作者和团队介绍：本文一作是高焕霖和陈平，通讯作者为赵放和廉士国，其他作者还包括石芙源、谭超、 刘兆祥、王恺，所有作者均来自联通数据智能有限公司（联通数据科学与人工智能研究院）元景大模型研 发团队。 当前，视频生成模型性能正在快速提升，尤其是基于Transformer架构的DiT模型，在视频生成领域的表现已 经逐渐接近真实拍摄效果。然而，这些扩散模型也面临一个共同的瓶颈： 推理时间长、算力成本高、生成 速度难以提升 。随着视频生成长度持续增加、分辨率不断提高，这个瓶颈正在成为影响视频创作体验的主 要障碍之一。 来自 中国联通数据科学与人工智能研究院 的研究团队提出了一个全新的思路 ： LeMiCa（Lexicographic Minimax Path Caching） —— 一种无需训练、全局最优建模的缓存加速框架， 能在保持画质与一致性的同 时，实现高效的推理加速。LeMiCa解决的是一个长期被"局部贪心决策"束缚的老问题： 扩散模型是否存在 一种真正"全局一致、误差可控、速度极快"的缓存加速路径？ 研究答案是：有。并且比想象中简单得多。 这项研究已经成功入选 NeurIPS 2025 Spotlight。 ...

本论文主要作者来自小红书 AIGC 团队（Dynamic-X-Lab），Dynamic‑X‑LAB 是一个专注于 AIGC 领域的研究团队，致力于推动姿态驱动的人像生成与视频动画 技术。他们以高质量、高可控性的生成模型为核心，围绕文生图（t2i）、图像生成（i2i）、图像转视频（i2v）和风格迁移加速等方向展开研究，并通过完整的开 源方案分享给开发者与研究者社区。 基于一致性模型（Consistency Models, CMs）的轨迹蒸馏（Trajectory Distillation）为加速扩散模型提供了一个有效框架，通过减少推理步骤来提升效率。然而，现 有的一致性模型在风格化任务中会削弱风格相似性，并损害美学质量 —— 尤其是在处理从部分加噪输入开始去噪的图像到图像（image-to-image）或视频到视频 （video-to-video）变换任务时问题尤为明显。 这一核心问题源于当前方法要求学生模型的概率流常微分方程（PF-ODE）轨迹在初始步骤与其不完美的教师模型对齐。这种仅限初始步骤对齐的策略无法保证整 个轨迹的一致性，从而影响了生成结果的整体质量。 为了解决这一问题，文章提出了 单轨 迹 蒸馏（ ...