新智元报道
编辑：桃子
【新智元导读】AI视频生成进入了秒生极速时代！UCSD等机构发布的FastWan系模型，在一张H200上，实现了5秒即生视频。稀疏蒸馏，让去噪时间大减，刷新SOTA。
单块H200，5秒即生一个5秒视频。
最近，UCSD、UC伯克利、MBZUAI三大机构联手，祭出FastWan系视频生成模型。
论文地址：https://arxiv.org/pdf/2505.13389
它的核心采用了「稀疏蒸馏」全新的训练方案，实现了高效生成，让视频去噪速度实现70倍飙升。
基于FastVideo架构，FastWan2.1-1.3B在单张H200上，去噪时间仅1秒，5秒内生成了480p的5秒视频。
在一张RTX 4090上，则耗时21秒生成一个视频，去噪时间2.8秒。
若仅计算DiT处理时间
升级版FastWan2.2-5B，在单张H200上仅用16秒即可生成720P的5秒视频。
FastWan模型权重、训练方案和数据集全部开源
如今，终于实现AI实时视频的生成了。
稀疏蒸馏，AI视频进入极速模式
「稀疏蒸馏」究竟是什么，能够让模型如此快速地生成视频？
一直以来，视频扩散模型成为了AI视频生成领域的主流，比如Sora采用了扩散模型+Transformer架构。
这些模型虽强大，却长期受困于两大瓶颈：
1. 生成视频时，需要海量的去噪步骤
2. 处理长序列时的注意力二次方计算成本，高分辨率视频必然面临此问题。
就以Wan2.1-14B为例，模型需运行50次扩散步骤，生成5秒720P视频需处理超8万token，其中注意力操作甚至吞噬85%以上的推理时间。
此时此刻，「稀疏蒸馏」就成为了大杀器。
作为FastWan的核心创新，它首次在统一框架中实现稀疏注意力与去噪步骤蒸馏的联合训练。
其本质是回答一个根本问题：在应用极端扩散压缩时，如用3步替代50步，能否保留稀疏注意力的加速优势？
先前研究认为并不可行，而最新论文则通过「视频稀疏注意力」（VSA）改写了答案。
传统稀疏注意力，为何会在蒸馏中失效？
当前，现有的方法如STA、SVG，依赖的是多步去噪中的冗余性，来修剪注意力图，通常仅对后期去噪步骤稀疏化。
但当蒸馏将50步压缩至1-4步时，其依赖的冗余性彻底消失。
实验证实，传统方案在少于10步的设置下性能急剧退化——尽管稀疏注意力本身能带来3倍加速，蒸馏却可实现20倍以上增益。
要使稀疏注意力真正具备生产价值，必须使其与蒸馏训练兼容。
不同于依赖启发式规则的方案，VSA可在训练过程中直接替代FlashAttention，通过数据驱动的方式学习最优稀疏模式，同时最大限度保持生成质量。
在步骤蒸馏过程中，当学生模型学习用更少步骤去噪时，VSA无需依赖多步去噪的冗余性来修剪注意力图，而是能动态适应新的稀疏模式。
这使得VSA成为，首个完全兼容蒸馏训练的稀疏注意力机制。甚至，他们甚至实现了VSA与蒸馏的同步训练！
据团队所知，这是稀疏注意力领域的重大突破。
三大组件，全适配
基于视频稀疏注意力（VSA）技术，团队创新性地提出了稀疏蒸馏方法。
这是一种将稀疏注意力训练与步骤蒸馏相结合的模型后训练技术。
它的核心思想，是让一个「少步数+稀疏化」的学生模型学会匹配「完整步数+密集计算」教师模型的输出分布。
如下图所示，该技术的整体框架包含以下关键要素：
稀疏学生网络（VSA驱动，可训练）
真实评分网络（冻结，全注意力）
伪评分网络（可训练，全注意力）
这三个组件均基于Wan2.1模型初始化。
训练时，经过稀疏蒸馏的学生网络接收带噪声视频输入，通过VSA执行单步去噪生成输出。
该输出会被重新添加噪声，随后分别输入到两个全注意力评分网络——它们各自执行一次全注意力去噪。
两个分支输出的差异构成分布匹配梯度，通过反向传播优化学生网络；同时伪评分网络会根据学生输出的扩散损失进行更新。
这种架构的精妙之处在于：学生模型采用VSA保证计算效率，而两个评分网络保持全注意力，以确保训练监督的高保真度。
这种架构的精妙之处在于：这种设计实现了运行时加速（学生模型）与蒸馏质量（评分网络）的解耦，使得稀疏注意力能够与激进的步数缩减策略兼容。
更广泛地说，由于稀疏注意力仅作用于学生模型，该方案可适配各类蒸馏方法，包括一致性蒸馏、渐进式蒸馏或基于GAN的蒸馏损失等。
那么，FastWan如何实现蒸馏的呢？
高质量数据对任何训练方案都至关重要，尤其是对扩散模型而言。为此，研究人员选择使用高质量的Wan模型自主生成合成数据集。
具体而言，采用Wan2.1-T2V-14B生成60万条480P视频和25万条720P视频，通过Wan2.2-TI2V-5B生成3.2万条视频。
采用DMD进行稀疏蒸馏时，需在GPU内存中同时加载三个140亿参数大模型：
·学生模型
·可训练伪分数模型
·冻结真分数模型
其中两个模型（学生模型与伪分数模型）需持续训练，既要存储优化器状态又要保留梯度，加之长序列长度的特性，使得内存效率成为关键挑战。
为此，他们提出的关键解决方案是：
1. 通过FSDP2实现三模型的参数跨GPU分片，显著降低内存开销
2. 应用激活检查点技术缓解长序列产生的高激活内存
3. 精细控制蒸馏各阶段（如更新学生模型/伪分数模型时）的梯度计算开关
4. 引入梯度累积在有限显存下提升有效批次规模
Wan2.1-T2V-1.3B的稀疏蒸馏在64张H200 GPU上运行4000步，总计消耗768 GPU小时。
一张卡，秒生视频
在Scaling实验中，研究团队预训练一个4.1亿参数视频DiT模型，潜在空间维度位（16, 32, 32）。
在保持87.5%稀疏度情况下，VSA取得的损失值与全注意力机制几乎一致。
同时，它将注意力计算的FLOPS降低8倍，端到端训练FLOPS减少2.53倍。
从6000万扩展到14亿参数规模，进一步证实了VSA始终能比全注意力机制实现更优的「帕累托前沿」。
为评估VSA的实际效果，团队在Wan-14B生成的视频潜空间（16×28×52）合成数据上，对Wan-1.3B进行了VSA微调。
如表2所示，采用VSA的模型在VBench评分上甚至超越了原始Wan-1.3B。
在极端稀疏条件下，与免训练的注意力稀疏方法SVG对比时，VSA尽管稀疏度更高仍表现更优，验证了稀疏注意力训练的有效性。
实际应用中，Wan-1.3B的DiT推理时间从全注意力模式的31秒降至VSA模式的18秒。
VSA精细块稀疏内核在长序列场景下，更加接近理论极限，相较于FlashAttention-3实现了近7倍加速。
即使计入粗粒度阶段计算开销，VSA仍保持6倍以上的加速优势。
相比之下，采用相同块稀疏掩码（64×64块大小）的FlexAttention仅获得2倍加速。
结果显示，将VSA应用于Wan-1.3B和Hunyuan模型时（图4a），推理速度提升达2-3倍。
下图5所示，研究团队还检测了经微调13亿参数模型，在粗粒度阶段生成的块稀疏注意力，呈现高度动态性。
最后，团队还对模型做了定性实验，下图展示了随着训练推进，模型逐渐适应稀疏注意力机制，最终恢复了生成连贯视频的能力。
作者介绍
这个work来自于咱们的老朋友Hao AI Lab的FastVideo 研究小组。
Peiyuan Zhang（张培源）
张培源是UCSD计算机科学与工程系一年级博士生，导师为Hao Zhang教授。
他曾在南洋理工大学担任研究助理，师从Ziwei Liu。
他主要研究机器学习系统以及高效的视频模型架构，是TinyLlama, lmms-eval, LongVA以及FastVideo的作者。
Yongqi Chen
Yongqi Chen是UCSD Hao AI Lab的研究实习生，导师是Hao Zhang教授。
他曾在密歇根大学（UMich）获得机器人学硕士学位，此前于2023年以荣誉毕业生的身份毕业于浙江大学竺可桢学院，获机器人工程学士学位。
现阶段，他的研究方向聚焦高效视频生成技术，致力于实现实时交互式视频生成。
Will Lin
Will Lin是UCSD计算机科学与工程系Hao AI Lab的博士生，导师是Hao Zhang教授。
他在德克萨斯大学奥斯汀分校获得计算机科学学士学位。
目前在Anyscale实习，是开源项目vLLM的活跃贡献者。
Haofeng Huang（黄浩峰）
黄浩峰是清华姚班本科生，导师为Jianfei Chen 和 Jun Zhu教授。
