China Unicom пропонує нову структуру MeanCache, оновлюючи базові показники прискорення виведення мультимодальних генеративних моделей

Слідкуйте за фондовими операціями через аналітичні звіти аналітиків Golden Qilin — авторитетно, професійно, своєчасно, всебічно; допоможе вам виявляти перспективні теми та можливості!

（Джерело: Machine Heart Pro）

Опис автора та команди: Перший автор цієї статті — Хуан Хуаньлінь, відповідальний автор — Чжао Фан і Лянь Шиго, усі автори належать до команди розробки великомасштабної моделі “Юаньцзінь” (联通元景大模型研发团队) та до Нанкінського університету — зосереджені на розробці великої моделі “Юаньцзінь” у China Unicom Data Science та Research Institute of Artificial Intelligence.

Швидкість інференсу мульти модальних генеративних моделей, таких як FLUX і Qwen-Image, є постійним больовим місцем для практичного впровадження індустріальних мульти модальних моделей. Традиційні рішення з кешування ознак (Feature Caching) під час гонитви за кратним прискоренням часто стикаються з різкими коливаннями миттєвої швидкості, що призводить до дрейфу траєкторій.

Щоб вирішити цю проблему, дослідницькі команди China Unicom Data Science and Artificial Intelligence Research Institute та Нанкінського університету, спираючись на попередню роботу LeMiCa (NeurIPS 2025 Spotlight), продовжили поглиблювати дослідження та представили прогресивний фреймворк прискорення MeanCache.

Ця робота не лише успадкувала глибокі напрацювання команди у галузі прискорення дифузійних моделей, а й технічно здійснила стрибок: натхненні MeanFlow, MeanCache вперше вводить в кешування перспективу “середньої швидкості” та за допомогою JVP-екорекції точно коригує генеровану траєкторію, досягаючи прискорення інференсу понад 4x. Результат уже відібрано на головну конференцію з AI ICLR 2026; наразі стаття та код обидва відкриті.

Технічні інновації: нова парадигма кешування, керована середньою швидкістю

Ключовий внесок MeanCache полягає в тому, щоб зрушити кешувальне прискорення з “миттєвої швидкості” до “середньої швидкості” і в основному включає такі два ключові технічні моменти:

JVP-керована середня швидкість

Ця модельна схема розширює кешувальний погляд із єдиної “точки” до “інтервалу”, через надання більш стабільного сигналу підказки ефективно коригує відхилення траєкторій за умов кратного прискорення.

Стратегія стабільного планування траєкторій

“Коли саме кешувати?” Раніше методи багато покладалися на фіксовану довжину кроку або ручні пороги. MeanCache моделює процес інференсу як задачу оптимізації на мультиграфі (Multigraph).

Він розглядає кожен часовий крок як вузол, а визначене як вагу ребра відхилення стабільності між прогнозованою середньою швидкістю та істинним значенням:

Вузли та ребра утворюють мультиграф, а далі через алгоритм пригнічення піків для найкоротшого шляху (Peak-Suppressed Shortest Path) за заданим обчислювальним бюджетом обчислюється оптимальна стратегія кешування згідно з правилами:

Експериментальні результати: оновлення SOTA за показниками прискорення

Генерація з тексту в зображення

У комерційних моделях генерації з тексту в зображення Qwen-Image та FLUX.1 [dev] було реалізовано відповідно найвище 4x прискорення, досягнуто SOTA-показники за Image Reward та перцептивними метриками.

З точки зору візуальних ефектів видно, що зі збільшенням коефіцієнта прискорення згенеровані з MeanCache зображення демонструють кращу узгодженість за змістом.

Генерація з тексту в відео

У відеогенераційній моделі HunyuanVideo також досягнуто 3.6x прискорення та покращення показників до рівня SOTA.

Під час якісного аналізу відео MeanCache також демонструє кращий ефект прискорення — незалежно від якості зображення чи узгодженості контенту.

Семантична узгодженість: далі, за результатами тестування складних промптів із rare-word (як-от у наведеному нижче прикладі “Peristeronic”) MeanCache демонструє сильнішу семантичну стійкість.

Рекомендації від провідних команд у галузі

Одночасно MeanCache підтримує найновіші моделі генерації з тексту в зображення Ali Tongyi Z-Image та Qwen-Image-2512 і отримав рекомендацію від офіційної домашньої сторінки команди Z-Image; спільнота вже підтримує ComfyUI

Підсумки та перспективи

MeanCache як легковаговий фреймворк прискорення Flow Matching без потреби тренування інноваційно пропонує рішення “кешування середньої швидкості” та “планування стабільності траєкторій”. Ця схема, забезпечуючи високу збереженість якості зображення та узгодженість за змістом, суттєво підвищує ефективність інференсу великомасштабних моделей. Команда великомасштабної моделі “Юаньцзінь” від Unicom закладе це як фундамент і далі глибоко працюватиме над прискоренням інференсу моделей та генерацією у складних сценаріях. Ми прагнемо внести більше різноманітних технічних підходів для індустрії, додатково знижуючи поріг для використання індустріальних генеративних моделей і витрати на обчислювальні ресурси.

Дуже багато новин, точна інтерпретація — усе в застосунку Sina Finance APP