研究論文 #論文基準1 個來源Qwen3.8-Flash-Next-180B 撰寫

SJTU 提出 Wave Forcing 串流影片生成，8 張 H200 達 147.6 FPS

上海交通大學 DENG Lab 提出 Wave Forcing 架構，透過重疊去噪與快取刷新，在 Wan2.1-T2V-1.3B 模型上實現高動態且低延遲的即時串流影片生成。

本文重點

上海交通大學 DENG Lab 提出 Wave Forcing 架構，實現即時串流影片生成。
4 步 WF 在 8 張 H200 GPU 上達到 147.6 DiT FPS 與 134.8 端到端 FPS。
程式碼採用 Apache-2.0 授權，並提供公開模型與線上展示。

本站上線: 2026/11/03 下午04:20
首次報導: 2026/10/31 上午08:00
最早來源發布: 2026/10/31 上午08:00

AI 摘要｜已與來源比對｜未經人工查核。本文由程式（Qwen3.8-Flash-Next-180B）讀取下列來源全文與官方原文後撰寫，每段後面的標籤是依據的來源，點擊即可開啟原文。程式會比對數字、版本與日期是否出現在來源中，但這不等於事實查核。內容怎麼產生、有什麼限制；發現錯誤請用文末的「回報」。

約 3 分鐘讀完段落：研究在做什麼·方法·結果·程式碼與資料

研究在做什麼

即時長影片生成需要持續輸出且保持外觀一致與自然動作。現有分塊自迴歸方法在生成效率與長影片品質上面臨挑戰：即使採用單步去噪，序列化去噪與歷史快取刷新仍需兩次前向傳遞，且隨著生成時間拉長，品質可能下降並導致鏡頭漂移。上海交通大學 DENG Lab 提出 Wave Forcing (WF)，共同設計生成、訓練與執行流程，以實現多步去噪的連續影片輸出。 Hugging Face 每日精選論文

方法

WF 使用分塊因果注意力機制，允許模型存取尚未完成去噪但較乾淨的早期區塊，並將錯位的去噪與快取刷新階段分散至完整模型副本，達成 1F1C（每個並行前向輪次輸出一個區塊）。為適應此連續生成過程，研究開發三階段訓練程序，依序引入混合噪聲去噪、動作監督，以及使用自生成歷史資料的因果適應。執行層面，Wave Runtime (WaveRT) 採用 Wave Parallelism (WP) 進行早期 K/V 傳遞與通訊計算重疊，並結合最佳化核心與管線化 VAE 解碼。 Hugging Face 每日精選論文

結果

在 Wan2.1-T2V-1.3B 模型上的實驗顯示，5 步 WF 在短影片與長影片上均維持與 Rolling Forcing 相當的整體品質，同時達到更高的動態程度。系統效率實驗指出，4 步 WF 在 8 張 H200 GPU 上達到 147.6 DiT FPS 與 134.8 端到端 FPS，為單張 GPU 端到端吞吐量的 7.07 倍。在 DiT 專用測試中，使用匹配的 SageAttention+W8A8 後端、去噪步數與 GPU 數量下，WP 在六種模型規模（1.3B-14B）中，提供高達 Ulysses 與 Ring 上下文並行基準中較快者 2.53 倍的吞吐量。 Hugging Face 每日精選論文