特拉维夫大学与赖希曼大学研究人员提出SoftCache，一种面向扩散变换器的免训练推理加速方法。论文摘要显示，该论文页面将发布日期标注为2026-10-15，研究对象属于计算机视觉中的图像与视频生成方向。
扩散模型通常需要多次完整运行大型网络，连续采样步骤之间存在较多重复计算。已有动态缓存方法主要采用二元判断：当缓存结果仍可复用时直接跳过计算，接近误差阈值时再刷新。SoftCache进一步利用缓存信号距离阈值的“余量”估计可安全前进的距离，让采样器动态调整步长；缓存较可靠时跳过更多预定节点，接近刷新时缩短步长，并允许采样落在原定网格之外。方法还利用最近两次新鲜计算结果对缓存残差进行线性外推，以减轻长跳步带来的误差。
论文作者称，SoftCache不需要重新训练模型，也不增加针对不同骨干网络的额外设置，并在FLUX图像模型、HunyuanVideo和Wan2.1视频模型上进行了评估。在其报告的实验范围内，方法实现约3.5至6.9倍加速，并在四项保真度指标上优于所比较的缓存基线。不过，这些数字来自论文作者的实验，尚不能直接等同于所有硬件、提示词和采样设置下的普遍收益；其实际效果仍取决于模型、缓存阈值和质量容忍度。该工作的意义在于，扩散生成加速不只是减少刷新次数，也可以根据运行时状态调整采样路径。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
