作家和团队先容：本文一作是高焕霖和陈平，通信作家为赵放和廉士国赌钱app下载，其他作家还包括石芙源、谭超、刘兆祥、王恺，所有作家均来自联通数据智能有限公司（联通数据科学与东说念主工智能商议院）元景大模子研发团队。

面前，视频生成模子性能正在快速擢升，尤其是基于Transformer架构的DiT模子，在视频生成限制的证实一经冉冉接近果然拍摄着力。关系词，这些扩散模子也濒临一个共同的瓶颈：推理时辰长、算力资本高、生成速率难以擢升。跟着视频生成长度抓续增多、分辨率络续提高，这个瓶颈正在成为影响视频创作体验的主要隔断之一。

来自中国联通数据科学与东说念主工智能商议院的商议团队提议了一个全新的念念路 ：LeMiCa（Lexicographic Minimax Path Caching）——一种无需考试、全局最优建模的缓存加快框架，能在保抓画质与一致性的同期，结束高效的推理加快。LeMiCa处置的是一个永远被“局部决策决策”护士的老问题：扩散模子是否存在一种委果“全局一致、弊端可控、速率极快”的缓存加快旅途？商议谜底是：有。况且比设想中粗浅得多。

这项商议一经得手入选 NeurIPS 2025 Spotlight。

论文标题：

LeMiCa: Lexicographic Minimax Path Caching for Efficient Diffusion-Based Video Generation

论文一语气：

https://arxiv.org/abs/2511.00090

状貌主页：

https://unicomai.github.io/LeMiCa

代码地址：

https://github.com/UnicomAI/LeMiCa

中枢亮点：

LeMiCa 若何作念到“又快又稳”？

面前主流的缓存加快法子（如TeaCache）遴选了“局部决策”计谋：若是相邻时辰步之间的变化很小，就选拔复用缓存。关系词，这种“走一步看一步”的计谋暴虐了扩散模子的费力特质——早期门径对生成终结有较高的明锐性，轻微的弊端可能在后期被络续放大，影响最终画质。同期，很多现存法子需要引入在线判别机制，这会引入特等的蓄意职守，使得生成经过依然安详。

LeMiCa的中枢念念想是：

“缓存加快并不是局部决策问题，而是一个全局旅途优化问题。”

商议团队发现，扩散模子的生成经过其实不错综合成一个带权有向无环图（DAG) 。每个节点代表一个时辰步，每条边代表在两个时辰步之间“跳过蓄意、复用缓存”的行动，边的权重则对应缓存导致的全局弊端。这么，缓存计谋不错很当然的转动为在DAG中搜索最优旅途的问题。

LeMiCa期间结束：从弊端建模到图优化

为了准确评估缓存的影响，LeMiCa提议了一种全新的弊端度量法子，通过离线构建静态DAG来量化缓存对最毕生成视频终结的影响。DAG的组成部分主要有：1）节点：每个时辰步；2）边：可能的缓存区间；3）边权重：缓存-复用激发的全局重建弊端。具体来说，对于DAG中节点i到j的边权被界说为：

在图构建经过中，咱们会对每个时辰步进行节点综合。DAG中的每一条边代表在时辰步i到j之间跳过多少步蓄意、径直复用缓存的行动。为幸免图过于高大，LeMiCa依据“距离越长，缓存弊端越大”的先验常识，树立了最猛进步长度，从而只保留合理的缓存段以减少搜索复杂度。最终，为了保证鲁棒性和泛化性，LeMiCa仅使用小数样本（prompt和seed）离线生成多个DAG并进行会通，最终赢得一个静态的、跨任务可复用的全局弊端图。

字典序极小化旅途优化（Lexicographic Minimax Path）：在构建好静态弊端图之后，LeMiCa 将缓存调整问题花式化为：在固定预算 B 下，从首先到特殊寻找一条最优旅途。由于传统的“最短旅途”或“局部最优”算法不具备线性可加性，导致最短旅途算法不再适用，LeMiCa遴选了字典序极小化准则来进行旅途搜索。这种优化样式不追求弊端总额最小，而是逐层相比旅途中各段缓存的弊端值，确保：

最大弊端被最小化（幸免单段不舒畅性退化）

弊端分散更平衡（擢升全局一致性）

花式化界说如下：

通过字典序相比，LeMiCa幸免了“看似合座弊端低但中间崩坏”的旅途:

若旅途A的最大弊端 < 旅途B的最大弊端 → A 更优若最大弊端换取 → 相比第二大秩序类推

试验终结：加快与画质兼得

联通元景大模子商议团队在多个主流视频生成模子中考证了LeMiCa的性能。从终结中不错看到该法子在保留加快前后的视觉一致性具有显耀上风，这也恰是全局旅途视角下的图优化所带来的增益。

从视觉着力上看，LeMiCa生成的视频在结构作风保抓、内容一致性方面王人显耀擢升。

即使在高倍加快推理下，也简直看不出昭彰退化。

从终结中不错看出，LeMiCa对比其他主流法子，存在以下昭彰上风：

极佳的生凯旋率：结构、纹理和内容一致性全面擢升；

优秀的加快性能：提供2.4×以上的高倍加快推理；

消融试验：

少样本建图，高鲁棒性，场景延迟智力

极少样本修复DAG：LeMiCa仅凭小数样本即可构建高质地缓存旅途，单样本已具强性能，20个样本即达到性能足够，体现了静态缓存计谋的高效与端庄。

加快旅途的鲁棒性：即使转换采样调整中的轨迹缩放参数赢得不同的去噪轨迹，LeMiCa仍有较好的着力，体现了讲求的旅途鲁棒性。

文生图模子兼容：由于LeMiCa实质上是一个用于扩散模子缓存加快的框架，因此其也适用于文生图模子。咱们拿最新的QWen-Image模子进行了试验，赢得了不异出色的加快着力：

业界顶级团队保举

LeMiCa赢得了顶级多模态模子研发团队阿里通义千问和智谱AI的认同，分手在其官方主页上对LeMiCa进行巨擘保举！

回顾与瞻望

LeMiCa以全局优化视角再行界说了扩散视频生成的加快问题。它温顺了传统“局部决策”式缓存计谋的局限，将缓存调整建模为有向无环图（DAG）上的全局旅途搜索问题。算作一种通用的免考试加快框架，LeMiCa为视频生成带来了“又快又稳”的新范式赌钱app下载，联通元景大模子团队但愿以此为基石，为业界对于扩散模子的加快和复杂场景生成提供新的念念考角度。