视频扩散模型（Video DiT）面临的最大工程瓶颈，是自注意力机制的计算量随视频帧数和分辨率呈二次方爆炸。 腾讯新公布的 Hy4 展现了极强的工业工程化取… · @fishjar · TwKit

@fishjar

视频扩散模型（Video DiT）面临的最大工程瓶颈，是自注意力机制的计算量随视频帧数和分辨率呈二次方爆炸。 腾讯新公布的 Hy4 展现了极强的工业工程化取舍：核心突破集中在时空自编码器（3D-VAE）的设计上。架构采用非对称因果卷积（Asymmetric Causal Conv），在时间轴做 4 倍因果下采样、在空间轴做 16 倍二维下采样，直接把原始视频潜在空间的体积暴压缩至 1/64。 配合整流流匹配（Rectified Flow Matching）算法，去噪轨迹被严格拉直为欧几里得直线路径。 高质量 1080P 视频的单卡推理步数被直接砍半至 16 到 24 步，彻底打破了长视频必须依赖多机并行的算力枷锁。 https://hy.tencent.ai/research/hy4

曝光 53 · 评论 0 · 点赞 0 · 书签 0