China Unicom mengusulkan kerangka baru MeanCache, memperbarui standar percepatan inferensi model generasi multimodal

炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：机器之心Pro）

作者和团队介绍：本文第一作者是高焕霖，通讯作者为赵放和廉士国，所有作者均来自联通数据智能有限公司（中国联通数据科学与人工智能研究院）- 元景大模型研发团队和南京大学，专注于联通元景大模型研发。

FLUX 、Qwen-Image 等多模态生成模型的推理速度一直是工业级多模态模型落地的痛点。传统的特征缓存（Feature Caching）方案在追求高倍率加速时，常因瞬时速度的剧烈波动导致轨迹漂移。

针对这一痛点，中国联通数据科学与人工智能研究院与南京大学研究团队，在此前工作 LeMiCa（NeurIPS 2025 Spotlight）的基础上继续深耕，推出了进阶加速框架MeanCache

该工作不仅承袭了团队在扩散模型加速领域的深厚积淀，更在技术上实现了跨越：受到 MeanFlow 启发，MeanCache 首次将 “平均速度” 视角引入缓存推理，通过 JVP 修正精准校正了生成轨迹，实现了4x以上的推理提速。该成果已入选人工智能顶会ICLR 2026，目前，论文、代码均已开源。

技术创新：平均速度驱动的缓存新范式

MeanCache 的核心贡献在于将缓存加速从 “瞬时速度” 转向了 “平均速度”，主要包含以下两个核心技术点：

JVP 驱动的平均速度

该建模方式将缓存视角从单一的 “点” 扩展到了 “区间”，通过提供更稳定的引导信号，有效地校正了高倍率加速下的轨迹偏离。

轨迹稳定调度策略

“什么时候该缓存？” 以往的方法多依赖固定步长或手动阈值。MeanCache 将推理过程建模为一个多重图（Multigraph）寻优问题。

它将每个时间步视为节点，将预测均值速度与真实值之间的稳定性偏差定义为边权：

节点和边组成多重图，然后再通过峰值抑制最短路径（Peak-Suppressed Shortest Path）算法，在给定的计算预算下，计算规则下最优的缓存策略：

实验结果：刷新 SOTA 加速表现

文生图

在商业级文生图模型 Qwen-Image 和 FLUX.1 [dev] 分别实现最高 4x 加速，在 Image Reward 和感知指标上取得了 SOTA 的表现。

从视觉效果上看，随着加速比的增大，MeanCache 生成的图片在内容一致性方面表现更好。

文生视频

在视频生成模型 HunyuanVideo 上也实现了 3.6x 加速和 SOTA 的指标提升。

在对视频的定性分析上，MeanCache 也表现出更好的加速效果，不论是画质还是内容一致性方面。

语义一致性：更进一步，针对 rare-word（如下图 “Peristeronic”）的高难度生僻 Prompt 的测试下，MeanCache 展现了更强的语义鲁棒性。

业界顶级团队推荐

同时，MeanCache 已支持最新的阿里通义 Z-Image 和 Qwen-Image-2512 文生图模型，并获得了 Z-Image 团队的官方主页推荐，社区已支持ComfyUI

总结与展望

MeanCache 作为一种轻量化、免训练的 Flow Matching 加速框架，创新性地提出了 “平均速度缓存” 与 “轨迹稳定性调度” 方案。该方案在确保图像高保真度与内容一致性的基础上，显著提升了大模型的推理效率。 联通元景大模型团队将以此为基石，持续深耕模型推理加速及复杂场景生成领域。我们致力于为业界贡献更多元化的技术视角，进一步降低工业级生成模型的使用门槛与算力成本。

海量资讯、精准解读，尽在新浪财经APP