视频生成推理加速实践：基于全局时间索引的序列并行 3D 位置编码优化

视频生成推理加速实践：基于全局时间索引的序列并行 3D 位置编码优化

摘要

Wan2.1是一款基于扩散Transformer架构的视频生成模型，采用全时空并行建模，生成质量领先。然而，全局扩散模型在长视频推理中面临显存和计算复杂度膨胀、固定长度假设及流式推理难题。Self-Forcing引入因果自回归生成，通过逐块生成和KV缓存机制，显著降低首帧延迟，支持实时生成，为长视频和流式推理提供新路径。