ 是完整计算数，$C_f$ 是完整调用成本，$C_h$ 是缓存命中调用成本，$C_o$ 是其他固定开销。则一个简单的成本模型是： $$S=\frac{NC_f+C_o}{KC_f+(N-K)C_h+C_o}$$ 命中调用仍要嵌入、判定、读缓存、运行输出头和更新采样器，$C_h$ 不会自动等于零。缓存张量跨设备读取甚至可能很贵。端到端还包括文本编码、VAE 解码和输出处理，跳过 Transformer 并不会同时省掉这些部分。 本文把 $C_f=1$、$C_h=0.08$、$C_o=0$ 当成教学假设。按实跑统计的 $K$ 代入可以算成本比，但没有用这些假设伪装 GPU 计时。部署时需要测出真实成本，再决定缓存是否值得加入。 04. 代码实现 完整脚本是文末的 cache_demo.py，依赖 NumPy 与 matplotlib，无需模型权重。它构造一个四层非线性残差函数，用固定随机种子产生输入和矩阵。输入形状是 $(B,L,D)=(1,4,16)$：一个批次、四个位置、十六个通道。张量使用 float64，目的是让读者稳定复核误差，不模拟混合精度推理。 脚本里的 cheap_input 对应 $E$，residual 对应 $R$，proxy 对应 $m$，budget 对应 $A$，threshold 对应 $\delta$。输出头取恒等映射。每次用当前 $h$ 加缓存残差得到预测，然后执行状态更新。时间标签从 1 递减到 0，而状态更新的步长固定为 $1/N$；这只是合成系统的定义，没有冒充 DDIM 或真实扩散调度器。 决策的核心代码如下；变量准备、精确对照、绘图及断言都在完整附录中： budget += max(change, 0.0) boundary = i in (0, STEPS - 1) calculate = boundary or budget >= threshold if calculate: saved_residual = residual(h, t) budget = 0.0 output = h + saved_residual 首次调用没有缓存，所以必须完整算。最后一次强制刷新属于本实现的策略。previous_proxy 每一步都更新，saved_residual 只有刷新时更新：把这两件事混淆，就会把“相邻变化累计”写成另一种算法。simulate 每次创建新的状态，避免后一条请求接着用前一条请求的残差。 为了画误差曲线，脚本还在每个步骤额外执行一次精确函数作为离线诊断。这些额外执行没有算进策略的 full_calls；因此实际运行这个带诊断的脚本并不是加速测速。计数回答的是策略本来会执行多少次昂贵计算，图回答的是当前近似轨迹上的局部输出误差有多大。 真实运行环境为 Python 3.11.9、NumPy 2.4.3。基线终点的元素范围为 [-0.791508, 0.614856]。输出如下： shape=(1, 4, 16), steps=40, seed=7 baseline_range=[-0.791508, 0.614856] name full_calls hits endpoint_relative_error assumed_speed_ratio exact 40 0 0.000000 1.000 adaptive_0.08 18 22 0.004939 2.024 adaptive_0.16 11 29 0.008222 3.003 adaptive_0.32 7 33 0.026326 4.149 uniform_4 11 29 0.008672 3.003 All assertions passed; figure=figures/cache_schedule.png 终点相对误差的定义是近似终点与精确终点之差的 L2 范数，除以精确终点的 L2 范数。因此 0.008222 是这个定义下约 0.8222% 的差异，不是 VBench 下降，也不是图像中有 0.8222% 的像素出错。最后一列来自前节假设的成本模型，没有真实延迟单位。 图上半部分每个方块表示一次完整残差计算，空缺表示复用；下半部分是离线诊断得到的局部输出 L2 误差。请先观察刷新是否集中在同一段，再看复用之间误差如何变化。曲线没有用感知质量指标，纵轴不能解读成画面可接受程度。配图由附录脚本生成，数据与上述输出来自同一次实验。 阈值 0.16 与固定间隔 4 都执行了 11 次完整计算，但终点误差略有差异。这是“同样预算也会因刷新位置不同而得到不同结果”的一个实例。它只有一个种子和一个人工系统，不能证明自适应策略在所有输入上优于固定间隔，更不能作为统计显著性结论。 05. 工业级实现对照 DeepCache 原文第 3.3 节 利用 U-Net 的分支结构：当前浅层特征继续更新，较深分支的高层特征从缓存取回并拼接。它缓存的是特定网络位置的特征，并非本文抽象的整段残差。官方 horseee/DeepCache 的 deepcache.py 提供 forward 包装与状态复位；对照时应先找缓存边界，再判断到底省掉了哪些模块。 TeaCache 的 HunyuanVideo 示例 中，teacache_forward 用时间调制后的输入计算变化代理，累计重标定后的变化，并保存 Transformer 主体的输入输出残差。首尾调用完整计算，命中后把旧残差加到当前图像嵌入上；输出层仍然运行。这里对应的是 2026-10-05 实际取回的源码，后续上游重构需要重新核对。 教学版与上述示例的差异很明确：教学版没有文本分支、真实 patchify、注意力或权重，也没有拟合官方多项式；它只验证预算与残差状态机。真实代码还可能把张量变化转成 CPU 标量，这种同步的代价不能从“指标计算量很小”中自动排除。需要把判定开销也纳入测量。 工程上，缓存状态应属于一次请求，而不是一个可被并发请求共享的随意全局变量。prompt、负向条件、guidance、分辨率、帧数、模型权重或调度器变化时，复用旧状态没有语义依据。只检查张量形状远远不够；两个请求可以形状相同、内容完全不同。失败中断后重新开始生成，也要建立新的缓存生命周期。 若模型采用双分支 CFG，必须考虑条件与无条件分支的缓存分别有效。按 $y=y_u+w(y_c-y_u)$ 写，$y_u$ 与 $y_c$ 分别是无条件和条件预测，$w$ 是 guidance 系数。预测误差满足： $$\|\Delta y\|\leq |w|\|\Delta y_c\|+|1-w|\|\Delta y_u\|$$ 因此较大的 guidance 可能放大分支近似误差。这个式子是代数上的工程分析，不声称所有视频模型都执行双分支 CFG；有些采用蒸馏后的 guidance 条件。接入前要先确认实际预测路径，再决定状态如何隔离。 还要区分采样步和网络调用。调度器可能在一个名义步里求值多次，或重访相同的时间标签。缓存的计数器应跟随真实调用语义。如果只拿界面上显示的步数当数组长度，很容易在错误的位置刷新，或者提前把状态清零。应记录每次实际调用的时间标签、是否刷新和缓存来源，再与调度器对齐。 06. 代价与边界 省的是昂贵模块重复计算，增加的是缓存内存、生命周期管理、判定开销和近似误差。保存一个形状为 $(B,L,D)$ 的残差张量，最低存储量为 $BLDb$ 字节，其中 $b$ 是每个元素的字节数；克隆的输入、多个分支及其他缓存还会额外占空间。长视频中 token 数很大，省算力并不自动省显存。 阈值没有通用刻度。代理的归一化方式、拟合数据、模型层、时间条件与采样器都影响其意义。在某模型上有效的多项式可能在另一个模型或调度器上失配。应在目标分布上先记录输入代理与真实残差变化的对应关系，再评估误判，不能只沿用别人仓库里的常数。 端点刷新是一种保守策略，不是一种证明。即使最后一次完整计算，网络读到的潜变量也已经经过缓存轨迹；它不能把积累误差自动洗掉。判断质量时要看整段生成结果，尤其是动作连续性、物体身份、细节与提示词对应关系，而不是只看最后一个调用的缓存误差归零。 已有很少采样步的蒸馏模型可能没有多少安全的复用空间。短轨迹上每次预测都更重要，进一步减少完整网络调用可能迅速损害质量。动态改变条件的交互式生成、频繁切换控制信号的任务，也不应默认共享同一段缓存。先建立可靠基线，才能判断具体组合是否值得部署。 评测时固定权重、prompt、种子、分辨率、帧数、采样器和 guidance，分别测完整网络计算时间与端到端延迟。预热、设备同步、重复测量和尾延迟都要说明；不要把首次编译的基线与已预热的缓存版放在一起比较。质量样例应包含快速运动、镜头切换、文字、遮挡和多主体交互等容易暴露近似问题的内容。 本文给出的误差曲线只能帮助理解缓存的数值行为。没有真实模型权重，没有样本集，也没有测量硬件延迟。因此本文不提供生产阈值，不给出“无损”的结论，也不声称这些 toy 误差能预测真实视频的主观质量。 还要分别检查代理误判的两种代价。代理高估变化会增加完整计算，主要损失效率；代理低估变化会继续使用陈旧残差，主要增加质量风险。这两种错误不能只用一个平均相关系数概括。即使整体相关性很高，少数快速变化的步骤被漏掉，也可能成为最明显的失败样例。应保留逐步记录，把异常视频定位到具体刷新区间，再判断是代理不敏感、阈值过大还是缓存位置选错。 为避免测试集上的阈值被过度优化，可以先用一组提示词选择阈值，再在另一组提示词上固定参数评估。报告平均质量以外，还要记录最差样例以及变化最大的场景。缓存有时能带来某项评分的小幅上升，但近似轨迹改变本身并不保证改进；应通过更多独立样本判断这是随机波动还是稳定效果。不能挑出一段更好看的视频，就把整条路线称作质量提升技术。 缓存决策在不同请求中可能产生不同的完整计算次数，所以服务端延迟也会随内容变化。只报告平均命中率，会遮蔽慢请求的行为；应同时关注完整计算次数的分布和尾延迟。如果业务要求固定延迟，可以限制最长复用间隔或最低刷新次数，但这些额外约束需要重新纳入成本账本与质量验证。 07. 经典论文脉络 DDIM：Denoising Diffusion Implicit Models，2010.02502。它提供理解不同采样路径的基础；跨步缓存要先说明是否保留原有离散调用，再比较误差，不能把省模块与改步长混为一谈。 DeepCache，2312.00858。它把 U-Net 高层特征的跨步复用转成免训练加速方案，主要启发是选择合适的结构边界，而不是对所有中间张量一概缓存。 Pyramid Attention Broadcast，2408.12588。它把视频生成中的注意力复用纳入设计，提示我们不同模块可以有不同刷新节奏。本文只把它作为技术脉络，不复现其性能结果。 TeaCache，2411.19108。它用时间调制输入的变化代理和重标定来选择刷新时刻，把问题从固定周期推进到输入感知的缓存决策。 论文数值也要带条件。DeepCache 的摘要报告 SD v1.5 上 2.3 倍加速与 CLIP Score 下降 0.05；这是作者特定设置下的结果，不能泛化成所有扩散模型都同样受益。原始摘要 支持这组数字。 TeaCache v2 的表 1 中，OpenSora-Plan、65 帧、512×512 的基线延迟为 99.65 秒，slow 配置为 22.62 秒，对应 4.41 倍；VBench 从 80.39% 到 80.32%，差值是 0.07 个百分点。fast 配置在同表报告更高加速，但质量也有不同取舍，所以本文引用 slow 配置，避免把不同配置的最优速度与最优质量拼成一个结果。原文表 1 可直接复核。 这些工作属于相关路线，没有一个统一的阈值或通用缓存张量。先检查缓存边界，再看刷新规则，最后检查采样路径是否改变，是比较它们时更稳定的顺序。方法名称相似、都声称免训练，不代表工程实现可以直接互换。 08. 常见误解 “跨步缓存与 KV cache 是同一种精确复用。” 自回归 KV cache 通常复用固定前缀的计算结果，而扩散过程中潜变量和时间条件在变化。这里复用的是可能陈旧的近似特征，必须单独评估误差。是否等价还取决于模型路径，不能仅凭有个 cache 字段就判断。 “相邻特征相似，所以可以一直复用。” 相邻相似不等于相隔很多步仍相似，更不等于输出质量不变。累计预算关注缓存年龄，刷新机制关注何时恢复完整计算。二者缺一不可。 “阈值 0.16 表示允许 16% 的质量损失。” 阈值只是累计代理的比较值。它不是终点误差、FID、VBench 或主观质量的直接比例。本实验阈值与官方多项式的阈值甚至不在相同刻度上。 “缓存命中后跳过了采样器更新。” 本文所有版本都更新状态 40 次。省掉的是一部分网络计算，当前输入与输出头仍然可以变化。如果代码命中后直接跳过调度器，它执行的是另一种算法。 “最后一次完整计算能补回前面所有误差。” 最后一次局部预测变准确，不等于输入轨迹回到基线。误差传播推导和实验都把这两件事区分开。 “调用次数少三倍，就是端到端快三倍。” 命中步骤、其他固定模块、同步与内存操作仍有成本。本文最后一列只是显式假设的成本比，实际脚本还带额外离线诊断，因此不能拿它的运行时间当加速报告。 09. 动手验证 先把附录完整代码保存为 cache_demo.py，准备 Python 3.10 以上环境，执行： python -m pip install numpy matplotlib python cache_demo.py 脚本按照所在目录生成实验结果文件和 figures/cache_schedule.png。数值应与第 04 节一致；换 NumPy 或底层数值库时，浮点尾数可能略有不同。比对完整计算次数、刷新时刻和误差到所列精度，比要求截图或图片压缩字节完全一致更合适。 首先把阈值设成 0。每个步骤都会刷新，完整计算次数应等于 40，终点应与精确基线逐元素一致。附录已经用断言验证这个条件；如果失败，要先修缓存状态机，不要调阈值掩盖问题。 其次比较 0.08、0.16 和 0.32。在本次固定实验里，完整计算次数逐步减少，终点误差逐步增加。这是一个具体样本的趋势，不是所有系统的单调性定理：刷新位置改变、误差相互抵消、轨迹分叉，都可能让某个中间阈值的结果反而更接近基线。 再比较 adaptive_0.16 与 uniform_4。两者的成本模型使用相同的 11 次完整计算，但时刻并不相同。观察图中误差峰值，不只盯终点一个数。如果想研究预算分配，固定计算次数，再调整刷新位置，比仅仅换一个阈值更容易把原因看清。 最后修改种子或残差函数中时间变化的频率，重新运行整套对照，并保留新的输出。这一操作没有本文预先承诺的性能结果；它用来观察原先代理是否仍能判断残差变化。若输入代理很平缓、真实残差突然变化，就能构造“指标漏报”的反例。把反例加入测试，比只展示一条顺利的曲线更有价值。 实际接入模型之前，还应验证两次独立请求是否有相同基线行为、错误中断是否清理状态、同形状不同条件是否互相污染。本文实验用每次 simulate 独立初始化来验证复位；真实服务还需要针对并发与重入的检查。 10. 延伸阅读 先从 DDIM 与高阶采样器 理解调用路径，再用 DiT 找嵌入、主体和输出头的边界，最后通过 性能建模与 Profiling 实测哪些部分值得省。 可以对照 KV cache 理解缓存有效性，也可继续读 量化 比较另一种减少推理成本的方法。知识树中的少步蒸馏节点仍为 planned；它是下一条相关学习路线，尚无已发布链接。跨步缓存、量化与蒸馏组合时，应重新建立质量和延迟基线。 附录：完整代码 09 节用到的脚本全文如下（cache_demo.py）。复制到本地存成同名文件，按各脚本开头的依赖说明准备环境后即可运行。 cache_demo.py """Deterministic residual-cache toy; Python 3.10+, pip install numpy matplotlib. Run: python cache_demo.py No trained diffusion weights; cost ratios below are accounting assumptions. """ from pathlib import Path import json import platform import numpy as np import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt STEPS = 40 SHAPE = (1, 4, 16) SEED = 7 rng = np.random.default_rng(SEED) X0 = rng.normal(size=SHAPE).astype(np.float64) W = rng.normal(size=(16, 16)) / 8.0 V = rng.normal(size=(16, 16)) / 8.0 def cheap_input(x, t): return x + 0.05 * np.sin(2 * np.pi * t) def proxy(h, t): return h * (1 + 0.3 * np.sin(2 * np.pi * t)) + 0.1 * np.cos(2 * np.pi * t) def residual(h, t): z = h for _ in range(4): z = np.tanh(z @ W) return 0.15 * h + 0.4 * (z @ V) + 0.08 * np.sin(6 * np.pi * t) def simulate(threshold=None, period=None): x = X0.copy() previous_proxy = None saved_residual = None budget = 0.0 refreshed, local_errors = [], [] for i in range(STEPS): t = 1.0 - i / (STEPS - 1) h = cheap_input(x, t) m = proxy(h, t) change = 0.0 if previous_proxy is None else float( np.mean(np.abs(m - previous_proxy)) / max(np.mean(np.abs(previous_proxy)), 1e-12)) budget += max(change, 0.0) boundary = i in (0, STEPS - 1) if threshold is None and period is None: calculate = True elif period is not None: calculate = boundary or i % period == 0 else: calculate = boundary or budget >= threshold if calculate: saved_residual = residual(h, t) budget = 0.0 output = h + saved_residual # Offline diagnostic only; extra evaluation is excluded from work accounting. exact = h + residual(h, t) local_errors.append(float(np.linalg.norm(output - exact))) refreshed.append(bool(calculate)) previous_proxy = m.copy() x = x - output / STEPS return {"x": x, "refreshed": refreshed, "local_errors": local_errors} def experiment(): baseline = simulate() rows = [] results = [] settings = [("exact", None, None), ("adaptive_0.08", 0.08, None), ("adaptive_0.16", 0.16, None), ("adaptive_0.32", 0.32, None), ("uniform_4", None, 4)] for name, threshold, period in settings: result = simulate(threshold, period) calls = sum(result["refreshed"]) relative_error = float(np.linalg.norm(result["x"] - baseline["x"]) / np.linalg.norm(baseline["x"])) # Full call = 1 unit; cache hit = 0.08 unit, solely for illustration. assumed_work = calls + (STEPS - calls) * 0.08 rows.append({"name": name, "full_calls": calls, "hits": STEPS - calls, "relative_endpoint_error": relative_error, "assumed_speed_ratio": STEPS / assumed_work, "refresh_indices": [i for i, flag in enumerate(result["refreshed"]) if flag]}) results.append(result) zero = simulate(threshold=0.0) assert np.array_equal(zero["x"], baseline["x"]) assert sum(zero["refreshed"]) == STEPS assert all(r["refreshed"][0] and r["refreshed"][-1] for r in results) assert np.array_equal(simulate(threshold=0.16)["x"], results[2]["x"]) assert all(np.isfinite(r["x"]).all() for r in results) return rows, results, baseline def make_figure(rows, results, destination): fig, axes = plt.subplots(2, 1, figsize=(11, 7), constrained_layout=True) colors = ["#2563eb", "#ea580c", "#16a34a", "#dc2626", "#9333ea"] for y, (row, result) in enumerate(zip(rows, results)): idx = np.flatnonzero(result["refreshed"]) axes[0].scatter(idx, np.full(len(idx), y), marker="s", s=38, color=colors[y]) axes[0].set_yticks(range(len(rows)), [r["name"] for r in rows]) axes[0].set_xlim(-1, STEPS) axes[0].set_xlabel("Sampling call index (0-based)") axes[0].set_title("Squares = full residual computation; gaps = cache reuse") for y, (row, result) in enumerate(zip(rows[1:], results[1:]), start=1): axes[1].plot(result["local_errors"], label=row["name"], linewidth=1.7, color=colors[y]) axes[1].set_xlabel("Sampling call index (0-based)") axes[1].set_ylabel("Local output L2 error") axes[1].set_title("Offline diagnostics on each cached trajectory; no quality metric") axes[1].legend(ncol=2, fontsize=9) axes[1].grid(alpha=0.25) fig.suptitle("Residual caching: refresh decisions and approximation error", fontsize=14) fig.savefig(destination, dpi=150) plt.close(fig) if __name__ == "__main__": rows, results, baseline = experiment() folder = Path(__file__).resolve().parent.parent (folder / "figures").mkdir(parents=True, exist_ok=True) make_figure(rows, results, folder / "figures" / "cache_schedule.png") record = {"seed": SEED, "steps": STEPS, "shape": list(SHAPE), "python": platform.python_version(), "numpy": np.__version__, "baseline_min": float(baseline["x"].min()), "baseline_max": float(baseline["x"].max()), "results": rows, "assertions": "zero-threshold exactness, endpoints, request reset, finite outputs passed"} (folder / "experiment_results.json").write_text( json.dumps(record, ensure_ascii=False, indent=2) + "\n", encoding="utf-8") print(f"shape={SHAPE}, steps={STEPS}, seed={SEED}") print(f"baseline_range=[{record['baseline_min']:.6f}, {record['baseline_max']:.6f}]") print("name full_calls hits endpoint_relative_error assumed_speed_ratio") for row in rows: print(f"{row['name']} {row['full_calls']} {row['hits']} " f"{row['relative_endpoint_error']:.6f} {row['assumed_speed_ratio']:.3f}") print("All assertions passed; figure=figures/cache_schedule.png")

AIGC 每日速读|2026-10-04|商汤小模型绕圈反超6.5倍大模型，Looped-DiT 今日 AIGC 论文速览 今日共 10 篇 · 高效文生图架构 3 篇 · 统一多模态 1 篇 · 长视频与音视频生成 2 篇 · 生成推理加速 2 篇 · 视频强化学习与图像评测 2 篇 重点论文标题列表 Looped-DiT（商汤）：260M循环4圈赢6.5倍大模型 Multimodal Flow（华科）：图文全连续流建模，仅用150B词元 NEPA-DiT（密歇根大学）：预测嵌入当条件，FID 1.32 MosaiChunk（康奈尔大学）：只训13.6M路由，长视频回访不失忆 Soundwich（西蒙弗雷泽大学）：冻结LTX-2.5免训练拆分音轨 今日论文速览 1. Looped-DiT：260M循环4圈赢6.5倍大模型 Looped Diffusion Transformer | 商汤科技；清华大学；南洋理工大学 | arXiv:2609.40305 关键词：文生图, 循环计算, 参数共享, 深度监督, 潜在推理 前序问题：文生图模型提质通常只有两条路：加参数或加去噪步数。语言模型里已验证的「循环复用同一组层」能在不增参数的前提下加深计算，但直接搬进 MMDiT 并不稳定：推理圈数超过训练值后性能先涨后跌，中间表示里可线性解码的空间位置信息逐圈流失。 本文贡献：Looped-DiT 把网络切成前段 6 块、循环段 5 块、后段 6 块，每个去噪步内让循环段共享权重重复 N 次（训练取 4 圈）。两项稳定手段：深度监督，每圈输出都经共享后段解码并计入 flow loss；自调制注意力，用门控或无参的 Exclusive Self-Attention 抑制注意力对局部信息的过度改写。 实验效果：260M 的 B/16 在 GenEval、DPG、PRISM、CoRe、Spatial、TIIF 六项均值 71.5，六项全部高于 1.7B 的 InternVL-U（均值 69.0），也高于 6.6B 的 Uni-CoT（66.8），单图推理算力约为 InternVL-U 的 1/4.9。参数对齐对照里，B/32 均值从 55.2 提到 59.1；同等推理预算下，加圈比加去噪步更划算。 批判点评：「参数不变」不等于「算力不变」：循环版每步推理 267 GFLOPs，是同参数基线的 1.83 倍，训练 1246 GFLOPs 更是 2.83 倍。按推理算力对齐时，加宽版 MiniT2I 已到 58.6，与 Looped-DiT 的 59.1 只差 0.5。分项看，循环擅长约束求解，需要常识推断的 CoRe/Generalization 只 +7.5，远不如文本 CoT 的 +22.2。 2. Multimodal Flow：图文全连续流建模，仅用150B词元 Multimodal Flow: Unified Flow Modeling of Language and Vision in Embedding Spaces | 华中科技大学；北京交通大学；地平线 | arXiv:2609.40362 关键词：统一多模态, 连续流匹配, 文生图, 视觉理解, 多模态预训练 前序问题：统一理解生成模型多走两条路：文本和图像都离散化，图像要过量化瓶颈；或文本离散、图像连续，两种目标与采样流程各写一套。全连续建模能让两种模态共用一个生成过程，但在多模态预训练规模上很少被系统验证。 本文贡献：MF-1 用冻结的 T5-small 与 SigLIP2 把文本块（每 8 个词元一块）和图像编码成连续表示，按顺序组织成 hyperchunk，交给一个 chunk-causal 的 flow 主干学习单一速度场；注意力投影共享、FFN 按模态分开。训练时并行预测多个目标块，推理时逐块生成，再由预训练图像解码器与单独训练的文本解码器还原。 实验效果：1.6B 版本只用 150B 预训练词元，GenEval 0.82、DPG 83.44，理解侧 POPE 86.1、MMBench 67.2。数据、优化与参数完全对齐时，全连续版 GenEval 0.713、MMBench 46.7，高于 Transfusion 式混合（0.669 / 33.7）与 Chameleon 式全离散（0.374 / 38.4）。 批判点评：生成强、理解弱：MMBench 67.2 落后同量级的 Janus-Pro（75.5）与 JanusFlow（74.9），VQAv2 72.6 也低于 JanusFlow 的 79.8（对方有预训练 LLM 初始化）；DPG 83.44 还没追上纯生成的 SD3 Medium（84.08）。scaling 曲线上 1.6B 预训练阶段 GenEval 只到约 0.32，表中 0.82 是再经 5B 词元微调后的结果；「全连续」也依赖冻结编码器与外部解码器，图像输入仅 224 分辨率。 3. NEPA-DiT：预测嵌入当条件，FID 1.32 Embedding Prediction Helps Image Generation | 密歇根大学；卡内基梅隆大学 | arXiv:2610.02203 关键词：类别条件生成, 嵌入预测, 扩散 Transformer, 表征对齐, ImageNet 前序问题：DiT 里类别或文本只嵌入一次，每个去噪步复用同一个条件，「这个条件对眼前这张噪声图意味着什么」全留给生成器自己推断。NEPA（下一嵌入预测自回归）已能在连续嵌入上做自回归预测，作者想知道：能否用预测出的干净图嵌入替代固定条件。 本文贡献：把生成写成「条件 → 噪声图 → 干净图」的嵌入序列，干净图的 patch 嵌入正是条件与噪声图之后的「下一组嵌入」。作者训练 NEPA 模型用多嵌入预测（MEP）一次性预测全部干净嵌入；生成时 DiT 以这些预测为条件，并在每个去噪步按当前噪声状态重新计算，条件随采样进程自适应。 实验效果：ImageNet 256×256 上，NEPA-DiT-XL 结合 REPA，SDE-250 采样 FID 1.32、IS 311.0，ODE-96 采样 FID 1.57；训练为 NEPA 240 + 生成器 80 epoch，约为 REPA（800 epoch）训练算力的三分之一。九组规模交叉实验中，生成器或 NEPA 模型变大，FID 都单调下降。 批判点评：训练省了，推理贵了：多挂一个 711M 的 NEPA 网络，总参数约 1.39B，是 SiT-XL/2+REPA（675M）的两倍；同为 SDE-250，单图 160 TFLOPs，比对方的 91 TFLOPs 多 76%。换成更省的 ODE-96，FID 1.57 反而不如 REPA 原版的 1.42。若放开 tokenizer，表中 SFD、RAEv2 已做到 1.06。 4. MosaiChunk：只训13.6M路由，长视频回访不失忆 MosaiChunk: Compositing Spatio-Temporal Memory for Autoregressive Video Generation | 康奈尔大学；加州大学伯克利分校；哈佛大学；Impossible Inc. | arXiv:2610.02153 关键词：自回归视频生成, 长时记忆, KV 缓存, 记忆路由, 场景回访 前序问题：自回归长视频受限于上下文窗口：物体或场景移出窗口后细节丢失，镜头转回来时往往「重新编」一个。整块检索历史 chunk 能补记忆，但固定显存预算下塞不了几块；滑动窗口则干脆遗忘。 本文贡献：作者先验证冻结的视频生成器能直接消费非连续拼接的历史 KV 并还原对应内容。MosaiChunk 据此把每个历史 chunk 聚成若干 section 并编码描述子，由轻量路由器全局挑出 top-N，在固定活跃显存预算内拼成一块跨时空的 KV 马赛克；生成器全程冻结，只自蒸馏训练路由器。同时发布 RememBench 回访基准，含 T2V 与 I2V 两个子集。 实验效果：在 MiniMax-H3 改造的自回归版 H3-AR（T2V）上，两块远程记忆预算下回访 CLIP 从滑窗基线 0.751 升到 0.936，LPIPS 从 0.652 降到 0.500，优于整块检索 MoC（0.841）；LingBot-World-Infinity（I2V）180° 旋转回访 CLIP 0.793→0.863。路由器只有 13.65M 参数。 批判点评：自建基准涨幅大，公开基准涨幅小：WBench 的 Subject 一致性仅 88.10→88.38，两块预算下 Segment 一致性反从 97.47 掉到 94.94；T2V 的 Drift 也略升（0.050→0.055）。论文还写明评测用的是早期 checkpoint：T2V 计划训 4000 步、实取第 416 步，I2V 计划 4768 步、实取第 500 步，未解释为何不用训完的权重。 5. Soundwich：冻结LTX-2.5免训练拆分音轨 Soundwich: Video Generation with Layered and Controllable Audio | 西蒙弗雷泽大学；塞浦路斯大学；CYENS 卓越中心；特拉维夫大学 | arXiv:2610.00691 关键词：音视频联合生成, 音轨分离, 免训练, 时间控制, 可编辑音频 前序问题：联合音视频模型已能生成带同步声音的视频，但音频是一条混好的总轨：谁在何时说话、配乐和环境声都没法单独改。实际制作中，对白、音乐、音效、环境声都是分轨编辑的。 本文贡献：Soundwich 不做训练，直接改造冻结的 LTX-2.5：先把音频轨迹扩成 N 条可编辑分轨加一条内部场景轨，用缓存的「出声 / 静音」特征（timing carrier）在指定时间窗内回放或压制；再用 gather–broadcast 注意力让各分轨共享全局声学语境，并用实体掩码把每条分轨的跨模态注意力路由到画面中对应的发声者。 实验效果：15 个多声源场景上，时间窗成功率 93.1%、窗外误发声 1.7%、声源归属 90.0%，窗内 WER 0.060；同场景原版 LTX-2.5 窗成功率仅 20.4%，MiniMax H3 为 27.0%，Gemini Omni 为 85.0%。去掉 timing carrier，窗成功率从 93.3% 跌到 15.6%。 批判点评：评测规模很小：主表只有 15 个场景、每场景 3 个固定种子，场景广播模块的人评只收回 15 份问卷。真正接近的对手是闭源 Gemini Omni，WER 0.072 对 0.060、窗成功率 85.0% 对 93.1%，且它只有 14 个场景可计 WER。声源归属 90.0% 比朴素批量扩展的 82.2% 只高 7.8 个点。 6. DMAD：判别器替掉辅助分数网络，4步出片 DMAD: Distribution Matching as Adversarial Distillation for Fast Visual Generation | 得州农工大学；字节跳动智能创作 | arXiv:2610.02188 关键词：少步蒸馏, 分布匹配, 对抗蒸馏, 视频生成, 音视频生成 前序问题：DMD 系列少步蒸馏要从「目标分数 − 学生分数」的差里取梯度，因此必须额外维护一个持续拟合学生分布的辅助扩散模型，显存与算力开销都大，在 14B、33B 级视频模型上尤其吃紧。 本文贡献：DMAD 把分布匹配改写成分类：共享主干上挂两个判别头，分别区分「真实数据 vs 学生」与「教师样本 vs 学生」，用 logit 直接学习对数密度比，学生只用作用在 logit 上的线性损失训练，无需拟合辅助分数。作者证明判别器最优时该损失恰好还原 DMD 的梯度，并用真实头在真实与教师样本间的 logit 差，自适应调节各噪声级上教师监督的权重。 实验效果：ImageNet-64 一步 FID 1.04（加投影判别器），SDXL 四步 COCO-10K FID 14.47，Wan2.1-14B 四步 VBench 85.15，均优于所比少步方法与多步教师。在 MiniMax-H3-33B 联合音视频生成上，四步学生人评总体偏好 79.1% 胜 DMD2、84.6% 胜 rCM；每次生成器更新耗时从 818.1s 降到 233.3s。 批判点评：人评高分主要来自画质与音质（对 DMD2 胜率 84.2% / 87.9%），提示词对齐只有 54.3% 对 45.7%，接近打平。AVGen-Bench 上音画同步 AV 分 49.1，低于 DMD2 的 56.7；唇形同步 30.6，离教师的 39.0 也远。SDXL 一步时 Patch FID 32.42，反而比 DMD2 的 26.98 差，细节保真不如整体 FID 好看。 7. FlashForward：复用在途KV，4卡流水线生成长视频 In-Flight KV Cache with Clean Anchors for Faster Autoregressive Video Diffusion | Meta；南洋理工大学 | arXiv:2609.32540 关键词：自回归视频扩散, KV 缓存, 流水线并行, 长视频生成, 推理加速 前序问题：少步自回归视频扩散按 chunk 逐段生成。为记住已生成内容，Self-Forcing、HiAR 等方法要额外跑「只更新缓存、不推进输出」的前向来重建干净或低噪 KV。可每次去噪前向本来就算出了当前 chunk 的 KV，这部分被白白浪费。 本文贡献：FlashForward 直接复用每个去噪阶段算出的「在途」KV：当前 chunk 完成一个阶段后，该阶段的缓存即可供下一个 chunk 使用，于是每张 GPU 负责一个去噪阶段，不同 chunk 在卡间流水并行。为弥补噪声历史带来的外观与运动漂移，再由 planner 预先生成稀疏的干净锚点 latent，从前后两侧约束 renderer 的轨迹。 实验效果：4 卡下，16 FPS、20 秒以上视频比 HiAR 快 1.16–1.69 倍、比 Self-Forcing 快 1.42–2.92 倍（1.3B 与 14B，480p / 720p）。1.3B 480p 生成 65 秒视频去噪耗时 21.3s（HiAR 24.7s、Self-Forcing 65.1s）；VBench 总分 0.838，65 秒 VBench-Long 0.8395，高于 Self-Forcing 的 0.7806。 批判点评：提速依赖多卡流水：单卡 480p 下它比 Self-Forcing 还慢（20 秒视频 17.77s 对 17.44s，65 秒 59.64s 对 57.89s）。生成 5 秒短片时 4 卡耗时 2.21s，慢于 HiAR 的 2.06s，更慢于双向模型的 1.13s。14B 720p 峰值显存 112.8 GiB/卡，比 Self-Forcing 多约 20 GiB；20 秒视频语义分 0.748 也略低于 HiAR 的 0.757。 8. TVRL：用VLM梯度给视频token分功劳 Token-Level Video Reinforcement Learning | 美国东北大学 | arXiv:2610.01973 关键词：视频生成, 强化学习, GRPO, 信用分配, VLM 奖励 前序问题：视频生成的 RL 后训练通常给整段视频一个标量奖励。可视频的缺陷是局部的：有的 token 已满足提示词，有的才需要修。标量奖励定位不了错误，优化时既会扰动本来正确的区域，又对真正出错的区域用力不足。 本文贡献：TVRL 让奖励自己给出 token 级功劳：冻结 VLM 对提示词拆出的若干是非题给出答案似然，平均后作为视频级奖励；同一 VLM 对视频输入的梯度幅值，则标出哪些生成 token 最影响该得分。在 GRPO 中，组相对优势决定更新方向与强度，经 3×3 平滑、按问题条件化的 credit 图在裁剪策略比内重加权各去噪步的转移对数概率。 实验效果：以 HunyuanVideo-1.5 为底座、Qwen3.5-9B 作奖励，VBench-2.0 Overall 从 54.09 升到 57.69（+3.60），同设置 GRPO 仅 54.54。换 SAGE、Flow、Dance 三种 SDE 采样器，比匹配 GRPO 高 2.68–3.15；换 VideoAlign 等四种奖励模型，高 1.33–3.15。 批判点评：增益并不均匀：常识维度上 TVRL 常不如 GRPO（Qwen3.5-9B 奖励下 64.31 对 64.88，VideoScore2 下 64.60 对 64.89），VideoScore2 下 Human 维度也从 91.52 降到 90.79。评论家规模很关键：换成 Qwen3.5-0.8B 时 Overall 仅 51.85，比未训练的底座 54.09 还低。所有结果都只训 100 步（64 张 A100），单步耗时比 GRPO 多 18%。 9. PixelDense：4个冻结老师分两路对齐像素扩散 PixelDense: Dense Prediction as Representation Alignment for Pixel Diffusion | 弗吉尼亚大学；密歇根州立大学；Adobe；Arcade AI | arXiv:2610.00483 关键词：像素扩散, 表征对齐, 稠密预测, 文生图, 几何先验 前序问题：REPA 通过对齐预训练编码器特征来加速 DiT 训练，但对齐目标几乎都是 DINOv2、CLIP 这类语义编码器。已有分析指出起作用的是空间结构而非全局语义，那么专门预测结构的稠密预测模型（分割、深度）为何没人拿来当对齐老师？ 本文贡献：在像素空间扩散上，作者先验证 SAM2、Depth Anything v2、Metric3D v2 单独加入都优于只用 DINOv2，但四个老师直接相加反而不如最好的单个几何老师，语义与几何梯度在同一投影上互相争抢。PixelDense 因此让 DINOv2+SAM2 走语义投影流、两个深度模型走几何投影流，再加权重空间正交惩罚让两流处在不相交子空间；老师全部冻结、推理时丢弃。 实验效果：在 PixelGen-XXL（512×512）上，GenEval Overall 0.7927→0.8093，DPG 78.7→78.9，HPS 0.280→0.282；同一配方不调参迁移到 DeCo，GenEval 0.8620→0.8690。部分加噪重建中，τ=0.5 时 COCO 全景 PQ 23.23→31.43；PIE-Bench 上 SDEdit 背景 PSNR 最多高 2.2 dB。论文已接收 NeurIPS 2026。 批判点评：几何探针涨得多，生成指标涨得少：GenEval 只 +0.017、DPG +0.2、HPS +0.002，DeCo 上 +0.007，计数项 58.75 仍低于 PixelGen 原版的 59。消融里单独的几何流（DA2+M3D）只有 0.7960，还不如 DINOv2+DA2 单老师的 0.8069。主实验只是在已发布权重上用 2 张 H200 微调 1 万步，从头训练仅给出「1.23 倍更快达到基线峰值」一项。 10. VIEScore2：16×16网格同时打分并圈出缺陷 VIEScore2: Unified Image Evaluation with Spatially Grounded Explanations | 滑铁卢大学；NVIDIA；台湾大学（中国台湾）；南洋理工大学 | arXiv:2610.00994 关键词：图像评测, 缺陷定位, 生成与编辑, GRPO, VLM 评估器 前序问题：现有合成图评估器大多只给一个标量分数，不说明依据在图上哪里；能定位缺陷的模型又通常不打分、也不支持编辑任务的条件图输入。生成与编辑的评测和奖励信号，缺一个「既能打分也能指位置」的统一接口。 本文贡献：VIEScore2 把图像表示为 N×N（默认 16×16）文本网格，单次前向同时输出感知质量、语义一致性分数与缺陷格子位置，支持可选条件图，覆盖文生图、编辑、参考图生成等任务。它基于 Qwen3-VL-8B 在 38K 条混合监督上先 SFT，再以 Dice 重叠、分数准确度与格式奖励做 GRPO，最后用无参数解析器把网格结果转成可读解释。 实验效果：主测试集整体分数 SRCC 0.601，高于同输入下最强的零样本通用 VLM Gemini-3-Flash（0.491）与 GPT-5.6-sol（0.437）；联合评测网格 IoU 0.324，Qwen3-VL-8B 原版仅 0.070。缺陷定位在 6 个基准中 3 个第一、5 个进前三。 批判点评：整体领先主要来自训练同源数据：RichHF（0.692）与 EvalMuse（0.803）拉高均值，编辑类子集反被零样本 API 压过，TIE 0.429 对 Gemini-3-Flash 的 0.686，MRIE 0.417 对 GPT-5.6-sol 的 0.684。定位上，轻量的 SegFormer-b0 在主测试集 F1 拿到 0.493，与它的 0.506 相差无几；GRPO 之后 PQ 的 SRCC 还从 0.580 降到 0.558。 趋势观察 「加算力不加参数」成了今天的共同母题 Looped-DiT 让同一组块在每个去噪步里绕 4 圈，NEPA-DiT 每步重算一次预测嵌入当条件，两者都用额外推理算力换质量而不是加参数；但细看算力表，前者每步 1.83 倍 GFLOPs，后者单图多 76% TFLOPs，「小模型赢大模型」的账要连推理成本一起算。另一头，DMAD 与 FlashForward 继续在蒸馏和 KV 复用上压缩视频生成的步数与等待时间，TVRL 与 VIEScore2 则把奖励和评测从一个标量推进到 token 与网格级定位。 人工智能炼丹君 整理 | 2026-10-04 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-10-02|NVIDIA砍掉视觉编码器，PixelUMM图像视频同模 今日 AIGC 论文速览 今日共 10 篇 · 统一理解生成与三维细节 2 篇 · 推理式与可控视频生成 2 篇 · 音视频联合生成 1 篇 · 视频推理加速 4 篇 · 视频文字编辑评测 1 篇 重点论文标题列表 PixelUMM（NVIDIA）：像素直进图像视频同模型 BTC3D（香港城市大学（东莞））：分块条件补3D细节 ThinkV2V（港中大）：先推理再改视频 LIFT（加州大学圣迭戈分校）：只画终帧也能控未来 StereoBind（西电）：声源移动立体声跟着走 今日论文速览 1. PixelUMM：像素直进图像视频同模型 PixelUMM: Encoder-Free Unified Image and Video Understanding and Generation | NVIDIA；滑铁卢大学 | arXiv:2609.38597 关键词：统一多模态, 像素空间, 图像生成, 视频生成, 视觉理解 前序问题：统一理解与生成模型通常给同一张图准备两套表示：ViT 特征服务理解，VAE latent 服务生成。这不只让视觉上下文变长，也把成熟的视觉语言预训练与生成接口绑在两条管线上。图像还能直接切 patch，视频却要同时兼容理解侧的采样帧与生成侧的连续时空块，统一接口更难。 本文贡献：PixelUMM 取消预训练视觉编码器和 VAE，把图像变成空间 patch、视频变成时空 tubelet，都只用一层线性投影接入 8B Mixture-of-Transformers。理解走自回归文本预测，生成在原始像素上做 flow matching；共享 attention 让干净条件与带噪目标直接交互。论文还系统比较 patch/tubelet 大小、线性头与卷积解码头，发现卷积头能压掉格子伪影。 实验效果：不使用视觉 encoder/tokenizer 时，PixelUMM 在图像理解 MMMU 得 41.67、视频理解 MVBench 得 70.53；图像生成 GenEval 原始 prompt 为 0.77，用 BAGEL-long 重写后为 0.83，DPG-Bench 为 85.74。视频生成 VBench 总分 83.24，处于统一模型可比区间，但不是各榜第一。 批判点评：“统一”仍有边界：理解与生成使用两套 Transformer expert，只共享 attention，并非一组参数同时做两件事。原始像素 token 让更小 patch 和 tubelet 虽然降低 loss，却直接抬高序列长度与训练成本。作者也提醒各模型训练数据不同，当前表格不能证明 encoder-free 架构本身更优；MMMU 41.67 与主流 8B VLM 仍有明显差距。 2. BTC3D：分块条件补3D细节 BTC3D: Blended Tile Conditioning for Detail-Enhancing Image-to-3D Generation | 香港城市大学（东莞）；SB Intuitions；巴塞罗那自治大学 | arXiv:2609.39709 关键词：图像生成3D, 免训练, 分块条件, 细节保真, 流匹配 前序问题：扩散式 image-to-3D 已经能出像样模型，可一旦输入图细节丰富，纹理就糊成一团。主流做法把整张图压成一个全局条件特征，空间信息在这一步被压掉，作者称之为 detail attenuation；而想补细节通常要重训或微调大模型，对 3D 管线代价过高。 本文贡献：BTC3D 是推理时即插即用的免训练框架。它先验证 image-to-3D 模型存在「图像特征可加性」：把局部图块的特征相加，仍能得到语义一致且保留局部细节的 3D 输出。据此把输入图切成若干 tile，各自提取局部条件并按前景权重聚合成 blended tile embedding；再配一个 dynamic conditioning 调度，在扩散后期低噪声阶段逐步加大 tile 条件的权重，早期仍交给全局条件主导结构。 实验效果：在 3D-Arena 与 Toys4K 上，把 BTC3D 接到 TRELLIS、TRELLIS.2、Hunyuan3D-v2.1 上都提升了纹理与视觉保真，且保持全局结构一致。20 名参与者、400 次两两偏好测试中，接入 BTC3D 的 TRELLIS.2 拿到 67.25% 选票（269 票），基线只有 32.75%（131 票），纹理密集的样本优势最明显。 批判点评：收益主要靠人眼偏好而非几何或纹理指标说话，67.25% 也是相对自家基线的增幅，缺少跨方法横评；论文同时承认纹理稀疏的样本上两者偏好接近持平，说明方法吃的是「有没有细节可补」。另外 tile 切分与融合系数 α、β 都是人工超参，动态调度只按扩散时间步推进，不看当前生成内容。 3. ThinkV2V：先推理再改视频 ThinkV2V: Unleashing the Reasoning Capability of MLLMs for Instruction-Guided Video Editing | 香港中文大学；字节跳动；浙江大学；俄亥俄州立大学 | arXiv:2609.38541 关键词：视频编辑, 多模态大模型, 显式推理, DiT, 指令跟随 前序问题：现有指令视频编辑器多把 MLLM 当语义编码器，直接把 prompt 压成条件。碰到“把会被雨淋湿的东西收起来”这类不直接点名目标的指令，模型必须先理解因果与对象关系，再决定改哪里；只抓关键词往往画面能改，却改错对象或违背真实意图。 本文贡献：ThinkV2V 让 MLLM 先显式分析源视频和指令，再通过 learnable-query connector 把推理结果送给多条件 DiT。训练采用从直接编辑到推理密集样本的 progressive curriculum；推理时生成多份候选编辑 prompt，迭代反思并选择最可靠的一份。团队同时整理 ThinkV2V-150K 与专门考隐式意图、因果编辑的 ThinkV2V-Bench。 实验效果：5B 编辑器在 ThinkV2V-Bench 上由 Seed-1.6-VL 评测的 Overall 为 2.72，高于 OpenVE-Edit 的 2.09 和 14B DITTO 的 2.02；Gemini-2.5-Pro 评测下为 2.61，也高于 ICVE 的 2.52。模型在 32 卡上分三阶段训练，最终 720p 推理，以小于多条 10B–14B 基线的规模拿到最佳综合分。 批判点评：核心结论依赖 Seed-1.6-VL 与 Gemini-2.5-Pro 充当裁判，复杂编辑的自动分数仍可能偏向更会“讲意图”的输出。Inference-Time Thinking Scaling 需要多候选生成、反思和筛选，论文没有把新增延迟与算力单独量化。150K 数据由既有模型与筛选流程构建，推理能力有多少来自 MLLM、多少来自数据课程，还缺更严格的因果拆分。 4. LIFT：只画终帧也能控未来 LIFT: Layout-In-Future Video Generation under Large Viewpoint Change via On-Policy Self-Distillation | 加州大学圣迭戈分校；弗吉尼亚大学；Meta；Amazon；Lambda | arXiv:2609.38146 关键词：视频生成, 相机控制, 未来布局, on-policy self-distillation, 图生视频 前序问题：相机大幅移动时，首帧之外会露出全新区域。只给相机轨迹能控制“镜头往哪走”，却不能指定新区域里出现什么；逐帧框轨迹虽然能控布局，标注和交互成本又太高。真正实用的接口应允许用户只在未来关键帧画几个框，同时让中间过程自然长出来。 本文贡献：LIFT 把最后一帧的 bounding box 与局部 prompt 编成稀疏 layout latent，与首帧和噪声视频一起送入 DiT，相机 token 另行注入。训练时用拥有逐帧 dense layout 的冻结教师，在学生自己访问的 ODE 状态上做 on-policy self-distillation，把 dense 轨迹知识蒸馏给只看终帧布局的学生；同一个学生交替学习有布局与仅相机两种模式。 实验效果：LIFT 1.3B 在终帧布局控制上 mIoU 0.51，高于需要逐帧框的 MagicMotion 0.41；同时相机 RotErr 2.97、TransErr 0.59，视频 FVD 99.35。OPSD 只用 500×16=8000 次样本更新，直接或 dense-to-sparse SFT 都要 4000×32=12.8 万次，训练样本量缩到 1/16。 批判点评：布局接口仍只是 2D 框加局部文字，没有深度、朝向、遮挡和实例关系；相机一转，两个框在 3D 中究竟谁挡谁并未显式建模。所谓 1/16 训练量比较的是作者设定的更新预算，并不等于端到端数据与教师成本也缩到 1/16；OPSD 还依赖一个先用 dense layout 训练好的教师。 5. StereoBind：声源移动立体声跟着走 Here the World in Stereo: Learning Dynamic Spatial Correspondence for Immersive Joint Video-Audio Generation | 西安电子科技大学；vivo 蓝图影像实验室 | arXiv:2609.38748 关键词：音视频联合生成, 立体声, 空间音频, 运动轨迹, 跨模态对应 前序问题：联合音视频模型已经能做到“画面里有什么就听到什么”和大致同步，却很少管声音来自哪里。AR/VR 中声源从左往右移动时，左右声道也应连续变化；只用文本或整段视频条件生成声音，往往知道是汽车声，却无法让声像跟随汽车轨迹。 本文贡献：StereoBind 把可见声源的 motion track 作为共同坐标系：Visual Motion Binding 绑定视觉运动与音频 token，Spatial Track Encoder 提供绝对位置，Residual Track RoPE 编码相对位移。团队用真实视频定位跟踪加合成立体声、再配合可控合成场景，构建 StereoWorld-29K，并用 StereoWorldBench 单独评测动态空间对应。 实验效果：在 StereoWorldBench 上，StereoBind 的 ILD-W 为 2.754、SELD-Acc 0.757、SMR-Err 14.86、AST-Ang 0.465、AST-Cal 0.314，五项空间指标都优于表中 Ovi、MiniMax-H3、LTX-2.5/2.3 及两条 video-to-spatial-audio 基线；视觉 Subject Consistency 0.955、Motion Smoothness 0.996，整体画面质量没有明显牺牲。 批判点评：当前条件是一条主要声源轨迹，训练和评测强调水平声像移动；多声源竞争、声源与听者同时运动、遮挡和完整 3D 声场仍被列为未来工作。空间指标全面领先不代表总体音质全面领先，Subject Consistency 0.955 低于 MiniMax-H3 的 0.968，Audio PQ 6.86 也只是略高于 6.81。 6. ReCaVSR：1080p单卡跑21.2FPS ReCaVSR: One-Step Streaming Diffusion Video Super-Resolution with Recycled Latents and Learned Cache Routing | 中国科学技术大学 | arXiv:2609.37831 关键词：视频超分辨率, 流式扩散, KV Cache, 一步生成, 实时推理 前序问题：扩散式视频超分画质好，却很难满足直播级延迟。现有流式方案要么多步去噪，要么每层都保留完整历史 KV；但视频超分当前帧已有低清观测，上一块超分 latent 也带着局部时序信息，继续为所有层保存同样长的历史既占显存又拖慢注意力。 本文贡献：ReCaVSR 基于 Wan2.2 做一步流式超分，把上一块生成的 SR latent 直接回收为下一块条件，再为每个 DiT 层学习不同的历史缓存范围，训练完导出固定路由。生成器用 sequential self-rollout 对齐真实因果推理；Multi-Scope Query 判别器同时看全局、空间窗口和时间 tube；LR-conditioned FlashDecoder 在解码时再次利用低清观测。 实验效果：单张 A100-80GB 输出 1080×1920 时达到 21.20 FPS、峰值显存 15.16GB，相对 FlashVSR Tiny 快 2.72 倍、少用 38.0% 显存，首个完整 RGB 输出的模型时间为 0.982 秒。LongVSR60 上 MUSIQ 57.89、CLIP-IQA 0.4932、DOVER 0.6075，后三项都高于列出的流式基线。 批判点评：它并非所有重建指标都第一：REDS30 的 PSNR 21.67 明显低于 RealViformer 23.32，说明生成式纹理仍会牺牲逐像素保真。缓存路由在训练后固定，遇到运动强度突变或硬切镜不能自适应；论文的长视频测试还是单段连续镜头，跨场景时旧 latent 和 KV 会不会污染新镜头尚未验证。 7. PARK：稀疏注意力快1.76倍 PARK: Accurate Block Retrieval for Sparse Attention in Video Diffusion Transformers | 华南理工大学 | arXiv:2609.38978 关键词：视频生成, 稀疏注意力, DiT, block retrieval, 免训练加速 前序问题：视频 DiT 的稀疏注意力通常先把 query 与 key 分块求均值，再按块检索。这个近似有两重错位：Softmax 前把多个 query 平均会抹掉各自偏好的 key；在原始 key 空间做欧氏聚类，也不保证同一簇的 key 在当前 query 下拥有相似 QK 分数。检索一旦选错块，要么掉画质，要么为了兜底算太多。 本文贡献：PARK 保留块内每一个原始 query，分别对 key block 做归一化后再平均分布，避免 query-centroid 代替整块偏好；key 侧则从当前 query 推导度量，先变换 key 再做 K-means，让欧氏距离对应 QK-score 误差。方法完全免训练，并把 PAMA 检索写成融合 GPU kernel，把准确率收益留住而不让检索开销反噬。 实验效果：在 Wan2.1-1.3B 上，PARK 将单次测试从 745 秒降到 423 秒，端到端 1.76 倍加速，同时 PSNR 27.52、SSIM 0.908、LPIPS 0.177，优于同表其他稀疏基线。跨 Wan2.2-14B、Wan2.1-14B、Wan2.1-1.3B 和 HunyuanVideo 四个模型，相对 dense 的加速范围为 1.53–1.76 倍。 批判点评：收益建立在四个视频扩散模型和固定检索配置上，作者明确没有验证 LLM 或其他多模态任务。主表中 Wan2.2 的 Aesthetic Quality 65.29% 仍低于 dense 的 65.56%，Wan2.1-1.3B 的 Background Consistency 96.87% 也低于 dense 的 96.99%；它更像高质量近似，而不是无损替换。 8. UnStep：免训练把视频推到50FPS UnStep: Training-Free Acceleration of Causal Video Diffusion with Fewer Steps Than Distillation | Meta 超级智能实验室 | arXiv:2609.32518 关键词：视频生成, 因果扩散, 免训练加速, KV Cache, 推理优化 前序问题：四步因果蒸馏已经比 50 步双向教师快，但 Self Forcing 在 H100 上仍只有 17 FPS。步数继续砍到一两步会掉质量，历史 KV 随视频变长继续膨胀；同时当 DiT 已经很少步，RoPE、cache 索引、attention 调度和 VAE 解码这些过去被遮住的系统开销反而成了瓶颈。 本文贡献：UnStep 是不改权重的推理 wrapper：后续块从四步减到两步，只保留 sink 加最近窗口；把已生成 latent 重新加到近干净噪声，再复用原有 clean-cache pass 做一次修正，并对 attention 的 V/O 投影做截断 SVD 抵消少步误差。系统侧再融合 RoPE、缓存系数、固定长度 attention，并把 VAE 改成 FP16 与 channels-last 卷积。 实验效果：同一 Self Forcing checkpoint 在 H100 上从 17.0 FPS 提到 49.8 FPS，VBench Total 反而从 84.31 到 84.56；相同 wrapper 套在 Causal Forcing 和 LongLive 1.0 上也都约 49.8 FPS。若推理时改成一步，H100 达 59.6 FPS；GB200 最快报告 77 FPS，全程没有重训。 批判点评：所有超参数只在 Self Forcing、5 秒 T2V、单张 H100 这一套设置上调过，迁移结果证明“能用”，不代表每个 checkpoint、GPU、任务和长度都最优。50 FPS 的成绩同时叠加算法减步与大量 H100 专用 kernel 优化，不能全部归功于新的生成算法；而训练自由的约束也限制了更激进稀疏或量化后的质量恢复。 9. DeCoPrune：剪85%缓存仍保上下文 DeCoPrune: Efficient KV-Cache Pruning for Autoregressive Video Diffusion via Denoising Consistency | 南洋理工大学；清华大学；普林斯顿大学 | arXiv:2609.39096 关键词：自回归视频, KV Cache, 训练自由剪枝, 长上下文, 一致性 前序问题：自回归视频扩散把每段历史都塞进 KV Cache，时间越长，显存和 attention 成本越大。固定滑窗只看远近，attention 权重或相似度剪枝又不直接回答“这个历史块是否提供了不可替代的信息”，所以容易把稍后 prompt 才会重新提到的物体细节一起删掉。 本文贡献：DeCoPrune 用同一条去噪轨迹里的中间 probe 与最终预测做差：没有历史支持时难以稳定去噪、step-to-final discrepancy 较大的 token 被判为更需要上下文，因此保留高差异 token，再物理压紧历史 KV。论文同时构建 CMBench，用一分钟上下文中的物体取放、场景恢复等续写任务专测“前文记没记住”，并提供按 attention head 类型分组的 HS 版本。 实验效果：主设置剪掉 85.43% 历史 KV，续写 FPS 从 FullKV 的 1.568 提到 6.489，快 4.14 倍；CMBench DINO 从 0.6803 只降到 0.6701。head-specialized 版本在 86.19% 剪枝率下 DINO 为 0.6783，几乎追平 FullKV，且 VBench 的图像质量项没有出现系统性崩塌。 批判点评：“剪掉 85%”并不等于显存有硬上限，作者明确承认剩余缓存仍随视频长度线性增长。Denoising consistency 是 future-agnostic 的：某个细节此刻很好去噪、因此被删掉，但未来指令恰好再次询问它时仍可能失忆。主干又集中在 LingBot World v2，其他开源模型的分钟级 FullKV 本身就不稳定，方法与 backbone 上限难完全拆开。 10. ViTeX-Bench：387段视频检验动态改字 ViTeX-Bench: Benchmarking High-Fidelity Video Scene Text Editing | 得州农工大学 | arXiv:2609.40356 关键词：视频编辑, 场景文字, 评测基准, 时序一致性, 编辑局部性 前序问题：视频里的招牌、球衣或屏幕改字，要同时满足字符串正确、跨帧不漂、背景不被改。通用视频编辑指标可能把“画面很稳但根本没改字”的结果评得很高，静态 OCR 又看不见闪烁与字符漂移，现有公开数据也缺少真实视频的成对编辑参考。 本文贡献：ViTeX-Bench 收集 387 段 720p、120 帧、24 FPS 真实视频，其中 230 段提供人工复核的成对训练编辑，157 段冻结测试。评测拆成文字正确性、视觉/时序质量、编辑局部性三轴共 13 个指标，并用 OCR 校准、人评相关性与 Pareto 前沿解释取舍；配套的 ViTeX-Edit-14B 用随运动对齐的 glyph-video 条件微调 VACE。 实验效果：八条基线中，ViTeX-Edit-14B 在 video-native 编辑器里 CharAcc 最高，为 0.688，text-crop Warp 1.53 也最低；相较 VideoPainter 的 CharAcc 0.619 提升 0.069。但逐帧 FLUX-Text 的 CharAcc 仍达 0.737，代价是 Warpc 13.01、字符跨帧严重漂。人评与 OCR 方法排名的 Spearman 相关系数为 0.95。 批判点评：这个基准把“漂亮、正确、稳定、局部”拆开是优点，也暴露了参考模型并非全面第一：ViTeX-Edit 的 SeqAcc 0.341 低于 FLUX-Text 0.528。数据以清晰、局部、拉丁文字为主；非拉丁切片里除 AnyText2 外其余编辑器 CharAcc 都低于 0.19，严重运动、曲面文字、密集排版的覆盖仍不足。 趋势观察 加速的战场从「少走几步」挪到了「每层只记该记的」 ReCaVSR 给每个 DiT 层学一个缓存跨度，PARK 修正稀疏注意力的块检索误差，UnStep 把两步采样、限窗 KV 与 kernel 优化叠进同一个免训练 wrapper，DeCoPrune 则用去噪一致性挑出真正依赖历史的 token，四篇都指向同一件事：视频模型已进入少步时代，下一轮效率竞争发生在缓存、检索与运行时细节。另一头，PixelUMM 去掉视觉编码器让像素直进统一模型，说明「统一」正在从拼模块转向砍模块。 人工智能炼丹君 整理 | 2026-10-02 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-10-01|一次蒸馏插遍54个模型，LongLive-Plug 今日 AIGC 论文速览 今日共 10 篇 · 视频与图像生成模型 5 篇 · 世界模型与音视频联合生成 1 篇 · 推理加速与模型压缩 2 篇 · 生成理解一体化与奖励模型 2 篇 重点论文标题列表 LongLive-Plug（NVIDIA）：蒸馏一次，插遍54个模型 SplitMoE（国科大）：专家拆两拨，人像涨9分 HelixWorld（港科大）：24帧实时出声的世界 LDM-is-AE（港理工）：不用分词器，FID 1.80 NesTok（华北电力大学）：变长 token，gFID 1.46 今日论文速览 1. LongLive-Plug：蒸馏一次，插遍54个模型 LongLive-Plug: Once-for-All Distillation for Video Generation | NVIDIA | arXiv:2609.38154 关键词：视频生成, 扩散蒸馏, LoRA 复用, 少步采样, 免训练部署 前序问题：视频扩散模型每做一次下游特化就要重跑一遍蒸馏：要么为少步采样，要么为长视频补误差修正。论文在 Wan2.2-TI2V-5B 上算了账——四个任务各自的专用蒸馏再花 83.9、150.0、86.8、56.1 H100 卡时，合计 376.8，加上一次性底座蒸馏约 80 卡时，总共 456.8 卡时。能力是通用的，钱被重复付了四遍。 本文贡献：把「单遍 CFG」「少步采样」「自回归长时误差修正」各蒸馏成一个 LoRA 挂在底座上，之后插到任何结构兼容的下游模型即可用，下游不再重训。CFG LoRA 只在 w=5 的固定引导强度下训练，推理时靠调 LoRA 权重换引导强度；与少步 LoRA 叠加，下游同时保住少步生成和 CFG 可控。作者称下游新增条件分支、扩展输出通道后适配器仍可复用。 Once-for-all distillation: reusable LoRAs plug into compatible downstream models. 实验效果：在 Wan2.1-14B、Wan2.2-TI2V-5B、MiniMax-H3 三个底座家族、八个任务类别共 54 个下游模型上验证免训练部署。世界模型 SCOPE 上把朴素四步的 FVD 从 805.5 拉回 478.7，优于专用蒸馏的 502.1；ControlNet 上六项全优于朴素四步，深度 si-RMSE 从 2.135 降到 1.641、DOVER 从 8.90 升到 10.11；原生 20–50 步调度降到 1/5–1/12.5。 Downstream distillation cost: task-specific distillation accumulates while LongLive-Plug stays flat. 批判点评：省的是专用蒸馏的钱，80 卡时的一次性底座蒸馏照付，且只对同一底座家族有效。更关键的取舍藏在正文一句「相对任务专用蒸馏存在按指标而异的取舍」——插拔版不是全面反超，而是用 80 卡时换一个接近 456.8 卡时的结果。CFG LoRA 的引导控制是推理权重外推出来的，训练只见过 w=5 这一个点。 2. SplitMoE：专家拆两拨，人像涨9分 Breaking the Uniformity Trap: Scaling Video Diffusion Model via SplitMoE | 中国科学院大学；字节跳动；Canva Research；北京科技大学 | arXiv:2609.38140 关键词：视频生成, 混合专家, 稀疏路由, DiT 规模化, 负载均衡 前序问题：MoE 从 LLM 搬到视频生成上一直水土不服：token 级路由各自为政，再用负载均衡损失把使用率往均匀方向压，结果语义连贯的一块画面被拆到互不相关的专家里，作者称之为「均匀性陷阱」。视频数据时空冗余、语义长尾，本来就不该被均匀分配。 本文贡献：把专家池显式劈成两拨：语义专家抓高层语义抽象，通用专家兜住残差视觉信息和生成自由度。路由用原型引导，配合 pull-push 正则——pull 把原型锚在有意义的视觉语义上，push 防止原型塌缩冗余。两条 sigmoid 独立打分，一个 token 可以同时选中一个语义专家和一个通用专家，不必在所有专家间做全局 softmax 竞争。 Pipeline of SplitMoE: each Video MoE layer splits into Semantic and Generic branches with VAE-prototype induced semantic routing. 实验效果：在同等激活参数预算（A14B）下对比 Wan2.2 系列：Creativity 58.46%、Human Fidelity 84.47%、T2V-CompBench 属性一致性 84.63% 三项拿到全场第一，人像保真比 Wan2.2 的 75.33% 高出 9 个多点。对比同数据微调的密集 Wan2.2-FT 全维领先，且收敛更快——约 70% 训练步数就达到可比的验证扩散损失。 Qualitative comparison with baseline methods. 批判点评：「打破均匀性陷阱」的措辞比结果激进。它自己的表里 Physics 69.41% 输给 LTX-2 的 76.71%，Interaction 69.98% 输给 Wan2.2 的 73.29% 和 OmniWeaving 的 73.94%，Commonsense 64.89% 离 LongCat-Video 的 70.94% 差 6 个点。消融也显示去掉原型引导的 w/o PG 版本在 Commonsense 上 63.22% 与完整版 64.89% 差距很小，语义路由的主要收益其实集中在物理和人像两项。 3. HelixWorld：24帧实时出声的世界 HelixWorld: A Real-time Interactive Audio-Visual World Model | 香港科技大学；Noiz AI | arXiv:2609.38123 关键词：世界模型, 音视频生成, 实时交互, 空间音频, 因果蒸馏 前序问题：主流交互式世界模型全是哑巴：只管画面渲染和操控，声音这一维整个缺失。级联的视频转音频模型拿不到相机轨迹和用户动作，声场对不上自运动，串行延迟也谈不上实时；而把它们硬改成因果自回归，历史误差会迅速累积成灾难性多模态漂移。训练数据同样缺——现有世界模型数据集基本无声，视频语料里的音轨又常被后期配乐和旁白污染。 本文贡献：先用一个双向教师模型在自建的高保真空间音视频数据（真立体声 + 度量级相机位姿）上学 6-DoF 轨迹与动作条件，再用在线轨迹蒸馏把它压成少步因果学生，配合长程流式微调压掉曝光偏差。块内注意力保持双向以维持音视频交互，跨块注意力严格因果并配滑动 KV 缓存。同时提出 HelixBench，首次把空间声学一致性纳入世界模型评测。 Causal distillation pipeline: self-forcing rollout, online trajectory distillation, DMD, and long-horizon tuning. 实验效果：单张 NVIDIA H800 上稳态 RTF 0.77，768×512、24 FPS，含视频与音频解码。HelixBench 上因果学生 KL 1.3934、FAD 2.3872、IB 0.2987、Spatial 41.7583 全部第一；级联配音路线（HelixWorld+AudioX / ThinkSound / PrismAudio）的空间分甚至是负的，说明分离式生成根本抓不住声源位置。 Visual comparison under interactive control. 批判点评：WBench 导航榜上它平均 79.9 只排第 4，落后 Alaya-EVOKE-Turbo 82.0、EchoWM 81.0、Zing-0.5 81.0——「比肩 SOTA 无声世界模型」是有选择的比法。更反直觉的是音画同步：学生的 DeSync 0.5867 秒反而差于 LTX-2.3 base 的 0.4042 秒，CLAP 0.3016 也略低于级联的 HelixWorld+AudioX 0.3094，联合生成在语义对齐上没打赢「先出画面再配音」。 4. LDM-is-AE：不用分词器，FID 1.80 LDM-is-AE: Latent Diffusion Model is an Auto-Encoder for End-to-End Image Generation | 香港理工大学；OPPO 研究院 | arXiv:2609.37080 关键词：图像生成, 潜在扩散, 自编码器, 一阶段训练, 表示学习 前序问题：LDM 的两段式流程先训一个自编码器定住 latent 空间，再在里面训扩散。问题在于这个空间是为重建优化的，训练扩散时它是冻住的，天然与去噪动力学不匹配。而两阶段里最强的那批又几乎都挂着 DINOv2 这类外部视觉基础模型做监督，等于把表示学习的成本挪到表外。 本文贡献：核心观察是：LDM 骨干每一步去噪其实都在做 latent→feature→latent 的变换，这本身就是一次内部「解码—编码」。于是把 DiT 劈成互逆的两半 DiT-D 与 DiT-E，在中间特征上加一个轻量 MLP 头对齐到像素空间并施加图像域监督，把这条 latent→image→latent 路径显式化；零噪声时它自然等价于一次自编码。另配时间感知的辅助特征混合，避免对齐吃掉去噪容量。 Architecture and training design of LDM-is-AE: (a) network architecture and training pipeline; (b) time-aware auxiliary feature mixing. 实验效果：ImageNet 256×256 上 FID 1.80、IS 314，512×512 上 FID 1.90、IS 320——512 这一档超过了 JiT-H/32 的 1.94、REPA-SiT-XL/2 的 2.08。生成器训练 FLOPs 7.02，低于 JiT-H/16 的 14.0。自编码路径上 PSNR 27.57 高于 VAVAE 的 26.59 和 SDVAE 的 25.94。 Class-conditional ImageNet samples generated by LDM-is-AE at 256x256 resolution. 批判点评：FID 1.80 这个数得放在「不用 VFM 的一阶段方法」这个限定里看：两阶段挂 DINOv2 的 LightningDiT、REPA-SiT 仍然更好。更值得玩味的是它自己的重建口径——rFID 0.7879 明显差于 VAVAE 的 0.2650 和 REPA-E 的 0.4980，PSNR 最高却 rFID 最差，说明这个 latent 是奔着自然图像分布去的，压根不为「还原输入」负责，论文把这叫 diffusion-native，换个说法就是不忠于输入。 5. NesTok：变长 token，gFID 1.46 NesTok: Nested Self-Aligned 1D Tokenizer for Autoregressive Image Generation | 华北电力大学；中国科学技术大学；斯坦福大学 | arXiv:2609.36756 关键词：图像生成, 视觉分词器, 变长 token, 自回归生成, 嵌套对齐 前序问题：变长 1D 分词器想用一个 tokenizer 覆盖不同算力预算，主流做法是嵌套 dropout——随机截断 latent 序列并保留前缀，逼着前面的 token 装下最重要的信息。但「长度灵活」不等于「token 用得好」：已有工作发现序列加长后下游 AR 生成质量收益递减甚至倒退，尾部 token 基本成了摆设。 本文贡献：提出嵌套自对齐：跨长度联合优化重建，同时用全长序列去指导短序列，让短前缀逼近全长的重建质量，而不是只让前缀独立地「更重要」。配套的动机实验很直白——嵌套 dropout 训出来的码本在靠后位置归一化熵很低，码本多样性塌了，gFID 只有 2.46。 Overview of the nested self-aligned training pipeline. 实验效果：ImageNet 上 rFID 0.98，下游 AR 生成 gFID 1.46（带引导）、IS 295.9，在变长自回归图像生成这一档里是当前最好，优于 ReTok 的 2.27、One-D-Piece 的 2.35、DetailFlow-32 的 2.75，也远好于嵌套 dropout 基线的 2.46。 gFID with and without classifier-free guidance across different methods, model sizes, and token lengths. 批判点评：1.46 这个 SOTA 是「变长自回归」这个小池子里的 SOTA：同一张表上扩散路线的 Lightning-DiT-XL 带引导 gFID 1.35、REPA-XL/2 1.42 都更好。而重建口径更尴尬——rFID 0.98 远差于 LightningDiT 用的 KL tokenizer 0.28 和 SD-VAE 的 0.62，等于用重建质量换了生成质量。另外它仍是 VQ 分词器，390M 参数不算轻。 6. PixelDiff-GAN：加判别器，FID 降到28.6 Adversarial Training for Pixel Diffusion | Adobe Research；加州大学圣地亚哥分校；加州大学默塞德分校 | arXiv:2609.38170 关键词：图像生成, 像素扩散, 对抗训练, 后训练, 频谱分析 前序问题：像素扩散直接在 RGB 上出图，绕开了自编码器这个瓶颈，但产出的图像在细尺度自然图像统计上系统性偏低——说白了就是高频细节不够。这是个老问题，却一直没人系统性地验证对抗训练能不能补。 本文贡献：保留预训练模型原来的扩散/流匹配目标不动，只在非高噪声时间步上对预测输出额外加一个对抗损失，架构和采样流程一行不改。作者还做了归因：频带与幂律分析显示原模型系统性地欠产高频，对抗后训练正好把这部分谱功率补回来。 Noise-gate rationale: structure settles early, detail settles late. 实验效果：两个像素骨干上同时改善分布保真、覆盖率、提示对齐和感知质量。DeCo 上 FID 从 33.27 降到 28.59、pFID 27.9→24.4、CMMD 0.836→0.736、recall 0.361→0.406、DPG 81.6→83.3、TOPIQ 0.71→0.77、MANIQA 0.64→0.71；PixelGen 上 DPG 从 78.4 提到 80.8。1065 组配对样本的胜率也明显高于 latent 扩散的同类做法。 Pixel radial-profile band share over 30,000 images per model; gray = no-GAN, green = +GAN. 批判点评：FID 28.59 的绝对值放在今天并不好看，它赢的是「相对自己」这一档。真正有价值的是边界实验：同样的流程搬到 latent 扩散（PixArt / SANA）上没有可比增益，也几乎没加回解码后的高频功率——作者据此认为「能否直接触达被修正的图像统计」才是对抗后训练成不成立的关键。另外论文自己提到真实照片在 TOPIQ 上只拿 0.57，比生成的还低，等于承认无参考指标不足以单独作证。 7. DIET：砍半专家，57GB 变 30GB DIET: Deletion-response Expert Trimming for Video Diffusion Transformers | 西安交通大学；上海交通大学；阿里巴巴 Token Hub；阿里云 | arXiv:2609.37829 关键词：视频生成, MoE 剪枝, 专家裁剪, 免微调压缩, 推理加速 前序问题：MoE 的稀疏激活只省算力不省显存——所有专家的参数一个不少地躺在 checkpoint 里。整块删掉专家是最直接的瘦身办法，但现有一次性剪枝判据靠静态激活或路由频率打分，看不见「删掉某个专家、token 重新路由之后」这一层到底发生什么。而在这个规模上穷举多种删除组合，代价根本付不起。 本文贡献：用一次 all-expert 标定把条件/无条件 token 下所有专家输出和 router 状态全部录下来，之后重放任何单专家删除及其成组重路由，退化成对缓存状态的张量运算，零额外前向。在此基础上把「保留哪些专家」写成整体多样性损失：每个被删专家匹配到最近的保留专家，求和最近邻余弦距离作集合级覆盖损失。求解分两层——层内贪心+单交换+模拟退火，层间用回归指导的预算分配。 DIET overview: grouped MoE capture, replay-to-signature, intra-layer ODL, and inter-layer budget search. 实验效果：在 LingBot-Video 30B-A3B 上免微调剪掉 50% 专家（6144→3072），checkpoint 从 57GB 降到 30GB，48GB 单卡可部署；284 条固定用例上 VBench Total 反而从 0.7941 升到 0.8115。层间非均匀预算分配比均匀分配多拿 1.2 个点。所有保留预算下都优于从 LLM 移植过来的剪枝基线。 Primary evaluation and routing dynamics across candidate retention budgets. 批判点评：VBench 从 0.7941 涨到 0.8115 是这条工作最抓眼的数字，但幅度只有 1.7 个百分点，且出自自家固定的 284 条协议，更像「没掉点」而不是「变好了」。省下的是 27GB 存储，激活算力并没少——稀疏激活本来就只算一部分。另外这套标定缓存的前提是条件/无条件 token 可配对，CFG 之外的采样路径能否同样成立没有验证。 8. SoL-Refiner：一步上 4K，快 8.91 倍 SoL-Refiner: Speed-of-Light One-Step Refinement for High-Resolution Video | NVIDIA | arXiv:2609.37969 关键词：视频生成, 超分辨率精修, 一步蒸馏, 强化学习后训练, 推理加速 前序问题：高分辨率视频生成的代价随时空 token 数暴涨。实用做法是先在低分辨率出片再用 refiner 精修，但常规 refiner 本身要跑好几个目标分辨率的去噪步，等于引入第二个采样瓶颈。而且多数 refiner 只针对自家基模型开发，换一个生成器还灵不灵几乎没人测。 本文贡献：从 LTX-2.3 出发走三步：高分辨率续训学精修映射、帧级奖励模型做 RL 后训练提升感知质量、最后一步蒸馏压成单步。推理侧配 TAE 小自编码器降低编解码开销，用 latent 上采样初始化，再由 Sol Video Inference Engine 执行单次 NFE。同时建了 Refiner-Bench——150 条对齐视频、统一输入协议，专门横向比 refiner。 Training and inference pipeline of SoL-Refiner. 实验效果：一步版在 Refiner-Bench 上 VBench 均值 0.81048、UniPercept 均值 60.4150，超过同为一档步数的 SEEDVR2 和三步的 LTX-2.3 Refiner。4K 上相对三步 LTX-2.3 Refiner，VBench 与 UniPercept 均值分别提升 3.86% 和 22.79%。叠满加速栈后 2K 延迟档精修提速 8.91 倍；配四步 MiniMax H3 基模型，整条两级流水线比直接全分辨率生成快 27 倍。 Performance across output resolutions: three-step LTX-2.3 Refiner vs one-step SoL-Refiner. 批判点评：一步版输给自家多步版——0.81048 对 23 步的 0.81691，主体一致性 0.92191、动态度 0.71333 都被多步版和 LTX-2.0 Refiner 压过。8.91 倍是「精修阶段」的加速，不是端到端；27 倍那个数则是把基模型也换成低分辨率四步 H3 之后的联合结果。另外 Refiner-Bench 是自建集，起点又是 LTX-2.3，公平性靠 shared-input 协议兜着。 9. OmniTaskonomy：19个生成任务换25项能力 OmniTaskonomy: When Does Visual Generation Improve Visual Understanding? | 加州大学伯克利分校；杜克大学；卡内基梅隆大学；华盛顿大学；Elorian；Impossible Research | arXiv:2609.38079 关键词：统一多模态, 生成理解一体化, 任务迁移, 梯度对齐, 训练课程 前序问题：生成能给理解带来多少好处，一直是笔糊涂账：已有工作普遍认为理解反哺生成容易，反过来收益微弱。但这在直觉上说不通——生成提供的是像素级稠密监督，覆盖外观、空间关系、几何，而这些恰恰也是识别、计数、空间推理、3D 感知需要的。 本文贡献：用「同一个底层视觉问题、两种输出模态」的受控配对来做因果分离：I2I 生成任务和 I2T 理解任务表达同一个问题，只换监督形式。再搭一个覆盖 19 个 I2I 生成任务与 25 项 I2T 理解能力的统一分类法 OmniTaskonomy（按识别、重建、重组三个基础问题组织），画出完整的迁移图谱。机制上用梯度对齐解释：生成与理解在理解分支 pre-attention RMSNorm 参数上的梯度对齐越强，迁移增益越大。 OmniTaskonomy: a unified taxonomy of I2I tasks and understanding capabilities under the three Rs. 实验效果：先做 I2I 再做 I2T 的课程能稳定提升理解表现，且增益随 I2I 数据量单调增长；混合训练则没有一致的规模收益。I2I 训练还能减少达到同一理解水平所需的 I2T 监督量，在 I2T 数据稀缺时收益最大。迁移图谱里既有直觉对应的组合（深度预测→度量 3D 推理、物体指向→计数、拼图重建→2D 排序），也有反直觉的（2.5D 分割→类别识别、Z-depth 预测→定位）。 Generation-to-understanding transfer across visual capabilities. 批判点评：结论的成立高度依赖课程顺序——先 I2I 后 I2T 才有效，混合训练就没有一致的规模收益，这更像是「课程设计」而非「生成天然有益」。迁移图谱是选择性的：作者自己也说收益 task-dependent，图里有多少格子是负增益论文没有全列。梯度对齐目前只是相关性分析，拿它做任务选择的先验还缺因果验证。 10. ThinkRM：先定评分表，9B 超 GPT-4.1 Think Before You Score: Thinking Reward Model for Visual Generation | 杭州电子科技大学；中国科学院自动化研究所；北京大学；商汤科技；复旦大学；西北工业大学；南洋理工大学；清华大学 | arXiv:2609.37372 关键词：奖励模型, 视觉生成评测, 评分细则, 偏好优化, 强化学习 前序问题：视觉奖励模型通常把任务条件和候选输出直接映射成一个标量分数，至于「这个 case 到底该评什么」完全隐在黑箱里。图像生成和图像编辑的评判标准差异极大，用一套固定标准硬套，细粒度区分能力必然上不去。 本文贡献：提出「先想清楚再打分」：为每个 case 先自适应地生成评分细则（rubric），再按细则做逐条评估，最后产出细粒度 pointwise 分数。训练上先做结构化 SFT 冷启动，再用成对偏好优化；作者发现常规成对偏好优化会引起分数极化，于是提出 Pairwise Dual-Group Relative Policy Optimization，在保留细粒度打分能力的同时提升判别力。 Thinking Reward Model (TRM) follows the Think-Before-You-Score paradigm, with RM and RL performance. 实验效果：9B 模型在 GenAI-T2I 上从基线的 58.9% 提到 71.2%、MMRB2-T2I 从 59.4% 提到 67.9%，两个榜上都超过 GPT-4.1；编辑侧 EditScore-ERB 0.750/0.639/0.743、EditReward-ERB 67.8%、MMRB2 从 53.0% 提到 58.2%。用它做奖励去优化 BAGEL、FLUX.1-dev、SD3.5-M 等多个生成模型，跨架构跨规模一致有提升。 Qualitative comparison of SenseNova-U1.5 before and after RL fine-tuning with TRM. 批判点评：「超过 GPT-4.1」是在特定榜单和特定打分协议下的结果，且作者明说 pointwise 模型只统计非平局预测的准确率，平局样本另算——这个口径会显著抬高数字。冷启动 SFT 已经把 58.9% 拉到 70.1%，后面的成对优化只再加 1.1 个点，说明真正吃重的是 rubric 监督数据本身。另外 8 家单位联合、训练只用约 4000 条偏好对，规模偏小。 趋势观察 蒸馏的计价单位从「每个模型」变成「每个底座家族」 LongLive-Plug 把少步采样、单遍 CFG、长时误差修正各做成一只 LoRA，一次 80 卡时的底座蒸馏换掉四个任务 376.8 卡时的专用蒸馏；SoL-Refiner 把多步精修压成一步再叠 TAE 与推理引擎拿到 8.91 倍；DIET 直接免微调砍掉一半专家把 57GB 压到 30GB。三篇下手的地方完全不同——一只 LoRA、一次 NFE、一半专家——但都在问同一个问题：这份能力到底要不要为每个落点重付一遍钱。 生成与理解之间的账开始被逐项结算 OmniTaskonomy 用 19 个生成任务对 25 项理解能力画出迁移图谱，结论是收益 selective 且强依赖「先 I2I 后 I2T」的课程；Think Before You Score 则反过来问评估侧——给每个 case 先拟一份评分细则再打分，9B 模型在两个榜上压过 GPT-4.1。前者说明「生成有益理解」不能当口号用，后者说明奖励模型缺的不是参数量而是「该评什么」这一步显式化。 人工智能炼丹君 整理 | 2026-10-01 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

深度解读|字节Seed×UCSD VSA2|砍掉95%注意力计算 720p端到端快4.62倍 VSA2 深度解读：字节 Seed 与 UCSD 把视频稀疏注意力推到 95%，720p 端到端快 4.62 倍 论文：Improving Video Sparse Attention with Fine-grained Router and Sparse Rebasing 机构：UC San Diego · 字节跳动 Seed · UC Berkeley · Georgia Tech 作者：Peiyuan Zhang、Guoqiang Wei、Yilong Zhao、Zixiang Zhang、Wei Zhou、Will Lin、Heng Zhang、Xiaonan Nie、Yan Zeng、Hao Zhang（Peiyuan Zhang 与 Yilong Zhao 的工作完成于字节 Seed 实习期间） 日期：2026-09-26（arXiv 2609.32882） 代码：截至发稿未见 VSA2 的代码与权重；前代 VSA、STA 的 kernel 在 FastVideo 仓库（hao-ai-lab/FastVideo）开源 论文状态：arXiv 预印本，comment 字段为空，暂无接收信息 01 先说说这东西是干嘛用的 视频 DiT 越做越长、越做越清晰，最先扛不住的是注意力。 论文开头给了一个量级：一段 5 秒的高清视频，展开成 token 就超过 10 万个。3D 全注意力的计算量随序列长度平方增长，训练和推理的大头都落在注意力上。作者后面测速用的 720p、10 秒视频，是 22 万 token。 UCSD 这个组在更早的 STA 论文里给过一个更直观的数：HunyuanVideo 生成一段 5 秒 720P 视频总共要 945 秒，其中注意力就占了 800 秒。 大家早就知道注意力矩阵里大部分元素贡献很小，于是有了一大批稀疏注意力方法。但这里有一道分水岭： 只在推理时稀疏（Sparse VideoGen、SpargeAttn 这一类）：模型还是用全注意力训出来的，最贵的预训练阶段一点没省； 训练时就稀疏（VSA、SLA、SLA2 这一类）：理论上预训练也能省。但按作者的说法，这类方法在 post-training 阶段大约能稀疏掉 80%，再往上就碰到天花板；真正拿去做预训练的工作规模都偏小，评价主要只看 loss。 VSA2 想做的是后一类的"完整版"：一个能从预训练中途接入、一路用到 RL 和推理的可训练稀疏注意力。它在前代 VSA 的基础上改了两处结构，外加一套训练配方： 细粒度 router：选块时的池化粒度不再和 GPU 友好的块大小绑定，而是先用小得多的池化算注意力分数，softmax 之后再合并成块级分数； per-sequence TopK：总计算预算固定，但不再要求每个 query 分到一样多的 KV 块，难的 query 可以多拿； Sparse Rebasing：低分辨率阶段照旧用全注意力 checkpoint，到 480p/720p 这种最烧算力的阶段才切换成 VSA2；配合 Hard-to-Easy Curriculum，训练时稀疏度高、推理时放宽。 结果是这样的（论文 Table 2 与 Figure 8）： 设置 注意力稀疏度 加速 质量 480p 预训练，训练/推理都用 top64 90% 端到端 2.09× 人评与全注意力互有胜负 720p 预训练，训练/推理都用 top64 95% 端到端 4.62× 人评与全注意力基本持平 注意力算子，22 万 token（单卡 H800，对比 FlashAttention-3） top64 注意力 8.9× — 作者团队也值得一提。UCSD 这边是 Hao Zhang 组，STA、VSA 和 FastVideo 都出自这里，一作 Peiyuan Zhang 同时是 STA 和 VSA 的一作；另一半作者来自字节 Seed。所以这篇可以看成 VSA 这条路线第一次在完整的视频 DiT 训练流程里走通——从预训练、RL 到推理。 （图片来源：论文 Figure 3。样本来自 Table 2 中 Exp 6 的 checkpoint，每组上行是全注意力、下行是 VSA2；第一组和第三组是图生视频，中间一组是文生视频） 02 主要亮点，以及需要冷静看的地方 值得关注的地方： 全流程验证。480p 预训练、720p 预训练、RL、推理四个环节都换成了稀疏注意力，并且和同数据、同超参、同步数训出来的全注意力模型逐项对比。按作者的说法，这是第一个在视频 DiT 开发各阶段都端到端验证过的可训练稀疏注意力； "router 不需要学"有实验支撑。几组对照实验显示，让 router 接收梯度（不管是 NSA 式借道 coarse branch，还是 MoE 式直接反传），都不如完全不给梯度（Figure 7(c)(d)），结构因此更简单； 选块粒度和硬件块大小解耦。细粒度 router 配 top64，loss 比粗粒度 router 配 top128 还低（Figure 7(e)），fine branch 的计算量直接砍半； 稀疏预算按整条序列分配。per-sequence TopK 让每个 query block 拿到的 KV 块数可变，loss 比传统的 per-token TopK 低（Figure 7(f)）； 不用从头训。Sparse Rebasing 只在高分辨率阶段切换，新增参数只有一个零初始化的门控投影； "训难测易"换来更好的运动。用 top64 训、top128 推，文生视频运动质量的人评净胜率达到 22.1%（Table 2 Exp 2）； kernel 是认真做过的。router 的 GEMM、softmax、池化融合成一个 CuTe DSL kernel，fine branch 用 ThunderKittens 实现 block-sparse attention，22 万 token 下注意力比 FlashAttention-3 快 8.9 倍。 需要冷静看的地方： 人评的分辨率很粗。分数是（更好 − 更差）/ 149，每 0.67% 就是一条 prompt。720p 那一行"运动 +6.71%、指令跟随 −2.01%"，换算过来是净多赢 10 条、净少 3 条，多数格子都在统计噪声范围内（详见第 09 段）； "计算量减半"只算了 fine branch。把 router 自身的开销算进去，720p 下相对 VSA 的 top128，实际省下的注意力时间大约是三分之一（我按论文给的 router 耗时占比粗算，见第 10 段）； 没有外部 baseline。没有和 SLA、SLA2、VMoBA、Sparse VideoGen 在同一个模型上比，也没有 VBench 这类公开 benchmark，对比对象只有全注意力和 VSA/NSA 的设计变体； 模型、数据、代码都不公开。参数量、数据集、VAE 配置论文都没写，外部无法复现； 训练省了多少没给数。论文动机是降低预训练成本，但给出的加速全在推理侧，没有训练吞吐或 GPU 小时的对比； Hard-to-Easy 有代价。运动变好了，指令跟随和美学却下降（Exp 3 的文生视频指令跟随净输 15.4%），需要再做一轮更高 top-K 的 RL 才能拉回来； 30 秒长视频只有抽帧展示，没有全注意力对照，也没有量化指标； 扩展性有两个已知隐患：router 的相对开销固定在全注意力的 $1/R^2$ 左右，序列更长时会变成瓶颈；动态稀疏模式和 Ring-Attention 序列并行不好配合。这两点作者在附录里自己承认了。 03 视频稀疏注意力这条赛道现在什么样 先把 VSA2 放回坐标系里。视频 DiT 的稀疏注意力大致分三拨。 第一拨：免训练，只管推理。 拿一个用全注意力训好的模型，推理时找出不重要的注意力块跳过。代表是 Sparse VideoGen（在线判断每个头是"空间头"还是"时间头"，在 CogVideoX-v1.5 和 HunyuanVideo 上端到端最高 2.28 倍和 2.33 倍），以及 SpargeAttn、XAttention、Radial Attention 等。STA 算半只脚在这里：它用固定的 3D 滑动 tile 窗口，免训练时 HunyuanVideo 从 945 秒降到 685 秒，允许微调后降到 268 秒。 这一拨的共同问题是模型没见过稀疏，稀疏度一高就容易掉质量，而且预训练成本一分没省。 第二拨：微调之后稀疏。 在已有模型上用少量步数把稀疏注意力"训进去"。清华的 SLA 把注意力权重分成关键、边缘、可忽略三类，关键部分走稀疏注意力、边缘部分走线性注意力，在 Wan2.1-1.3B 上注意力计算省 95%，端到端 2.2 倍；后续的 SLA2 加上可学习 router 和量化感知训练，把稀疏度推到 97%。VSA 也做过类似的改造：把 Wan-2.1 换成稀疏注意力后，注意力提速 6 倍，端到端从 31 秒降到 18 秒。 第三拨：预训练就稀疏。 DSV、VSA 都尝试过从预训练阶段就用稀疏注意力。VSA 当时从 6000 万参数一路做到 14 亿参数的 scaling 实验，找到一个训练 FLOPs 降 2.53 倍、diffusion loss 不掉的点。但正如 VSA2 自己指出的，这些实验规模偏小，评价主要看 loss，没有人评和视觉对比。 LLM 那边的两条线也是 VSA2 的直接参照： DeepSeek 的 NSA：压缩、选择、滑窗三路注意力，同一 GQA 组内的 query 头共享稀疏模式，选块分数借用压缩分支； Moonshot 的 MoBA：对 key 块做均值池化当门控，不带可训练参数。 VSA2 的不少消融实验，就是在回答"LLM 这套设计搬到视频上还成不成立"。 所以 VSA2 的位置很清楚：沿着 VSA 的 coarse-to-fine 框架，把"预训练就稀疏"推进到完整的视频 DiT 训练流程里，并重新设计了 router。 04 旧 router 卡在哪：两个结构性天花板 先把 coarse-to-fine 框架讲清楚，VSA2 的改动都在它上面动刀。 以 VSA 为例，一层稀疏注意力分两步： coarse branch（粗粒度支路）：把相邻的 B 个 token（在视频里是一个 $B_t\times B_h\times B_w$ 的小立方体，下面叫 cube）的 Q、K、V 各求平均，得到长度为 $L/B$ 的短序列，在上面做一次全注意力。这一步既产出一份粗粒度的注意力输出，又得到一张 cube 与 cube 之间的亲和度分数图； 选块 + fine branch（细粒度支路）：每个 query cube 在分数图里挑 TopK 个最相关的 key cube，然后只在这些 cube 对里做逐 token 的 block-sparse attention。 为了让 GPU 算得快，block-sparse attention 的块大小 B 通常取 64 或 128，这是硬件决定的。问题在于，以往的 router 顺手把池化步长也设成了 B——一个 cube 的 128 个 token 被压成一个向量去算分数。 作者认为这带来两个结构性天花板。 天花板一：池化太粗，看不清关键 token。 128 个 token 的平均值会把 $\mathbf{QK}^\top$ 里的细节抹平。长视频、高分辨率下，这种"混叠"要么让真正关键的 token 漏选、质量下降，要么逼着你多选块、稀疏度上不去。 天花板二：每个 query 分到的预算一样多。 标准的 per-token TopK 要求每个 query 看同样数量的 KV。简单的 query 浪费算力，难的 query 又吃不饱。稀疏度一往上推，最先饿着的恰恰是最需要上下文的那些 query。 从公式上看更清楚。假如算力无限，最理想的选块分数应该是先算完整的 token 级注意力 $\mathbf{A}$，再按块求平均： $$\mathbf{A}=\mathrm{Softmax}\big(\mathbf{Q}\mathbf{K}^\top/\sqrt{D}\big)$$ $$\mathbf{P}_{oracle}=\mathrm{MeanPool}_{B\times B}(\mathbf{A})$$ VSA 的 coarse branch 则是把池化挪到了 softmax 前面，先按整个 cube 池化出 $\mathbf{Q}_c=\mathrm{MeanPool}_B(\mathbf{Q})$、$\mathbf{K}_c=\mathrm{MeanPool}_B(\mathbf{K})$，再算注意力： $$\mathbf{P}_c=\mathrm{Softmax}\big(\mathbf{Q}_c\mathbf{K}_c^\top/\sqrt{D}\big)$$ 如果注意力是线性的，两者相等；但 softmax 是非线性的，所以这只是近似，精度取决于"cube 内部的 token 足够相似"这个局部性假设。cube 越大，这个假设越站不住。 VSA2 的解法，一句话就是：只在 router 里把 cube 切得更细。下图左边是以往的 router，右边是 VSA2 的细粒度 router，细节放到第 07 段讲。 （图片来源：论文 Figure 1。左：VSA 等方法使用的常规 router，Q、K 都按整个 cube 池化，softmax 之后直接 TopK；右：VSA2 的细粒度 router，先按小得多的尺寸 R 池化 Q、K，softmax 之后再按 G×G 做分数池化，最后 TopK） 05 router 要不要学？作者先做了一组拆解实验 （05～07 三段偏技术，只想看结果的可以直接跳到 08。） 改 router 之前，作者先回答了一个更根本的问题：router 的选块能力到底从哪来？ 这件事在 MoE 里很明确：router 的打分会乘到专家输出上，梯度能流回来，router 是学出来的。但在稀疏注意力里，TopK 选出的是一张布尔 mask，fine branch 的梯度流不回 router。VSA 的 coarse branch 虽然有梯度（来自它自己的输出 $\mathbf{O}_c$），但这份梯度并不来自选块结果。 于是有两种假说： 局部性启发：相邻 token 本来就相似，均值池化出来的 cube 特征已经够用，router 根本不需要参数和梯度。MoBA、Quest 是这个思路； 辅助监督：router 和 coarse branch 共享参数，coarse branch 的梯度虽然不直接针对选块，但顺带把 router 也练好了。NSA 属于这种。 作者设计了几组参数量对齐的消融： （图片来源：论文 Figure 7。(a) 全注意力设置下 GQA（4 组）与 MHA 的训练 loss；(b) "按头分组 + 按邻域分组"的混合方案与纯"按邻域分组"对比；(c) router 的 QKV 绑定 coarse branch 还是 fine branch；(d) MoE 式可反传 router 与 VSA 对比；(e) 有无细粒度 router、top64 与 top128 对比；(f) per-token 与 per-sequence TopK 对比。除 (f) 从 256p 视频 checkpoint 初始化外，其余都从头训练；(b)(e)(f) 的放大插图是训练末段） 先看 router 相关的两组： (c) router 绑谁：把 coarse branch 和 fine branch 的 QKV 投影拆开，让 router 跟 coarse branch 共用 QKV（能收到 $\mathbf{O}_c$ 的梯度），或者跟 fine branch 共用（相当于 MoBA 式的无梯度 router）。结果后者 loss 更低； (d) 直接给 router 梯度：仿照 FFN 里的 MoE，coarse、router、fine 各用一套独立的 QKV，fine branch 的输出再乘上 router 的打分，让 router 直接拿到梯度。结果这种 MoE 式反传并不比原版 VSA 好。 结论是：在视频扩散模型里，复杂的可学习 router 没必要，无梯度 router 就够了，效果还更好。 既然 router 不学，能改进的就只剩"无梯度 router 本身的精度"，这就引出了细粒度 router。 同一张图里还有两组是针对 NSA 设计的： (a) GQA vs MHA：全注意力下，MHA 的训练 loss 明显低于 4 组的 GQA。LLM 用 GQA 主要是为了解码时省 KV cache，视频 DiT 是双向、整段去噪，没有这个约束； (b) 按头分组 vs 按邻域分组：NSA 让同一 GQA 组内的 query 头共享稀疏模式（group head）；VSA2 让时空上相邻的 query token 共享（group neighbour）。有效组大小相同时，纯 group neighbour 更好。 我的看法：这组实验的结论很干脆，但有两点要留个心眼。一是 (a)～(d) 和 (f) 都只训了 1 万步，(e) 也只有 3 万步，全是单次运行，没给多随机种子的方差；二是 (e)(f) 两组的差距要靠放大插图才分得清，曲线大部分时候是重叠的。结论的方向我倾向于相信，但"显著更低"的说法要打个折。 另一个有意思的对照是 SLA2。SLA2 的核心卖点恰恰是可学习 router，VSA2 却说 router 不用学，两篇结论看似相反。不过场景不同：SLA2 是在训好的 Wan2.1 上做短程微调，router 要在很少的步数里适配一个现成的全注意力模型；VSA2 是数万步的预训练，网络的其他部分有足够时间去适应一个固定的 router。我的理解是，在预训练尺度上，与其让 router 学会挑块，不如让模型学会适应 router。 06 VSA2 的整体结构：两条支路、一个 router、一扇门 （图片来源：论文 Figure 2。左侧 coarse branch 把 Q、K、V 按 cube 池化后做 cube 级全注意力，再 Repeat 回原分辨率，乘上由 Gate 投影经 Tanh 得到的门控值；右侧细粒度 router 产出块级 mask M，交给 BlockSparseAttn 计算 fine branch；两路输出相加得到最终结果） 按数据流走一遍。 第 0 步：重排。 把 token 从逐行扫描的顺序重排成逐 cube 的顺序，让同一个 cube 里的 token 在内存里挨着。注意力是整个 Transformer 里唯一依赖 token 顺序的算子，所以这个重排只需在网络开头做一次，RoPE 位置编码跟着一起重排即可。 coarse branch：和 VSA 一样。 按 cube 做均值池化，在 $L/B$ 长度的序列上做全注意力，再把输出复制回每个 token。作者也试过 NSA 式的池化和基于注意力的池化，都没比简单的均值池化更好。 fine branch：只算选中的块。 用 router 给出的 mask 做 block-sparse attention。文本条件部分照 MMDiT 的做法处理：视频到文本、文本到视频的注意力保持完整，不做稀疏。 门控合并： $$\mathbf{O}=\tanh(\mathbf{X}\mathbf{W}_g)\odot\mathbf{O}_c+\mathbf{O}_f$$ $\mathbf{X}$ 是这一层的隐状态，$\mathbf{W}_g$ 是一个单通道投影，每个 token、每个头算出一个门控值，用来调节 coarse branch 的贡献；fine branch 的输出直接加上去。 这扇门的初始化很关键，第 08 段会讲到：$\mathbf{W}_g$ 是 VSA2 唯一新增的参数，初始化为零。 router 是 VSA2 相对 VSA 真正动刀的地方，单独拿出来讲。 07 细粒度 router：先小池化，softmax 之后再合并 VSA2 把 router 从 coarse branch 里拆了出来，单独用一个小得多的池化尺寸 R（见第 04 段的 Figure 1 右图）。记 $\mathbf{Q}_r=\mathrm{MeanPool}_R(\mathbf{Q})$、$\mathbf{K}_r=\mathrm{MeanPool}_R(\mathbf{K})$，router 的块级分数是： $$\hat{\mathbf{P}}=\mathrm{Softmax}\big(\mathbf{Q}_r\mathbf{K}_r^\top/\sqrt{D}\big)$$ $$\mathbf{P}_r=\mathrm{MeanPool}_{G\times G}(\hat{\mathbf{P}})$$ 拆开是三步，作者叫它 pool-softmax-pool： 小池化：每 R 个相邻 token 求平均（R 远小于 B），序列长度从 L 缩到 L/R； softmax：在这个"半粗粒度"的序列上算注意力分数； 再池化：把一对 cube 之间的 G×G 个分数求平均（G = B/R），得到 N×N 的块级分数。 它夹在两个极端之间：比 oracle 便宜得多（序列只有 L/R 长），又比 VSA 的 coarse branch 保留了更多 cube 内部的差异。换个说法，池化有一部分挪到了 softmax 之后，非线性造成的失真就小一部分。 论文没给具体的 B 和 R，但可以反推。 附录给了稀疏度的估算公式： $$\text{Sparsity}\approx 1-\Big(\frac{1}{R^2}+\frac{KB}{L}\Big)$$ 其中 $1/R^2$ 是 router 的开销（相对全注意力），$KB/L$ 是 fine branch 的开销（平均每个 query block 看 K 个 KV block），coarse branch 的 $1/B^2$ 小到可以忽略。 把 Table 2 的三组数代进去：480p（约 9.9 万 token）top64 时稀疏度 0.90、top128 时 0.82，720p（约 22 万 token）top64 时 0.95。两个 480p 的数一减，$64B/99\text{K}\approx0.08$，B 应该是 128；再代回去，R 取 8 时三个数都能对上（算出来是 0.902、0.819、0.947），取 4 或 16 都对不上。所以我推断 VSA2 用的是 B = 128、R = 8、G = 16——这是我的推算，论文正文没有写。 这组参数能说明几件事： router 的开销恒定在全注意力的 1/64，约 1.6%，跟序列长度无关； 720p 下约有 1719 个块，每个 query block 平均只看其中 64 个，也就是 3.7%； fine branch 的相对开销随序列变长而下降，所以同样的 top64，分辨率越高稀疏度越高。这正是作者强调的"从 480p 到 720p 不需要调大 top-K"。 per-sequence TopK：预算按整条序列分。 传统做法是每个 query block 各挑 K 个；VSA2 把 N×N 的分数矩阵拉平，在整条序列上一次挑出 N×K 个块对，各个头的预算相同。总计算量不变，但每个 query block 分到的 KV 块数可以差很多。Figure 7(f) 显示这样做的 loss 比 per-token 低一点；作者也试过按累计概率截断的 top-p 类方法，没有正向结果。 下面是按论文公式写的示意代码，方便对照理解（不是官方实现，真实 kernel 不会物化中间的注意力矩阵）： import torch @torch.no_grad() # router 不接收梯度 def fine_grained_router(q, k, R, topk): # q, k: [H, N, B, D]，已按 cube-major 重排； # 假设每个 block 内按 G 个大小为 R 的子立方体连续存放 H, N, B, D = q.shape G = B // R # MeanPool_R -> [H, L/R, D] qr = q.reshape(H, N * G, R, D).mean(dim=2) kr = k.reshape(H, N * G, R, D).mean(dim=2) # softmax -> [H, L/R, L/R] scores = qr @ kr.transpose(-1, -2) / D ** 0.5 p_hat = scores.softmax(dim=-1) # MeanPool_{GxG} -> [H, N, N] p = p_hat.reshape(H, N, G, N, G).mean(dim=(2, 4)) # per-sequence TopK：整条序列一起挑 N * topk 个块对 idx = p.reshape(H, N * N).topk(N * topk, dim=-1).indices mask = torch.zeros(H, N * N, dtype=torch.bool, device=q.device) mask.scatter_(1, idx, True) # 每行（query block）选中的块数可以不同 return mask.reshape(H, N, N) 融合 kernel：中间矩阵不能写出来。 上面代码里的 p_hat 是 (L/R)×(L/R) 大小。按我反推的 R = 8，22 万 token 时每个头约有 7.6 亿个元素，BF16 下约 1.5 GB，20 个头就是约 30 GB，物化出来显存和带宽都扛不住。 所以作者用 CuTe DSL 写了一个融合 kernel，把 GEMM、softmax 和 G×G 池化合在一起： （图片来源：论文 Figure 5。Q、K 先按 R 池化成 Qr、Kr；第一遍在 SRAM 上逐块计算 softmax 之前的注意力分数并累积 log-sum-exp；第二遍重新计算注意力块、做 softmax，并直接在 SRAM 上完成 G×G 池化，只把 L/B × L/B 的块级分数写回 HBM） $\mathbf{Q}_r\mathbf{K}_r^\top$ 要算两遍，多了一次计算，但换来 I/O 大幅减少。作者称比不融合的版本明显更快，但没给具体倍数。这是典型的用计算换访存，和 FlashAttention 的思路一脉相承。 08 训练配方：Sparse Rebasing 与 Hard-to-Easy 结构讲完，再看怎么训。对想在自家训练流程里用的人来说，这部分可能比结构本身更有参考价值。 先交代训练设置。 模型结构大体沿用 MMDiT，目标是 flow matching（预测速度），文生视频和图生视频联合训练；时间步采样用 logit-normal 分布，并按分辨率做偏移；工程上用了 FSDP、序列并行、激活重计算和 torch.compile。训练分三段：480p 预训练、720p 预训练，以及从 480p checkpoint 出发的 RL。所有阶段的训练片段都是 5～12 秒、多种长宽比。参数量、数据集、VAE 配置，论文都没有写。 Sparse Rebasing：只在最贵的阶段切换。 现在的视频 DiT 普遍走渐进式训练：先图像，再低分辨率短视频，最后高分辨率长视频。VSA2 从一个用全注意力训到 256p 的视频 checkpoint 出发，到 480p、720p 预训练和 RL 阶段才换成 VSA2。 切换之所以平滑，靠的是那扇门：$\mathbf{W}_g$ 零初始化，刚切换时 $\mathbf{O}=\mathbf{O}_f$，输出只来自 fine branch，也就是用同一套 Q、K、V 做的稀疏注意力，对原模型的扰动最小。coarse branch 的贡献之后再慢慢学出来。 这个思路和 MoE 从稠密模型 upcycling 很像（这是我的类比）。好处有两个：一是可以直接复用全注意力训好的文生图、低分辨率视频 checkpoint；二是低分辨率阶段序列本来就短，稀疏注意力省不了多少，没必要在那里折腾。 Hard-to-Easy Curriculum：训得难，测得松。 训练时用更激进的稀疏度（top-K 小），推理时放宽（top-K 大）。Table 2 的 Exp 1～4 对比了 top32/top64 训练与 top64/top128 推理的几种组合，规律很一致：推理时的 top-K 比训练时大，运动质量就更好。 最突出的是 Exp 2（top64 训、top128 推），文生视频运动质量人评净胜 22.1%。 但代价也很一致：指令跟随和美学变差。 Exp 3（top32 训、top128 推）的文生视频指令跟随净输 15.4%。 作者对这两个现象的解释是： 运动变好，是类似结构化 dropout 的正则效果； 指令跟随变差，是训练与推理不一致造成的。MMDiT 里视频和文本 token 共用一个注意力空间，推理时多看了视频 token，分给文本 token 的注意力就被稀释了。 对应的补救办法是：拿 top64 预训练好的 checkpoint，在 RL 阶段改用 top128 再训一轮（Exp 6）。结果文生视频的指令跟随和美学基本拉回持平（−2.01%、0.00%），运动质量仍然保持优势（文生 +7.38%、图生 +8.05%）。 RL 用的是 reward feedback learning，不是 GRPO 或 DPO。 模型直接预测干净视频 $x_0$，由一个基于 VLM 的奖励模型和一个基于 CLIP 的奖励模型打分，梯度直接穿过奖励模型回传给 DiT。一个值得肯定的细节：奖励权重是在全注意力 checkpoint 上调的，VSA2 直接沿用、不做任何调整。这对 VSA2 来说是偏保守的比较方式。 （图片来源：论文 Figure 4。(a) 480p 预训练和 (b) 720p 预训练的训练 loss，VSA2（蓝）整体略低于全注意力（绿），放大插图里才看得清差距；(c) 480p RL 阶段的美学 reward 与运动 reward，两种注意力的曲线基本重合） 90%～95% 稀疏度下 loss 反而略低于全注意力，这一点值得多想一下。我的一个猜测是：VSA2 并不是全注意力的"子集"，coarse branch 额外提供了一条带门控的全局汇总通路，相当于多了一点结构上的归纳偏置。论文没有做去掉 coarse branch 的消融，这个问题目前没有答案。 09 人评表怎么读：每 0.67% 就是一条 prompt VSA2 的质量评估主要靠两样：训练 loss（作者引用 Movie Gen 的结论，认为它和人类偏好相关性好），以及 149 条人工挑选的高难度 prompt 上的成对人评。 人评规则是：同一条 prompt 下 VSA2 和全注意力各生成一个 10 秒视频，评分员判"更好、一样、更差"，最后报告（更好 − 更差）/ 149。评测分辨率是 480×864（约 9.9 万 token）和 720×1280（约 22 万 token），用的是 EMA checkpoint。 这意味着表里的每个百分比都能换算回"净多赢了几条"：1/149 ≈ 0.67%。先看七组实验的配置： Exp 阶段 训练 / 推理 top-K 注意力稀疏度 端到端加速 1 480p 64 / 64 0.90 2.09× 2 480p 64 / 128 0.82 1.92× 3 480p 32 / 128 0.82 1.92× 4 480p 32 / 64 0.90 2.09× 5 480p RL 64 / 64 0.90 2.09× 6 480p RL 64+128 / 128 0.82 1.92× 7 720p 64 / 64 0.95 4.62× 再看人评结果，括号里是我按 ×149 换算的净条数： Exp 文生·运动 文生·指令跟随 文生·美学 图生·运动 图生·指令跟随 1 −1.34%（−2） +1.34%（+2） −0.67%（−1） +8.72%（+13） +1.34%（+2） 2 +22.1%（+33） −3.36%（−5） −4.7%（−7） +6.71%（+10） −8.72%（−13） 3 +7.38%（+11） −15.4%（−23） −4.7%（−7） +11.4%（+17） −9.4%（−14） 4 +12.1%（+18） −10.1%（−15） −7.38%（−11） +4.03%（+6） −4.03%（−6） 5 −4.03%（−6） +1.34%（+2） −2.01%（−3） +8.05%（+12） −4.7%（−7） 6 +7.38%（+11） −2.01%（−3） 0.00%（0） +8.05%（+12） −2.69%（−4） 7 +6.71%（+10） −2.01%（−3） +1.34%（+2） +0.67%（+1） −1.34%（−2） （数据来源：论文 Table 2，正数表示 VSA2 优于同阶段的全注意力模型；括号内的净条数是我的换算） 几个读法： 第一，720p 那一行才是标题数字对应的质量。 95% 稀疏、端到端 4.62 倍的情况下，五项指标里净差最大的是文生视频运动 +10 条，其余都在 3 条以内。说"与全注意力基本持平"是站得住的。 第二，多数格子在噪声范围内。 论文没报告平票比例。我粗算了一下：假如 VSA2 和全注意力其实一样好，且有一半是平票，那么净胜条数的标准差约为 8.6 条，也就是 ±5.8%。按这把尺子量，超出两个标准差的只有 Exp 2 的文生运动（+22.1%）和 Exp 3 的文生指令跟随（−15.4%），Exp 4 的文生运动（+12.1%）刚好擦线。也就是说，Hard-to-Easy 对运动的提升和对指令跟随的损害是可信的信号，其余的正负差别大多分辨不出来。 第三，正文有一处表述不严谨。 论文说 Exp 2 中"评分员认为 22.1% 的 VSA2 文生视频样本运动更好"，但按它自己的计分规则，22.1% 是净胜率（更好减更差），不是"更好"的比例。实际被判为更好的比例只会更高。 第四，图生视频的运动几乎全线为正。 7 组实验里只有 Exp 7 接近 0，其余都在 +4%～+11.4%。单看每格都不算显著，但方向一致，值得后续验证。 作者还做了一个挺有说服力的分析：把 Exp 1 里两个分别训练的 checkpoint（一个 VSA2、一个全注意力）的注意力图并排对比，训练 6 万步之后两者的注意力模式仍然高度相似（论文 Figure 6）。以往的分析一般是拿全注意力模型推理时的注意力图做 profiling，这里是两个独立训练的模型直接对比，更能说明稀疏训练没有把模型带偏。 10 速度到底从哪来 （图片来源：论文 Figure 8。单张 H800、batch 1、20 个头、head dim 128、top64；统计的是 Figure 2 中除 QKV 投影之外所有算子的总耗时。橙线是 FlashAttention-3，蓝线是 VSA2，虚线是 VSA2 的 router、fine branch、coarse branch 分项耗时） 算子层面：22 万 token（对应 720p、10 秒）时，VSA2 的注意力比 FlashAttention-3 快 8.9 倍。序列越长差距越大，图里 43.6 万 token 处 FA3 已经超过 3000 毫秒，VSA2 仍在几百毫秒以内。 router 的开销不小：22 万 token 时占注意力总耗时的 22%，43.6 万 token 时升到 30%。 理想与实测之间还有空间。 95% 稀疏意味着计算量只剩约 5%，按 FLOPs 算理想加速接近 20 倍，实测是 8.9 倍。差出来的部分，一块是 router 自己（22%），另一块我推测来自 block-sparse 的访存开销，以及每个 query block 选中块数不等带来的负载不均。论文没有给 fine branch 单独的 MFU，没法细拆。 端到端层面：720p 端到端 4.62 倍，比注意力的 8.9 倍低一截，因为 DiT 里还有线性层、归一化，以及文本编码、VAE 解码等开销。论文没有说明端到端计时具体包含哪些环节、用了几张卡、多少步。 用 Amdahl 定律倒推一下（我的粗算，假设 8.9 倍对端到端里的所有注意力都成立）：全注意力时，注意力约占 720p 端到端时间的 88%；换成 VSA2 之后，注意力只剩端到端时间的 46% 左右，非注意力部分反而占了一半以上。 这有一个直接推论：在 720p 这个量级，继续压注意力的边际收益已经在变小，下一步的大头在步数蒸馏、特征缓存、量化这些手段上。论文也提到，稀疏注意力和这些方法基本正交。 "计算量减半"要打个折。 摘要说 VSA2 比 VSA "注意力计算减半、loss 还更低"，依据是 Figure 7(e)：细粒度 router 配 top64 优于粗粒度 router 配 top128，fine branch 的计算量确实减半。但 router 本身不是免费的。 按论文给的 22% router 耗时占比粗算：VSA2 的注意力耗时里，fine branch（连同很小的 coarse branch）约占 78%；换成 VSA 的 top128，这部分翻倍，总耗时约为 VSA2 的 1.56 倍。也就是说，VSA2 相对 VSA 实际省下的注意力时间约 36%，大约三分之一。如果改按附录的 FLOPs 公式和我反推的参数算，720p 省 29%、480p 省 41%。数字依然可观，但不是一半。 router 的开销会越来越显眼。 按稀疏度公式，router 的相对开销固定在 $1/R^2$，fine branch 的相对开销 $KB/L$ 随序列变长而下降。按我反推的 B = 128、R = 8、K = 64，两者在 $L=KBR^2\approx52$ 万 token 时持平。作为参照，1080p、10 秒视频按 720p 的 22 万 token 等比例换算约 49.5 万 token，已经贴着这个拐点，而 1080p 正是作者在附录里写的下一步。到那时，要么把 R 调大（router 更便宜，但也更粗），要么就得换一种分层的 router。 11 30 秒长视频：是个信号，还不是结论 （图片来源：论文 Figure 11，附录。样本来自 Exp 6 的 checkpoint，四组 30 秒视频的抽帧：雪山滑雪、水中追球的小狗、乡间土路上开旧卡车的男人、客厅里弹钢琴的男人） 论文附录展示了一组 30 秒视频：训练数据最长只有 12 秒，模型直接生成了 30 秒，作者称"没有明显退化"，并把它当作 VSA2 能往分钟级视频扩展的早期证据。 这组结果值得看，但证据力度有限： 没有全注意力对照。30 秒这组只有 VSA2 自己的样本，分不清长度泛化能力来自稀疏注意力还是模型本身； 没有量化指标，也没说明生成分辨率和 token 数； 抽帧看不出时序问题。比如第二行最后一帧，小狗和水花已经糊成一团，是剧烈运动的正常模糊还是长时退化，单凭抽帧判断不了。作者提到补充材料里附了视频文件。 不过有一点是确定的：30 秒视频的 token 数是 10 秒的三倍左右，全注意力的计算量就是九倍。越是这种长度，稀疏注意力的收益越大。 作者在附录里写了两个后续方向：一是做 1080p，二是和 Self-Forcing 这类自回归视频生成方法结合。后者逐块生成视频，天然需要高效的长上下文注意力。 12 想自己用要注意什么 现状：截至发稿，VSA2 的代码和权重都没有公开。前代 VSA、STA 的 kernel 在 FastVideo 仓库里开源，VSA2 的 fine branch 和 VSA 一样用 ThunderKittens 实现 block-sparse attention，复现有现成的起点；需要自己补的是细粒度 router 的融合 kernel，以及支持每个 query block 选中块数不等的调度。 如果想照着复现，关键配置是这些（B、R 为我的反推）： 块大小 B = 128（cube 的三维切法论文没给），router 池化尺寸 R = 8，G = B/R = 16； 平均每个 query block 选 64 个 KV block，用 per-sequence TopK，各个头预算相同； router 不接收梯度，Q、K 直接用 fine branch 的投影结果； 门控 $\mathbf{W}_g$ 零初始化，coarse branch 的输出乘 tanh 门控后与 fine branch 相加； 与文本相关的注意力保持完整。 训练配方上的建议： 不要从头训。低分辨率阶段保留全注意力，到 480p 以上再切换； 如果想用 Hard-to-Easy 换运动质量，最后记得用推理时的 top-K 再做一轮 RL 或微调，否则指令跟随会掉； 序列并行优先用 Ulysses（按头切分）。VSA2 每个头的计算量相同，Ulysses 下负载天然均衡；Ring-Attention 按序列切分，而 per-sequence TopK 选中的 KV 块可能集中在少数分片上，GPU 之间会负载不均。这是作者在附录里承认的限制。 如果你手上是开源模型、只想加速推理：VSA2 需要训练，不是即插即用的方案。在 Wan2.1 这类开源模型上，SLA、VSA 这类微调方案，或者 Sparse VideoGen 这类免训练方案，代码都已经开源，现在就能用。 硬件：测速只在 H800 上做过，kernel 依赖 ThunderKittens 和 CuTe DSL，换到其他架构的卡上需要重新评估。 13 需要留意的限制 前面零散提过，这里集中说。 1. 人评样本少、粒度粗。 149 条 prompt，每格的分辨率是 0.67%。论文没报告评分员人数、是否盲评、平票比例和评分一致性。除了 Hard-to-Easy 带来的运动提升和指令跟随下降，其余多数差异都在统计噪声以内。"与全注意力持平"的结论站得住，"部分场景超过全注意力"需要更大的评测集来确认。 2. 没有外部 baseline，没有公开 benchmark。 对比对象只有同条件训练的全注意力，以及 VSA/NSA 的设计变体。没有在同一个模型上比 SLA、SLA2、VMoBA、Sparse VideoGen，也没有 VBench 之类的公开指标。 3. 无法复现。 模型参数量、数据集、VAE、训练算力都没公开，代码和权重也没放出，外部读者只能相信内部实验。 4. 训练加速没有量化。 论文的出发点是预训练成本，但所有加速数字都来自推理。Sparse Rebasing 到底省了多少 GPU 小时、训练吞吐提升多少，没有给。 5. "计算量减半"没算 router。 算上 router，720p 下相对 VSA 实际省下约三分之一（见第 10 段）。 6. 消融的统计强度一般。 Figure 7 的消融是 1 万到 3 万步的单次运行，(e)(f) 的差距要靠放大插图才看得见，没有多随机种子。 7. Hard-to-Easy 的代价要靠额外训练来补。 运动质量的提升伴随着指令跟随和美学的下降，要再做一轮更高 top-K 的 RL 才能恢复。工程上意味着训练和推理要维护两套 top-K 配置。 8. 扩展性隐患。 router 的相对开销固定在 $1/R^2$，按反推参数在约 52 万 token（接近 1080p、10 秒）时会追平 fine branch；动态稀疏和 Ring-Attention 不好配合。这两点作者都在附录里承认了。 9. 长视频证据薄弱。 30 秒生成只有抽帧展示，没有全注意力对照和量化指标。 10. 端到端测速条件不透明。 端到端加速用的硬件、GPU 数、采样步数、是否包含文本编码与 VAE 解码，论文都没交代。 14 横向对比表格 下面这张表是我按各论文公开信息整理的，不是论文原表。各方法的模型、硬件、分辨率、baseline 都不同，加速倍率跨行不能直接比较。 方案 何时引入稀疏 怎么选块 选块器是否学习 报告的稀疏度 论文报告的加速 VSA2（2026.09） 预训练中途接入，覆盖 RL 与推理 细粒度 pool-softmax-pool，per-sequence TopK 否，无梯度 90%～95% 注意力 8.9×（H800，对比 FA3）；720p 端到端 4.62× VSA（2025.05，NeurIPS 2025） 从头预训练，或改造已有模型 cube 级 coarse attention 的分数，逐 query block TopK 与 coarse branch 共享参数 — 训练 FLOPs 降 2.53×；Wan-2.1 注意力 6×，端到端 31 秒→18 秒 SLA（2025.09） 微调 按注意力权重分关键、边缘、可忽略，边缘部分走线性注意力 启发式划分 注意力计算省 95% 注意力 13.7×；Wan2.1-1.3B 端到端 2.2× SLA2（2026.02） 微调 + 量化感知训练 可学习 router 决定走稀疏还是线性 是 97% 注意力约 18.6×；Wan2.1-14B-720P 端到端 4.35×（RTX 5090，排除 CPU offload 开销） STA（2025.02，ICML 2025） 免训练或微调 固定的 3D 滑动 tile 窗口 无选块器 — HunyuanVideo 端到端 945 秒→685 秒（免训练）、268 秒（微调） Sparse VideoGen（2025.02） 仅推理 在线 profiling，把头分成空间头和时间头 不需要训练 — 端到端最高 2.28×（CogVideoX-v1.5）、2.33×（HunyuanVideo） NSA / MoBA（2025.02，LLM） 预训练 NSA：压缩分支打分，GQA 组内共享；MoBA：key 块均值池化做门控 NSA 借道压缩分支获得梯度；MoBA 无参数 — 语言模型，不直接可比 几点解读： VSA2 真正的差异化不在倍率，而在"何时引入稀疏"那一列。 表里其他视频方法要么只管推理，要么在现成模型上微调，VSA2 是唯一在完整的视频 DiT 训练流程里（预训练 + RL + 推理）端到端验证过的； "router 要不要学"，各家答案不同。 SLA2 押注可学习 router，VSA2 的消融说不用学。两者一个是微调、一个是预训练，场景不同，目前还谈不上谁对谁错； 单看倍率，SLA2 在 Wan2.1-14B-720P 上的 4.35 倍和 VSA2 的 4.62 倍量级相当，但模型、硬件、测速条件都不同，不能据此排高下。更实际的差别是门槛：SLA2 可以拿开源模型直接微调，VSA2 得从预训练阶段就改，对大多数团队来说前者容易得多。 15 总结感受 我觉得这篇论文最大的价值，是把"可训练稀疏注意力"从一个小规模、只看 loss 的研究结论，变成了一个在完整视频 DiT 训练流程里走通的工程方案。预训练、RL、推理都换成 90%～95% 稀疏的注意力，人评还能和全注意力打平，这件事本身就是一个很强的信号。 具体的技术结论里，有三条我认为会被后续工作反复引用： router 不需要学，但需要比硬件块更细的粒度。 选块能力来自数据本身的局部性，而不是梯度；真正限制精度的，是把 128 个 token 压成一个向量的那一步； 稀疏预算应该按序列分，而不是按 query 均分。 固定总预算、让难的 query 多拿，是一种简单有效的自适应计算； 稀疏注意力可以在训练中途接入。 "要不要用稀疏注意力"从一个预训练开始前就得拍板的架构决策，变成了一个可以到高分辨率阶段再做的工程决策，采用门槛低了很多。 但也要清醒地看到，这篇论文的证据几乎全是内部的：内部模型、内部数据、149 条 prompt 的人评、没有外部 baseline，也没有代码。它更像一份高质量的工业实践报告，而不是一篇可以被独立验证的方法论文。 给不同读者的建议： 如果你在训练自己的视频 DiT：这篇是目前最值得参考的稀疏注意力训练配方。Sparse Rebasing 和"高分辨率阶段才切换"的思路可以直接借鉴；Hard-to-Easy 能换来运动质量，但要为指令跟随留一轮 RL。 如果你做推理部署、用的是开源模型：VSA2 暂时用不上，SLA、VSA 改造版或 Sparse VideoGen 这些有代码的方案更现实。另外记住，在 720p 量级上注意力被砍掉之后，非注意力部分就成了大头，步数蒸馏和缓存可能比继续压注意力更划算。 如果你是研究者：有几个问题这篇论文没有回答。稀疏训练为什么能让 loss 低于全注意力，是 coarse branch 带来的额外通路，还是正则效应？router 在 1080p 以上怎么扩展？每个 query 选中的块数不等时，序列并行的负载怎么均衡？ VSA2 把视频稀疏注意力的讨论，从"推理时怎么少算"推进到了"训练时就不算"。它能不能撑到 1080p 和分钟级视频，取决于 router 开销和序列并行这两个问题怎么解决，这也是这条路线接下来最值得期待的地方。 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注