标签
Flash-BoN 通过时间步截断、层跳过和激活代理生成廉价的草稿候选，然后使用多阶段验证选择最佳草稿进行完整细化，从而在固定挂钟预算下优于基线，提高文本到图像生成的效率。
NVIDIA 发布了 Nemotron-TwoTower-30B-A3B-Base-BF16，这是一种基于扩散的语言模型，采用逐块自回归扩散方法，通过对令牌块进行迭代去噪来生成文本，实现了自回归基线 2.42 倍的生成吞吐量，同时保留了基准测试质量 98.7% 的水平。
Dustin提出了一种用于推测解码的稀疏验证框架，利用草稿模型信号和稀疏注意力头评分克服KV缓存验证瓶颈，在长上下文任务中自注意力加速达27.85倍，端到端解码加速达9.17倍，且精度损失可忽略不计。
本文介绍了用于视频世界模型的潜在空间记忆，将3D场景信息直接存储在扩散潜在空间中，以避免昂贵的像素空间重建。所提出的Mirage框架实现了高达10.57倍的生成加速和55倍的内存缩减，同时在WorldScore和RealEstate10K上取得了最先进的性能。
SwiftI2V 是一个新颖的高效框架，用于高分辨率图像到视频的生成，它采用条件分段生成技术，在显著降低计算成本的同时实现了 2K 分辨率的合成。该框架使得在单个消费级或数据中心 GPU 上进行实用的生成成为可能，同时保持了输入的保真度。
L2P 提出了一种高效的迁移范式，利用预训练的潜在扩散模型构建像素空间扩散模型，从而在极小的计算开销和数据需求下实现高质量生成，并支持原生 4K 分辨率。
NVlabs/Sana是一个面向效率的开源代码库，用于高分辨率图像和视频生成，包含多个模型变体及训练/推理管线。