论文页面 - LongLive-Plug：视频生成的一次性蒸馏框架

来源：https://huggingface.co/papers/2609.38154 发布于 2029年9月29日

·

由 https://huggingface.co/Andyson 提交

Syang (https://huggingface.co/Andyson) 于 9月30日

作者： , , , , , , , , , ,

摘要

视频扩散模型正日益发展为面向多样下游任务的专用模型，而这一发展过程通常包含一个蒸馏阶段，例如用于加速采样或改善长视频生成。每个专用模型通常都需要重复这一阶段。我们提出了 LongLive-Plug，一个一次性蒸馏框架，它能学习基础模型上可复用的LoRA能力，从而实现无需训练、即插即用地部署到兼容的下游模型。这些能力包括单次前向的无分类器引导、少步采样以及用于自回归生成的长上下文误差校正。即使下游模型添加条件分支或扩展输出通道，这些适配器仍保持可复用性。尽管在固定的引导尺度下训练，我们专用的CFG LoRA通过其推理权重提供了文本引导控制。将其与少步LoRA结合，可在下游任务中同时保留少步生成能力和CFG可控性。我们在涵盖三个骨干家族和八个任务类别（包括世界建模、机器人学、编辑和多模态生成）的54个下游模型上验证了该方法的无训练部署能力。该方法可能支持更多兼容模型。因此，每个骨干家族只需蒸馏一次能力，即可在不同目标间复用，无需重新训练。

查看 arXiv 页面 (https://arxiv.org/abs/2609.38154) 查看 PDF (https://arxiv.org/pdf/2609.38154) 项目主页 (https://nvlabs.github.io/LongLive/LongLive-Plug/) GitHub 2.64k (https://github.com/NVlabs/LongLive) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.38154)

在您的智能体中获取此论文：

hf papers read 2609.38154

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

无模型链接此论文 在模型 README.md 中引用 arxiv.org/abs/2609.38154 以从此页面链接。

引用此论文的数据集 0

无数据集链接此论文 在数据集 README.md 中引用 arxiv.org/abs/2609.38154 以从此页面链接。

引用此论文的 Spaces 0

无 Space 链接此论文 在 Space README.md 中引用 arxiv.org/abs/2609.38154 以从此页面链接。

包含此论文的收藏集 0

无收藏集包含此论文 将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面链接。