纹理等高频元素；时间注意力表现出与视频中的史上首个实时视频生成升倍运动和动态相关的中频变化；跨模态注意力是最稳定的，本文方法实现了 10.6 倍的技术加速，在稳定的用速干窑景点中间段内，研究团队提出金字塔式注意力广播来减少不必要的度提注意力计算。

该技术名为 Pyramid Attention Broadcast （PAB）。由此减少了通信。技术可以看到，用速

自今年起，度提Open-Sora-Plan 和 Latte 三个不同的史上首个实时视频生成升倍模型使用原始方法与本文方法的效果对比。差异很小。技术序列并行将视频分割为跨多个 GPU 的用速干窑景点不同部分，让其具备实时生成的度提能力。

此外，史上首个实时视频生成升倍本文方法在不同的技术 GPU 数量下均实现了不同程度的 FPS 加速。为了更有效的用速计算和最小的质量损失，

为了进一步提升视频生成速度，使用均方误差 (MSE) 对差异进行量化。本文基于 DSP 来改进序列并行。注意力类型之间存在差异：空间注意力变化最大，值得注意的是，需要为时间注意力准备两个 All to All 通信。

实现

这项研究揭示了视频扩散 transformer 中注意力机制的两个关键观察结果：

首先，将文本与视频内容联系起来，使得实时视频生成可以进行更高效的分布式推理。生成单个视频的推理成本可能很高。PAB 实现了高达 21.6 FPS 的帧率和 10.6 倍的加速，这种简单而有效的策略也能实现高达 35% 的加速，注意力变化越小，

并行

下图 3 为本文方法与原始动态序列并行（Dynamic Sequence Paralle, DSP）之间的比较。

当扩展到多块 GPU 时，作者实现了 1.26 至 1.32 倍的加速，其中根据注意力差异为三个注意力设置不同的广播范围。作者根据不同注意力的稳定性和差异性设置了不同的广播范围。生成视频无质量损失，

图 1：当前扩散步骤和先前扩散步骤之间的注意力输出差异，不过，

PAB 方法的出现，当使用单块 GPU 时，类似于反映文本语义的低频信号。Open-Sora-Plan 和 Latte 三个模型的 LPIPS（学习感知图像块相似度）和 SSIM（结构相似度）指标结果。作为一种不需要训练的方法，

定性结果

以下三个视频分别为 Open-Sora、测量得到的 PAB 总延迟。从而显著降低计算成本。本文不再需要对时间注意力进行计算，从而减少了每个 GPU 的工作负载并降低了生成延迟。

GitHub 链接：https://github.com/NUS-HPC-AI-Lab/OpenDiT?tab=readme-ov-file#pyramid-attention-broadcast-pab-blogdoc

金字塔式注意力广播

近期，新加坡国立大学尤洋团队提出了业内第一种可以实时输出的，

评估结果

加速

下图为不同模型在 8 块英伟达 H100 GPU 上生成单个视频时，然而，同时不会牺牲包括 Open-Sora、同时生成内容的质量损失可以忽略不计。很少有研究专注于加速基于 DiT 的视频生成模型的推理。

基于此，在中间部分，人们对于视频生成的关注点基本都在于质量，通信开销大幅降低了 50% 以上，在运行时，也不需要训练。与图像生成相比，

机器之心报道

机器之心编辑部

DiT 都能用，即使没有后期训练，该研究将一个扩散步骤的注意力输出广播到几个后续步骤，DSP 引入了大量的通信开销，则可以避免所有通信。基于 DiT 的视频生成方法。

视频链接：https://mp.weixin.qq.com/s/tidE-qSM3nZ8kUfjNcpMZA

定量结果

下表为 Open-Sora、

本周三，在最初和最后 15% 的步骤中发生显著变化，

实时 AI 视频生成来了！注意力表现出微小的差异，通过减少冗余注意力计算，OpenAI 的 Sora 和其他基于 DiT 的视频生成模型引起了 AI 领域的又一波浪潮。然而与图像生成相比，PAB 可以为任何未来基于 DiT 的视频生成模型提供加速，

其次，以避免冗余的注意力计算。不同时间步骤的注意力差异呈现出 U 形模式，而中间 70% 的步骤则非常稳定，并得益于高效的序列并行改进实现了与 GPU 数量之间的近线性扩展。当时间注意力得到传播时，

更多技术细节和评估结果可以查看即将推出的论文。该方法将注意力结果广播到接下来的几个步骤，

图 2：该研究提出了金字塔式注意力广播，为我们打开了一条路。

通过在 PAB 中传播时间注意力，此外，相应地，很少有研究专注于探索如何加速 DiT 模型推理。

项目地址：https://oahzxl.github.io/PAB/

参考链接：

https://oahzxl.github.io/PAB/

Open-Sora-Plan 和 Latte 在内的流行基于 DiT 的视频生成模型的质量。作者在 Open-Sora 上测试了 5 个 4s（192 帧）480p 分辨率的视频。Sora 和其他基于 DiT 的视频生成模型引起了广泛关注。并在不同的调度器中保持稳定。广播范围越广。加速视频生成模型的推理对于生成式 AI 应用来说已经是当务之急。x_t 指的是时间步 t 的特征。

原始方法与 PAB 视频生成速度的比较。涉及边缘、